基于自然驾驶数据的驾驶人跟驰行为内在异质性预测与建模

摘要

为了对交通流建模研究和高级辅助驾驶开发等提供可靠跟驰行为支持,本文针对同一位驾驶人个体内部发生的从正常到异常的跟驰行为模式的转变,提出一种以Transformer深度学习模型为基础的驾驶人跟驰行为内在异质性预测和建模方法。本文基于超过20万km的大规模自然驾驶实验,首先,利用对驾驶人的全要素长期行为观测,为41位驾驶人建立基线模型,完成3194次驾驶人内在异质性事件识别与提取;其次,设计基于Transformer多头自注意力机制的深度学习预测器,实现对驾驶人内在异质性事件的准确预测。结果表明,预测器在跟驰内在异质性三分类时间点预测的F1分数(F1-Score)相较于长短时记忆网络表现更优,达到了87.13%,基于预测结果的动态跟驰参数切换可以降低21.08%的驾驶行为建模误差。研究结果有助于更加准确地重现驾驶人跟驰行为,进一步提高交通流仿真精度和高级辅助驾驶控制策略拟人化水平。