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
来源：交通运输系统工程与信息杂志2023年第5期北京时间：
作者：张铎, 饶红玉, 刘佳琦, 王俊骅, 孙剑
单位：1. 同济大学，道路与交通工程教育部重点实验室，上海 201804；2. 杭州海康威视数字技术股份有限公司，杭州 310051
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。
关键词：交通工程,驾驶人内在异质性,Transformer模型,跟驰行为,自注意力机制
基金资助：国家自然科学基金(52125208，52232015)；中央高校学科交叉重点项目 (2022-5-ZD-02)。
