李林波，李瑞杰，邹亚杰

（同济大学道路与交通工程教育部重点实验室，上海201804）

跟驰模型的研究对交通安全及通行效率有很大意义。从建模方法角度划分，跟驰模型可分为理论驱动与数据驱动两类［1］。理论驱动类模型按照不同的建模机理，可以进一步分为刺激反应类［2］、安全距离类［3］、心理-生理类［4］、优化速度类［5］、基于期望值的模型［6］等，其优点是可以描述跟驰过程中的某几个显性因素，但对驾驶人的驾驶经验以及模糊感知特性，难以准确刻画。基于此，Yu［7-8］先后将车头间距、相对速度作为驾驶记忆，并改进全速度差模型，得出考虑驾驶记忆可以提高驾驶稳定性，并减少燃油消耗等；Sun［9］将一段时间内本车与前车速度差作为驾驶记忆，用来改进最优速度模型，通过控制论方法提高了驾驶的稳定性。Tang［10］基于最优速度模型，通过设计权重考虑了两个不同时刻的刺激，来模拟驾驶人记忆。由于这些方法只能考虑很少的记忆时刻，同时仅考虑了一个影响因素作为驾驶记忆，当公式变得复杂时，反而会失去理论模型的简洁性。模糊控制类方法［11-12］需要根据人为经验构建模糊控制规则、选取隶属度函数等，从而对数据造成了主观干预。随着大数据技术、人工智能及深度学习的迅速发展，从数据驱动的角度，基于人工神经网络方法，直接对数据样本进行学习并预测，被证明能够更为准确地模拟人的行为特性。Panwai［13］最先构建了简单的反向传播神经网络，基于车上传感器采集的数据对模型进行训练，仿真结果比基于Gipps的模型结果有更高精度，说明了基于神经网络方法在跟驰行为预测上的适用性。……