随机车辆跟驰模型的校准
摘要：车辆跟随(CF)动力学中的随机性发挥着关键作用的最近实验和实证观察表明。为了重现这些观察结果，提出了许多随机CF模型。然而，虽然对确定性CF模型的校准已经得到了很好的研究，但对如何校准随机模型的研究还不足。基于这一事实，本文旨在解决这一基本的研究缺口。首先，在相同的驾驶环境下进行了CF实验并进行了分析。根据实验结果，我们测试了两种先前的校准方法，即最小化多次运行均值误差(MRMean)的方法和最大似然估计(MLE)的方法。我们发现了这两种方法的不足之处。接下来，我们提出了一种新的方法来最小化多次运行最小值(MRMin)误差。基于实验数据和合成数据的校准表明，新方法优于两种先前的方法。此外，从误差分析的角度探讨了不同方法的机制。分析表明，新方法可以被看作是一个嵌套优化模型。该方法将由随机性引起的概率误差与由参数引起的确定性误差分离开来，并能够有效地处理这两种误差。最后，我们发现在随机CF模型的校准框架下，使用距离作为模型参数（MoP）的校准参数集并不总是优于使用速度作为MoP的参数集。这些发现有望增进对随机性在CF动力学中的作用的理解，并为建立随机CF模型的新的校准框架做出贡献。
作者：Shirui Zhou, Shiteng Zheng, Martin Treiber, Junfang Tian, Rui Jiang
论文ID：2302.04648
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-02-10