通过贝叶斯动态回归校准车辆跟驰模型
摘要：汽车跟随行为建模对于理解交通流动动态和开发高保真微观仿真模型至关重要。大多数现有的冲动-响应式汽车跟随模型都优先考虑计算效率和可解释性，采用基于即时前一状态观测的简约非线性函数。然而，这种方法忽略了历史信息，限制了其解释现实驾驶数据的能力。因此，在用实际轨迹数据校准这些模型时，常常会观察到连续相关的残差，从而阻碍了其捕捉复杂和随机现象的能力。为了解决这个问题，我们提出了一个动态回归框架，结合时间序列模型（如自回归过程）来捕捉误差动态。这种统计严谨的校准优于独立误差的简单假设，并通过利用更高阶的历史信息实现更精确的仿真和预测。我们使用HighD和OpenACC数据验证了我们框架的有效性，展示了改进的概率仿真。总之，我们的框架保留了传统汽车跟随模型的简洁性，同时提供了增强的概率仿真能力。
作者：Chengyuan Zhang, Wenshuo Wang, Lijun Sun
论文ID：2307.03340
分类：Applications
分类简称：stat.AP
提交时间：2023-07-10