车辆跟驰行为数据采集与模型标定.docxVIP

PAGE

PAGE1

车辆跟驰行为数据采集与模型标定

第一章绪论

1.1实验背景

1.1.1研究领域现状

智能交通系统的发展正推动车辆跟驰行为研究向精细化方向演进。近年来，随着高精度定位技术与传感器设备的普及，基于真实道路环境的数据采集方法取得显著突破，车载GPS与驾驶模拟器已成为主流实验工具。国际研究趋势聚焦于多源数据融合与机器学习辅助建模，例如美国联邦公路管理局通过自然驾驶研究项目积累了海量跟驰数据，为模型验证提供了坚实基础。国内学者在复杂城市路网场景下探索跟驰行为特征，逐步构建了适应中国混合交通流特性的数据库，但数据标准化程度仍有提升空间。

当前领域面临的核心瓶颈在于数据采集精度与模型泛化能力的矛盾。传统跟驰模型如Gipps模型在理想条件下表现良好，但真实道路中驾驶员异质性、环境干扰等因素导致模型参数存在显著不确定性。实验设备如低成本GPS的定位误差常超过1米，难以精确捕捉车辆间距动态变化；同时，驾驶模拟器虽能控制变量，却难以完全复现真实驾驶的心理负荷与风险感知。这些技术局限严重制约了交通流微观仿真的可靠性，尤其在拥堵场景下模型预测偏差可达15%以上。

针对上述问题，开展系统性实验研究具有迫切必要性。精确的跟驰行为数据是优化交通控制策略的关键输入，能直接提升信号配时与自动驾驶算法的适应性。从价值维度看，本实验通过标准化数据采集流程与模型标定方法，可为城市交通