面向自动驾驶小巴的卡尔-福瑞达模型校准与评估：基于多准则框架
新兴技术
2026-02-13 v1 机器学习
摘要
自动驾驶小巴（Autonomous Shuttles, AS）是完全自动的客运车辆，其运行特征不同于传统自动驾驶车辆（autonomous vehicles, AV）。为理解其交通影响，迫切需要开发针对 AS 的专用卡尔-福瑞达模型；然而，现有研究很少使用现场数据进行校准。更先进的机器学习（ML）技术尚未应用于 AS 轨迹，这限制了利用 ML 捕获 AS 动力学的潜力，制约了开发专用 AS 模型的进展。此外，缺乏统一框架系统评估和比较卡尔-福瑞达模型的性能。现有卡尔-福瑞达研究常依赖各异的指标，这限制了可重复性和性能可比性。本研究通过两个主要贡献 addressing these 案: (1) 使用真实世界的 AS 轨迹数据校准多样化的卡尔-福瑞达模型，包括八种机器学习算法和两种基于物理的模型； (2) 引入多准则评估框架，将预测准确性、轨迹稳定性和统计相似性整合为评估指标，提供可通用的 AS 卡尔-福瑞达模型系统评估方法。结果表明，所提校准的 XGBoost 模型综合性能最佳。顺序模型类型（如 LSTM 和 CNN）捕获长期位置稳定性，但对短期动力学响应较差。LSTM 和 CNN 捕获长期位置稳定性，但对短期动力学响应较差。传统模型（IDM、ACC）和核方法的准确性和稳定性均低于大多数机器学习模型。
引用
@article{arxiv.2602.11517,
title = {Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework},
author = {Renan Favero and Lily Elefteriadou},
journal= {arXiv preprint arXiv:2602.11517},
year = {2026}
}