数据即所需：基于马尔可夫链的车流跟随（MC-CF）模型
系统与控制
2026-03-31 v1 机器学习
机器人学
系统与控制
摘要
车流跟随行为是交通流理论中的基本问题，但传统模型往往无法捕捉自然驾驶的随机性。本文引入了一种新的车流跟随建模范式，即经验概率范式，该范例绕过了常规的参数化假设。在此范式下，我们提出了基于马尔可夫链的车流跟随（MC-CF）模型，该模型将状态转换表示为马尔可夫过程，并通过在离散化的状态箱中从经验分布中随机抽取加速度来预测行为。对在 Waymo 开放运动数据集（WOMD）上训练的 MC-CF 模型进行评估显示，其变体在一次性和开环轨迹预测准确度上显著优于包括 IDM、Gipps、FVDM 和 SIDM 在内的基于物理的模型。统计分析确认，模型生成的轨迹与真实行为无显著差异，成功再现了自然驾驶在所有相互作用类型下的概率结构。对 Naturalistic Phoenix（PHX）数据集的零样本泛化进一步确认了模型的鲁棒性。最后，微观环路公路仿真验证了该框架的可扩展性。通过逐步整合不受约束的自由流动轨迹和高速公路数据（TGSIM），并采用保守的推断策略，模型大幅减少碰撞，在多个平衡和冲击波场景中实现零事故，同时成功再现了自然且随机的冲击波传播。总体而言，提出的 MC-CF 模型为高保真随机交通建模提供了稳健、可扩展且无需校准的基础，尤为适用于智能交通数据丰富的未来。
引用
@article{arxiv.2603.27909,
title = {Data is All You Need: Markov Chain Car-Following (MC-CF) Model},
author = {Sungyong Chung and Yanlin Zhang and Nachuan Li and Dana Monzer and Alireza Talebpour},
journal= {arXiv preprint arXiv:2603.27909},
year = {2026}
}