基于自然istic拥堵评估参数化跟随模型：洞察驾驶员行为与模型局限性

跟随是广泛研究的驾驶状态，已提出多种通过各种启发式和工程方法的建模方法。拥堵是常见的交通现象，已从宏观和微观视角广泛研究。然而，当前文献缺乏使用自然istic拥堵数据对跟随模型进行统一评估。本文使用丰富的自然istic拥堵数据集，比较了五个参数化跟随模型：IDM、ACC、Gipps、OVM和FVDM的性能。结果发现，这五个模型在优化相同RMSNE指标后表现相似。发现跟随子序列中模型与驾驶员行为不一致的现象，并对其进行单独研究。对相应的前视和舱内视频数据进行审查，揭示了注意力不集中和利用惯性驾驶作为模型与现实差异的潜在原因。我们进一步表明，驾驶员经常在跟随过程中采用滑行和怠速爬行，而现有的参数化模型未能捕获这种行为。最后，对时间序列进行聚类分析，结果簇与实证发现一致。我们的发现突显了考虑车辆动力学特性（包括滑行和怠速爬行能力）的必要性，这些特性在低速度拥堵中被驾驶员广泛利用。未来的研究可以将此类参数与传统参数化模型集成，以提高拥堵建模性能。我们还建议未来的研究探索簇间块之间的时间相关性，以揭示拥堵中驾驶员所表现的行为转换模式。该研究的代码可在Github上获取。