探索基于时间序列基础模型的车辆跟随行为分析

建模车辆跟随行为对于交通仿真、分析驾驶模式以及理解具有不同水平自主车辆的复杂交通流至关重要。传统模型如安全距离模型和智能驾驶员模型（IDM）需要精确的参数校准，常因对驾驶员行为的简化假设而缺乏普适性。虽然机器学习和深度学习方法能够捕捉复杂模式，但需要大量标记数据。基础模型提供了更高效的替代方案。它们在广泛且多样化的时间序列数据集上进行预训练，可直接应用于各种任务，无需大量重新训练。这些模型在不同领域之间具有良好的概括能力，经过最小化微调即可适应特定任务，如车辆跟随行为预测。在本文中，我们将最新公共时间序列基础模型 Chronos 应用于基于 Open ACC 数据集的车辆跟随行为分析。无需微调，Chronos 在预测准确性上优于 IDM 和带趋势和季节性的指数平滑（ETS），并达到类似深度学习模型如 DeepAR 和 TFT 的结果，RMSE 为 0.60。经过微调后，Chronos 将误差降低至 RMSE 为 0.53，相较于 IDM 实现 33.75% 的改进，相较于机器学习模型如 ETS 和深度学习模型包括 DeepAR、WaveNet 和 TFT 实现 12-37% 的误差降低。这表明基础模型有望显著推动交通研究的进展，提供一种可扩展、可适应且高度准确的车辆跟随行为预测和仿真方法。