电动车车跟行为建模：经典方法与机器学习方法的比较
人工智能
2025-10-29 v1 机器学习
摘要
电动车 (EV) 的日益增长的采用意味着需要理解其驾驶行为以提高交通安全性并开发智能驾驶系统。本研究比较了经典和机器学习模型用于 EV 车跟行为。经典模型包括智能驾驶员模型 (IDM)、最优速度模型 (OVM)、最优速度相对速度模型 (OVRV) 以及简化的 CACC 模型，而机器学习方法采用随机森林回归器。使用来自 EV 跟随内燃机 (ICE) 车辆在不同驾驶条件下的真实世界数据集，我们通过最小化预测值与真实数据之间的均方根误差 (RMSE) 来校准经典模型参数。随机森林模型使用间距、速度和间隙类型作为输入来预测加速度。结果表明，随机森林在所有情景下的准确性均优于其他模型，分别实现 RMSE为 0.0046 (中等间隙)、0.0016 (长间隙) 和 0.0025 (超长间隙)。在基于物理的模型中，CACC 在长间隙上的 RMSE 为 2.67。这些发现凸显了机器学习模型在所有情景下的卓越性能。此类模型对于模拟 EV 行为和分析混合自主交通动力学具有重要价值。
引用
@article{arxiv.2510.24085,
title = {Modeling Electric Vehicle Car-Following Behavior: Classical vs Machine Learning Approach},
author = {Md. Shihab Uddin and Md Nazmus Shakib and Rahul Bhadani},
journal= {arXiv preprint arXiv:2510.24085},
year = {2025}
}