基于长短期记忆神经网络方法的车辆跟驰模型
【摘要】 为模拟驾驶员的跟驰驾驶行为，并考虑驾驶员不确定性和记忆效应，基于实车跟驰实验数据，提出并训练了一种基于长短期记忆（LSTM）神经网络方法的车辆跟驰模型。基于该模型研究驾驶员的记忆效应影响时长并进行交通仿真。结果表明:与同体积隐藏层神经元的前馈神经网络比较，LSTM神经网络的跟驰模型预测结果更加贴近观测值且更加平滑，接近驾驶员的实际驾驶行为;驾驶员行为受当前环境及其前1.0~3.5s内的记忆影响;该模型能够消散交通流中的扰动，模型具有较好的抗干扰能力和稳定性。
