基于交叉熵算法的跟馳模型標定

　　跟馳模型的標定是為了更好地重現真實駕駛情況從而增強交通安全和分析如停-走間斷流等復雜的交通流情況。然而，跟馳模型的標定并不是一件容易的事。這是因為某些參數是不能從交通流數據中直接觀測得到。此外，傳統的確定性標定方法會導致大量局部最優值的出現。在此基礎上，本文提出了基于交叉熵算法的跟馳模型標定的框架，基于蒙地卡羅與重要樣本策略逐步逼近參數的最優概率密度函數。實例分別采用合成數據與實測數據標定智能駕駛模型，驗證了交叉熵算法搜索全局最優值的能力，并體現了交叉熵算法適用于實測交通流數據標定的潛能。

　　在進行交通規劃和交通決策投入使用之前，精確地重現特定交通場景上的交通行為將會為交通工作者提供極大的幫助。因此，交通微觀模型，特別是跟馳模型，在模擬復雜的交通場景，例如交通事故現場、交通信號燈控制等方面得到了廣泛的應用。然而，不同交通場景上的交通行為存在著極大的差異，并且，即使在同一交通場景中，早上與晚上的交通行為也截然不同。因此，能極大地提高跟馳模型重現特定交通場景上交通行為描述能力的參數標定是必不可少的。然而，交通仿真模型的描述能力越強，表征的交通狀態越多，模型內部結構越復雜，所需標定的參數也越多，參數標定過程也越困難。首先是交通仿真模型的絕大部分參數是不能夠從交通數據中直接觀測得到，比如微觀跟馳模型中的駕駛員反應時間、期望速度、期望間距等；其次，不同類型的道路傳感器的檢測原理與結構互不相同，導致檢測的交通數據往往存在不同程度的誤檢甚至漏檢的情況；最后，通過最小化模型輸出與觀測數據之間的差異構建的模型標定優化問題，往往存在著大量的局部最優解。上述情況都在不同程度上加劇交通模型標定的難度，導致模型描述性能得不到充分的體現。