Long memory is important: A test study on deep-learning based car-following model
本篇文章发表在2019年Physica A 期刊上(3区)
摘要
长时间记忆效应是否在汽车跟踪模型中起着重要作用仍未解决。在本文中,我们研究了在实践中观察到的长记忆效应和滞后现象之间的可能关系。特别是,我们比较了不同的基于深度学习的汽车跟踪模型的性能,这些模型将各种时间尺度的历史信息作为输入。测试表明,只有具有长记忆的汽车跟踪模型才能正确模拟滞后现象。因此,我们认为,汽车跟踪模型应该适当地嵌入长记忆效应。
模型数据集增强
使用NGSIM数据集去标定IDM数据集,使用标定过后的数据集去生成模拟数据,然后加入到原来的数据集中形成一个新的数据集去训练深度学习模型。其中IDM模型假定加速度是速度、间隙和速度差(接近率)的连续函数。它的关键思想是设定一个安全速度和安全距离。一方面,它应用安全速度来控制车辆的加速。另一方面,它应用安全距离来控制车辆刹车,以避免碰撞。
结论
在本文中,我们通过匝道模拟研究了中提出的深度学习汽车跟踪模型的长记忆效应。用相同的经验性汽车跟踪数据训练了两个具有不同规模的历史输入的深度神经网络&#