通过拟合误差分解重新审视车辆跟随模型的解释边界，以揭示其中的适应性反馈机制

《Reliability Engineering & System Safety》：Re-examining the Explanatory Boundaries of Car-Following Models through Fitting Errors Decomposition to Uncover Adaptive Feedback

残差分解框架揭示Car-Following模型误差的双重机制：结构误差体现状态依赖性，随机误差反映认知负荷波动，通过四类异构数据验证的误差补偿机制使模型预测精度提升15.8%-61.2%。

　　

胡俊杰|王琳|李在荣

中南大学交通与运输工程学院，中国湖南长沙，410075

摘要

在车辆跟随（CF）模型中，传统上被视为随机噪声的残差被假设为编码了适应性调节机制。本研究认为这些残差是结构误差和随机误差的复合体。利用四个异构数据集，基于未观测成分模型（UCM）对三个校准后的CF模型的残差序列进行了分解。系统的比较分析显示，误差成分表现出稳健的物理一致性和统计相关性，这些相关性被假设映射到未观测的认知机制上：结构误差表现出显著的不对称状态依赖性，而随机误差显示出强烈的异方差性，这被假设为与波动的认知负荷相关的操作不稳定性的统计代理。研究发现从随机误差到结构误差存在一个稳健的自下而上的方向信息流，表明微观扰动单向驱动了系统的宏观偏差。此外，实施了误差补偿机制的改进CF模型在拟合精度上取得了显著提升，在不同场景下RMSE降低了15.8%至61.2%，从而增强了混合交通环境中的预测能力。

引言

准确建模人类驾驶员行为，特别是在纵向车辆跟随（CF）场景中，是设计、验证和安全部署智能交通系统和自动驾驶车辆的前提[1,2]。几十年来，CF模型一直是模拟交通流动态的理论基础，为交通管理、控制算法的开发以及高级驾驶辅助系统（ADAS）的性能验证提供了不可或缺的工具[[3], [4], [5]]。然而，这些模型的预测准确性从根本上受到人类驾驶的固有复杂性、非线性和随机性的挑战[6]。因此，解决模型预测与观察到的驾驶员行为之间的持续差异仍然是一个关键的研究领域[7,8]。

大量研究致力于描述纵向驾驶行为并分析驾驶员特定特征[[9], [10], [11]]。在这个理论框架内，诸如智能驾驶员模型（IDM）[12]、Gipps模型[13]和最优速度模型（OVM）[14,15]等易于处理的模型因其直观和有效的动态特性而被广泛用于仿真平台和控制系统。然而，当与高保真度的真实世界轨迹数据进行对比时，这些模型始终会产生不可忽视的残差[16]。交通流理论中的主流观点是将这些残差解释为结构模型缺陷的证据，或者更常见的是，将其视为由人类行为的固有不可预测性引起的不可减少的随机噪声[17,18]。关键的是，这种传统观点在很大程度上忽视了人类因素的深远影响。人类驾驶不仅仅是一个纯粹的机械执行过程，而是一个受心理生理限制的高度复杂的认知任务。来自人类因素的理论，如风险稳态理论，表明驾驶员不断调整他们的行为以维持目标风险平衡，而认知工作负荷的变化直接影响他们的感觉运动稳定性。与掩盖内部机制的数据驱动方法不同，我们认为仅仅将残差视为噪声会忽略潜在的行为信息，这些信息反映了理想化模型与复杂人类行为的系统偏差。CF模型的误差包含了丰富的潜在行为因素，包括驾驶员的风险容忍度、认知工作负荷、注意力波动以及对周围环境的微妙适应性反应[19]。

为了实现我们的核心论点，我们引入了一个基于误差分解原理的分析框架。我们假设任何给定CF模型产生的总残差并不是一个单一的、随机的实体。相反，它可以被分解为两个概念上不同且可分离的组成部分，每个部分都对应特定的行为和认知机制：

1)

结构误差：这个组成部分代表了驾驶员与给定基线模型规定的规范行为的系统性和持续性偏差，反映了驾驶员更高层次的、准稳定的驾驶策略或风格。

2)

随机误差：这个组成部分捕捉了驾驶员的短暂、不可预测的操作波动，作为行为不稳定性的统计指标，理论上反映了未观测认知工作负荷和神经运动噪声的运动学表现。

通过将模型残差序列分解为这两个不同的时间序列，我们有机会超越简单的模型拟合，开始探索人类驾驶行为的潜在认知和调节机制。

提出的误差分解框架激发了一组层次结构化的研究问题，指导我们的调查：

1)

结构误差和随机误差成分的统计特性和时间序列特性是什么？这些特性如何随着驾驶状态的变化而变化？

2)

两个误差成分之间的同时关联是什么？具体来说，结构误差增加的时期是否与随机误差的增加同时发生？

3)

基于传递熵量化的结构误差和随机误差成分之间是否存在时间滞后的统计预测关系？

4)

跨模型的稳健性：观察到的误差特征及其相互关系是否是人类驾驶行为的普遍特征，还是仅仅是一个模型的理论假设的产物？

为了解决这些问题，本研究做出了以下贡献：

1)

在三个基线模型（IDM、Gipps和OVM）和四个异构数据集（highD、NGSIM、Waymo和Lyft）中对误差分解框架进行了严格验证，证明了其普遍适用性。

2)

应用了多方面的统计测试，包括描述性分析、正态性和同方差性评估、时间序列诊断和信息论因果度量，以剖析误差成分并阐明其特性。

3)

设计了一种模型误差补偿方案，以改进和纠正CF模型，使得在不同数据集和模型中的RMSE降低了15.8%至61.2%。

章节摘录

文献综述

CF建模中的传统工程范式通常寻求最小化或消除变异性和误差[17]。然而，人类驾驶中观察到的偏差可能不仅仅是需要消除的缺陷。相反，它们可能代表了复杂的适应能力或对多种未建模的环境和认知因素的响应[20]。本节的总体目标是建立坚实的理论和实证基础

研究方法

如图1中的框架所示，我们的研究方法基于这样一个核心假设：CF模型的预测误差不仅仅是随机噪声，而是由反映系统驾驶策略的结构误差和捕捉即时操作不确定性的随机误差组成的复合体。我们利用四个不同的数据集，并在校准三个经典CF模型（IDM、Gipps和OVM）的个别轨迹上获得原始残差序列。

基线模型评估

在对四个代表性交通数据集（highD、NGSIM、Waymo和Lyft）的多维水平评估中，校准误差的数值分布特性，特别是均方根误差（RMSE），清楚地揭示了经典CF模型的物理架构与真实世界驾驶环境复杂性之间的固有权衡。表4、表5和表6中呈现的实验结果表明，highD数据集代表了高速公路

讨论

在多个车辆跟随模型和数据集中对误差分解框架的实证验证揭示了残差中的系统模式，这些模式超出了简单的模型不足，突显了它们提供对人类驾驶行为更深入见解的潜力。为了阐明这些发现的理论意义，我们的讨论围绕人类因素、文献比较和方法论界限展开。

结论

本研究从根本上重新概念化了车辆跟随（CF）模型的残差。通过摆脱将残差仅仅视为随机噪声的传统范式，我们提出并验证了一种基于未观测成分模型（UCM）的稳健分解方法，该方法将残差分解为两个具有不同行为意义的组成部分：结构误差反映了驾驶员的系统策略惯性，随机误差捕捉了

披露声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

作者贡献

胡俊杰：概念化、数据管理、方法论、软件、验证、可视化、写作 - 原始草稿、理论分析。王琳：写作 - 审阅与编辑。李在荣：监督、验证、写作 - 审阅与编辑。

CRediT作者贡献声明

胡俊杰：写作 – 原始草稿、可视化、验证、软件、资源管理、方法论、调查、正式分析、数据管理、概念化。王琳：调查、正式分析、概念化。李在荣：写作 – 审阅与编辑、资金获取、概念化。