柏海艦， 孫 婷， 丁 恒， 王昌勝， 陳星宇， 過晨晨， 李 亞

（合肥工業(yè)大學(xué) 汽車與交通工程學(xué)院，合肥 230009）

在高速公路、普通公路及城市外圍道路上，車輛類型較復(fù)雜，各類貨車、客車組成了具有隨機(jī)車型序列［1］的跟馳車流。由于行駛規(guī)則、車輛性能、載貨特征及視距影響等原因，不同類型的前車對后車的跟車行為存在明顯的影響。圖1～3 展示了下一 代 交 通 仿 真 （Next Generation Simulation，NGSIM）小型車跟馳小型車（CC）與小型車跟馳大型車（CT）的跟車數(shù)據(jù)的統(tǒng)計(jì)分析：前車是大型車時(shí)，后車駕駛行為會(huì)更加保守，選擇較大的跟車間距；當(dāng)前車為小型車時(shí)，后車跟車間距則整體偏小。雖然兩種場景下前后車相對速度分布差異不大，但當(dāng)前車為大型車時(shí)，后車的加速度變化范圍更小，駕駛更謹(jǐn)慎。從經(jīng)驗(yàn)的角度出發(fā)，當(dāng)前方為大型車時(shí)，駕駛員選擇適當(dāng)保守和謹(jǐn)慎的駕駛策略，無疑也是更安全的。

圖1 車頭間距對比

圖2 相對速度對比

圖3 后車加速度對比

跟馳模型大體可以分為兩大類：理論驅(qū)動(dòng)模型和數(shù)據(jù)驅(qū)動(dòng)模型。前者通過數(shù)學(xué)方法描述跟馳過程中的速度、加速度、車頭間距、相對速度等之間的函數(shù)關(guān)系，如Gipps 模型［2］、全速度差模型［3］、智能駕駛員模型［4］等經(jīng)典刺激—反應(yīng)模型。但隨著人工智能相關(guān)理論的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)類跟馳模型近幾年得到了較多的關(guān)注，如誤差反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）以及LSTM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的跟馳模型等。BPNN 模型［5］最早應(yīng)用于跟馳模型建模，后車速度和兩車之間的距離作為模型輸入，以兩車之間的相對速度作為模型的輸出，測試效果較好，但該模型只考慮了跟馳車輛之間的瞬時(shí)狀態(tài)，未考慮前置狀態(tài)對當(dāng)前狀態(tài)的影響。RNN 模型［6］是一種考慮駕駛員駕駛記憶的神經(jīng)網(wǎng)絡(luò)，以車輛位置和速度作為輸入?yún)?shù)，獲得最佳的安全距離，但輸入序列較長時(shí)，會(huì)出現(xiàn)梯度消失和梯度爆炸的問題。為了解決梯度問題，同時(shí)考慮駕駛行為的連續(xù)時(shí)間序列特征，采用LSTM神經(jīng)網(wǎng)絡(luò)［7］訓(xùn)練跟馳模型，能較好地捕捉到非對稱駕駛行為。

在場景分類方面，有學(xué)者通過設(shè)置不同車長和最大行駛速度區(qū)分不同類型的車輛進(jìn)行交通流仿真，能模擬真實(shí)的交通流，但不能準(zhǔn)確反映不同車型組合的跟馳特性［8-9］。在傳統(tǒng)跟馳模型的研究中，將車型作為車輛的個(gè)體特征加入傳統(tǒng)的跟馳模型中，能提高模型預(yù)測精度。敬明等［10］將反應(yīng)時(shí)間和車型作為車輛的個(gè)體特征加入IDM 跟馳模型中，能體現(xiàn)交通系統(tǒng)的隨機(jī)性和異質(zhì)流特征；任勝利等［11］基于FVD 模型，引入反映駕駛員個(gè)體特征的車頭時(shí)距系數(shù)和反映車輛特征的跟車類型系數(shù)、車身長度參數(shù)，能較好地描述不同車型跟馳特征；SAIDI S等［12］通過對不同車型所產(chǎn)生的加速和減速等不同運(yùn)動(dòng)狀態(tài)的刺激反應(yīng)分別建立單一模型，探討了混合車流刺激反應(yīng)的車輛跟馳模型。基于深度學(xué)習(xí)的跟馳模型大多都是以性能或類型相同的跟馳車輛［13］作為研究對象，忽視了車型對跟馳模型的影響。有學(xué)者考慮現(xiàn)有模型的局限性，針對擁擠情況下的大型車開發(fā)了一種跟馳模型，采用局部線性模型樹方法將人類感知缺陷納入汽車跟蹤模型，將大型車與小型車的跟馳行為分開進(jìn)行預(yù)測，模型預(yù)測效果較好，但并未考慮所有的跟馳類型［14］。

在復(fù)雜的交通場景下，智能汽車可以獲取周圍車輛信息和自身狀態(tài)［15-17］，為了提高智能汽車跟馳行為決策的靈活性，智能汽車需要根據(jù)前車的車型差異，選擇不同的跟馳行為，從而應(yīng)對更加復(fù)雜的場景。本文基于NGSIM 數(shù)據(jù)集，將前車車型分為大型車和小型車，通過篩選、平滑建立分車型的跟馳軌跡數(shù)據(jù)集，將車型組合編碼作為模型的一個(gè)輸入；為了進(jìn)一步提高模型預(yù)測的可解釋性，引入注意力機(jī)制來充分挖掘模型輸入特性，并與考慮時(shí)序特征的長短時(shí)記憶網(wǎng)絡(luò)結(jié)合，提出一種根據(jù)前車車型產(chǎn)生不同跟馳行為的IVT-CF 模型，使智能汽車學(xué)習(xí)人類駕駛員在前車為大型車或小型車情景下小型車的跟馳行為。并通過仿真測試，驗(yàn)證IVT-CF模型的跟馳性能。

1 IVT-CF神經(jīng)網(wǎng)絡(luò)模型

1.1 輸入和輸出

跟馳行為是在不能超車的單一車道上，車輛列隊(duì)行駛時(shí)，后車跟隨前車的行駛狀態(tài)。智能汽車能實(shí)時(shí)獲取前車的位置信息、速度信息，對駕駛行為作出更加準(zhǔn)確的預(yù)測。在智能汽車跟馳模型的研究中，眾多學(xué)者認(rèn)為后車的跟馳行為主要與前后車之間的車頭間距、相對速度以及后車速度有關(guān)［18］，車頭時(shí)距、前車加速度等雖然也是跟馳模型中常用的變量，但試驗(yàn)證明這些參數(shù)無法提高模型的效果，所以不予以考慮［19］。在智能汽車跟馳模型的研究中通常剔除大型車的跟馳數(shù)據(jù)［20］，基于此本文將車型特征作為模型的1 個(gè)輸入，使智能汽車能根據(jù)前車車型選擇適宜的跟馳行為，提高智能汽車跟馳行為的預(yù)測精度。

車型特征屬于離散變量，需要對車型特征進(jìn)行編碼處理，用于模型訓(xùn)練。為了避免使用有序型數(shù)值編碼造成數(shù)據(jù)在模型訓(xùn)練中產(chǎn)生的優(yōu)劣性問題，使用One-Hot 獨(dú)熱編碼對車型特征進(jìn)行離散化處理，小型車跟馳小型車（CC）編碼構(gòu)造為（10），小型車跟馳大型車（CT）編碼構(gòu)造為（01）。本文采用前后兩車的車頭間距、相對速度、后車速度與車型組合編碼作為模型的輸入，后車的加速度作為模型的輸出。

1.2 總體架構(gòu)

IVT-CF 模型總體架構(gòu)如圖4 所示，主要由注意力模塊、LSTM神經(jīng)網(wǎng)絡(luò)和1個(gè)全連接層構(gòu)成。

圖4 IVT-CF模型框架

1.2.1 注意力模塊

注意力機(jī)制是機(jī)器學(xué)習(xí)模型中嵌入的一種特殊結(jié)構(gòu)，可以用來學(xué)習(xí)和計(jì)算輸入數(shù)據(jù)對于輸出數(shù)據(jù)貢獻(xiàn)的權(quán)重［21］。注意力機(jī)制能根據(jù)數(shù)據(jù)輸入，計(jì)算不同時(shí)刻各個(gè)特征值的權(quán)重，通過不斷學(xué)習(xí)優(yōu)化，提取輸入特征中的關(guān)鍵信息，與輸出相關(guān)度更高的輸入特征獲得更大的權(quán)重，以較低的權(quán)重忽視相關(guān)度更小的輸入，進(jìn)一步優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)的輸入，提高神經(jīng)網(wǎng)絡(luò)模型的可解釋性。注意力機(jī)制的計(jì)算公式如式（1）～（4）所示：

式中：Wi為權(quán)重系數(shù)；Xj為j時(shí)刻輸入向量；bi是偏重量；eij表示j時(shí)刻輸入向量進(jìn)行tanh 函數(shù)非線性轉(zhuǎn)換后的向量。

使用softmax 函數(shù)對中ej進(jìn)行歸一化處理，得到歸一化后的注意力系數(shù)矩陣αj，αj計(jì)算如式（2）所示。

式中：em為隨機(jī)初始化的注意力權(quán)重矩陣。

注意力機(jī)制的輸出特征s為注意力系數(shù)矩陣與輸入向量乘積的累加和，如式（3）所示：

輸入向量不同關(guān)注度的輸出序列如式（4）所示，作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入。

1.2.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM 能處理時(shí)序特征的數(shù)據(jù)，使用LSTM 訓(xùn)練模型能充分學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的長期依賴關(guān)系。LSTM 以注意力模塊輸出的樣本Fj與初始化的h0、c0作為輸入，之后的LSTM 層以上一層LSTM 的輸出h代替Fj，與上一時(shí)刻同層次的h、c輸入進(jìn)行計(jì)算，LSTM層的輸出結(jié)果如式（5）～（12）所示。

遺忘門為：

輸入門為：

存儲(chǔ)單元為：

輸出門為：

式 中：hj為LSTM 隱 藏 層 狀 態(tài) 向 量；WfF，Wfh，WfC，WiF，Wih，WiC，WCF，WCh，WoF，Woh，Woc，Who為權(quán) 重；?為Hadamaed 積；bf，bi，bC，bo，bh為 偏 置 項(xiàng)；σ(·)為Sigmoid激活函數(shù)；tanh (·)為雙曲切函數(shù)。

1.2.3 全連接層

使用LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測可以分為一對一、多對一、多對多的預(yù)測。一對一預(yù)測結(jié)構(gòu)為一個(gè)序列輸入對應(yīng)一個(gè)序列輸出，多對多預(yù)測結(jié)構(gòu)為多個(gè)序列輸入對應(yīng)多個(gè)序列輸出，多對一預(yù)測結(jié)構(gòu)為多個(gè)序列輸入對應(yīng)一個(gè)序列輸出。本文采用多對一的預(yù)測結(jié)構(gòu)，通過全連接層對LSTM 神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行非線性變換，將多維數(shù)據(jù)輸出映射到一維數(shù)據(jù)，最終得到IVT-CF 模型輸出結(jié)果Yj，如式（13）所示。

2 仿真測試

2.1 訓(xùn)練和測試數(shù)據(jù)準(zhǔn)備

NGSIM 數(shù)據(jù)集是美國公路局共享的車輛軌跡數(shù)據(jù)。該數(shù)據(jù)集以每秒10幀的速率記錄了車輛的連續(xù)軌跡，并提供了車輛類型、橫向和縱向位置信息等。本文提取I-80數(shù)據(jù)集中04：00～04：15 p.m.時(shí)間段中小型車跟馳小型車（CC）、小型車跟馳大型車（CT）的跟馳數(shù)據(jù)訓(xùn)練IVT-CF模型，使智能汽車能根據(jù)前車車型對自身跟馳行為做出精準(zhǔn)預(yù)測。數(shù)據(jù)集的采樣間隔為0.1 s，即每秒鐘可產(chǎn)生10 個(gè)跟馳狀態(tài)的樣本數(shù)據(jù)。本文使用滑動(dòng)時(shí)間窗的方法提取連續(xù)的車輛跟馳特征數(shù)據(jù)，用寬度為μ= 0.1 s、歷史時(shí)間步長為τ= 10 s 的滑動(dòng)時(shí)間窗對跟馳車輛的車頭間距、相對速度、后車速度和后車加速度進(jìn)行連續(xù)采樣。模型訓(xùn)練測試樣本數(shù)與跟馳車輛軌跡數(shù)見表1。

表1 跟馳車對數(shù)量與樣本數(shù)

由于NGSIM 數(shù)據(jù)集中的車輛位置信息存在一些異常值和測量誤差［22］，當(dāng)進(jìn)行一階導(dǎo)數(shù)、二階導(dǎo)數(shù)計(jì)算，會(huì)產(chǎn)生超過車輛性能或人體不能承受的不合理速度和加速度值，所以需要對數(shù)據(jù)進(jìn)行平滑處理。本文使用對稱指數(shù)滑動(dòng)平均法［23］進(jìn)行軌跡數(shù)據(jù)平滑，通過一階差分和二階差分獲得車輛的速度與加速度。平滑處理后的數(shù)據(jù)如圖5所示。

圖5 數(shù)據(jù)平滑處理

2.2 參數(shù)標(biāo)定與訓(xùn)練

為了驗(yàn)證IVT-CF 模型對于不同前車車型的跟馳性能，將IVT-CF模型與不考慮前車車型的LSTM模型、IDM模型進(jìn)行仿真測試對比。

本文將小型車跟馳小型車與小型車跟馳大型車的跟馳樣本按照1∶1 的比例進(jìn)行混合，其中80%數(shù)據(jù)用于訓(xùn)練，20%數(shù)據(jù)用于測試和調(diào)整IVT-CF 模型參數(shù)。有學(xué)者［24］在基于深度學(xué)習(xí)的跟馳模型中發(fā)現(xiàn)，無論何種模型結(jié)構(gòu)，10 s 的歷史時(shí)間步長是最佳選擇，因此，本文選用10 s 的歷史數(shù)據(jù)輸入。利用早停算法在測試集損失函數(shù)連續(xù)10 次出現(xiàn)下降時(shí)，停止訓(xùn)練。

通過對IVT-CF 模型進(jìn)行測試與調(diào)整，參數(shù)設(shè)置見表2。IVT-CF 模型訓(xùn)練集與測試集的損失函數(shù)如圖6 所示，模型訓(xùn)練集和測試集的誤差基本一致且相近，模型學(xué)習(xí)到輸入樣本的規(guī)律，具有較強(qiáng)的泛化能力。圖7 為模型輸入的注意力權(quán)重分布值，樣本1 為小型車跟馳小型車的訓(xùn)練樣本，樣本2 為小型車跟馳大型車的訓(xùn)練樣本。模型能根據(jù)不同訓(xùn)練樣本對模型輸入分配不同的權(quán)重，車型組合編碼對模型輸出的影響雖然比間距和速度小，但差異并不大，且比較明顯，因此，在跟馳學(xué)習(xí)模型中考慮車型的影響是必要的。

表2 模型的參數(shù)設(shè)置

圖6 模型訓(xùn)練集與測試集的損失函數(shù)值

圖7 模型輸入注意力權(quán)重分布值

LSTM 模型輸入為車頭間距、相對速度與后車速度，輸出為后車加速度，訓(xùn)練方法、參數(shù)設(shè)置與IVT-CF模型相同。

IDM 模型能較好地反映駕駛員的駕駛特性［25］，本文使用遺傳算法［26］對IDM 模型進(jìn)行標(biāo)定，與IVT-CF 模型跟馳性能進(jìn)行對比，得到IDM 模型的參數(shù)設(shè)置見表2。

2.3 情景測試

2.3.1 單車跟馳仿真精度測試

為了驗(yàn)證IVT-CF 模型能否適用于不同車輛類型的前車，本文選擇小型車跟馳小型車與小型車跟馳大型車兩種不同車型組合跟馳數(shù)據(jù)進(jìn)行軌跡還原仿真試驗(yàn)。使用前τ時(shí)間步長的車頭間距、相對速度、后車速度、車型組合編碼，預(yù)測τ+ Δt的后車加速度，據(jù)此得到該步長的速度、位移，計(jì)算得到與前車的車頭間距、相對速度；剔除第1 個(gè)時(shí)間步的車頭間距、相對速度、后車速度、車型組合編碼，加入預(yù)測得到車頭間距、相對速度、后車速度與車型組合編碼，繼續(xù)預(yù)測下一個(gè)步長的后車加速度等；不斷迭代，可得到后車完整跟馳數(shù)據(jù)，軌跡還原仿真如式（14）～（18）所示。

均方誤差（MSE）為反映預(yù)測值與真實(shí)值之間差異程度的一種度量，MSE值越小，模型仿真精度越高，學(xué)習(xí)效果越好。MSE計(jì)算公式如式（19）所示。本文使用模型仿真得到的速度、位移和跟馳數(shù)據(jù)中后車真實(shí)速度和位移之間的MSE 評價(jià)IVT-CF模型、不考慮車型的LSTM 模型與IDM 模型的仿真結(jié)果。

式中：an(t+ Δt)為t+ Δt時(shí)刻后車預(yù)測加速度；vn-1(t)為t時(shí)刻前車的速度；vn(t)t為時(shí)刻后車的速度；xn-1(t)為t時(shí)刻前車沿車輛前進(jìn)方向的位移；xn(t)為t時(shí)刻后車沿車道前進(jìn)方向的位移；Δxn(t)為t時(shí)刻前后兩車的車頭間距；Δvn(t)為t時(shí)刻前、后兩車的相對速度；fIVT-Cf(·)為輸入輸出變量映射關(guān)系的函數(shù)；τ為歷史時(shí)間步長；Δt為IVT-CF 模型的更新時(shí)間步長，為0.1 s；N為訓(xùn)練集的樣本數(shù)量；xon(t)為后車在時(shí)間t的真實(shí)位移值。

仿真車輛是在I-80 數(shù)據(jù)集中隨機(jī)選擇的，小型車跟馳小型車的車輛編號為（222，234），小型車跟馳大型車的車輛編號為（1767，1785）。IVT-CF模型在不同車型組合仿真得到的車頭間距、速度、加速度統(tǒng)計(jì)結(jié)果見表3，在小型車跟馳大型車的場景中，該模型仿真得到的平均車頭間距遠(yuǎn)大于小型車跟馳小型車的場景，但仿真得到的平均速度僅比小型車跟馳小型車場景中仿真得到的平均速度高3.06%。在小型車跟馳大型車的場景中，該模型仿真得到的后車行為更加保守。

表3 IVT-CF模型仿真結(jié)果

圖8 與圖9 分別展示了小型車跟馳小型車與小型車跟馳大型車在不同模型下的加速度、車頭間距、速度與位移仿真結(jié)果，從圖中可以看出IVTCF 模型可以根據(jù)前車車型調(diào)整跟馳行為，與現(xiàn)實(shí)情況更相符，仿真得到的加速度、速度與位移結(jié)果更加貼近真實(shí)值。

圖8 小型車跟馳小型車仿真結(jié)果

圖9 小型車跟馳大型車仿真結(jié)果

表4 比較了測試集中小型車跟馳小型車與小型車跟馳大型車各10 條軌跡的仿真速度與軌跡的MSE值。與不考慮前車車型的LSTM 模型、IDM 模型相比，IVT-CF 模型仿真速度MSE 均值分別降低了23.8%，15.8%，仿真軌跡MSE 均值分別降低了31.7%，18.7%。IVT-CF 模型速度與軌跡的MSE 均值小于其他兩個(gè)模型，預(yù)測性能更好且更穩(wěn)定，與觀測車輛的運(yùn)動(dòng)速度和軌跡更接近，能根據(jù)前車車型更好地預(yù)測后車速度和軌跡。

表4 MSE統(tǒng)計(jì)結(jié)果

前車突然急停，IVT-CF 模型仿真結(jié)果如圖10所示，仿真車輛能調(diào)整自身的跟車狀態(tài)，及時(shí)停車，未與前車發(fā)生碰撞，該模型能用于前車急停的跟馳場景。

圖10 前車急停IVT-CF模型仿真結(jié)果

IVT-CF 模型能根據(jù)輸入車型組合編碼，區(qū)分小型車跟馳小型車與小型車跟馳大型車不同場景下的駕駛行為，獲得更好的預(yù)測效果。LSTM 模型與IDM 模型沒有考慮前車車型不同，后車跟車行為的差異性，使用全局性的方法擬合駕駛員的駕駛行為，雖然能適應(yīng)不同駕駛員的駕駛特征，但是預(yù)測精度較低。

2.3.2 多車跟馳穩(wěn)定性測試

本文采用多車直線仿真驗(yàn)證IVT-CF 模型的穩(wěn)定性，多車均勻分布在一條車道上。在給定首車行駛狀態(tài)的條件下，通過仿真產(chǎn)生后續(xù)車輛的跟車行駛軌跡。考慮到在跟馳過程中常見的加減速特性，設(shè)計(jì)首車的行駛狀態(tài)包含以下4個(gè)部分：

1）以5 m/s的速度勻速行駛150 s；

2）以0.5 m/s2的加速度加速行駛10 s；

3）以-0.5 m/s2的加速度減速行駛10 s；

4）以5 m/s的速度勻速行駛90 s。

仿真車隊(duì)規(guī)模為9輛，車輛之間的初始車頭間距為20 m，車輛的初始速度設(shè)為5 m/s，仿真時(shí)間步長為0.1 s。考慮大型車對于跟馳車隊(duì)的影響，在仿真車隊(duì)中插入2輛大型車，研究IVT-CF模型在大型車混入的跟馳車隊(duì)中的穩(wěn)定性。仿真車隊(duì)中小型車跟馳小型車、小型車跟馳大型車使用IVT-CF模型，大型車跟馳小型車使用IDM模型。小型車車隊(duì)與大型車混入的多車直線仿真速度與軌跡如圖11～12所示。

圖11 小型車多車直線仿真結(jié)果

由圖11a 和圖12a 可知，小型車車隊(duì)后車跟馳速度大于大型車混入車隊(duì)后車的跟馳速度，小型車跟馳車隊(duì)中首車與尾車的最大速度相差2.6 m/s，大型車混入車隊(duì)首車與尾車的最大速度相差3.5 m/s 。大型車混入跟馳車隊(duì)后，后車速度明顯降低，后車跟馳行為更加保守。

圖12 大型車混入多車直線仿真結(jié)果

由軌跡仿真圖11b 和圖12b 可知小型車車隊(duì)交通流恢復(fù)穩(wěn)定后的車隊(duì)長度為138.0 m，車輛間的平均車頭間距為17.2 m；大型車混入車隊(duì)交通流恢復(fù)穩(wěn)定后的車隊(duì)長度為145.0 m，車輛之間的平均車頭間距為18.0 m。大型車混入車隊(duì)長度要大于小型車的車隊(duì)長度，大型車混入后一定程度上降低了道路交通流效率。

小型車跟馳車隊(duì)中IVT-CF 模型仿真后車速度較快，車頭間距較小，當(dāng)前車突然減速，后車采取較大幅度的減速行為，避免發(fā)生碰撞。大型車混入跟馳車隊(duì)，當(dāng)大型車突然減速，因后車速度較低，減速行為更加平緩。IVT-CF 模型能模擬小型車跟馳車隊(duì)與大型車混入跟馳車隊(duì)后車的駕駛行為特征。

3 結(jié)論

首車發(fā)生擾動(dòng)，IVT-CF 模型向后續(xù)車輛傳播速度的振幅逐漸減弱，后車隨時(shí)間與車輛間速度的傳遞逐漸回歸平穩(wěn)狀態(tài)，消散交通流中的擾動(dòng)，使交通流狀態(tài)趨于穩(wěn)定。小型車跟馳車隊(duì)從發(fā)生擾動(dòng)到恢復(fù)穩(wěn)定的時(shí)間為65 s，大型車混入的跟馳車隊(duì)從發(fā)生擾動(dòng)到恢復(fù)穩(wěn)定的時(shí)間為92 s。該模型具有交通流穩(wěn)定性與抗干擾能力，能應(yīng)用于智能汽車輛跟馳行為的研究中。

針對前車車輛類型不同、跟馳行為的差異性，本文在LSTM 與Attention 模型中引入車型組合編碼輸入，建立了IVT-CF 模型。通過訓(xùn)練測試可知模型具備了根據(jù)前車車型選擇不同跟馳行為的能力。與不考慮車型特征的LSTM 模型和IDM 模型相比，跟馳過程的預(yù)測精度有了明顯提高，且能適應(yīng)前車突然停車的跟馳場景。多車直線仿真試驗(yàn)表明IVTCF 模型具有一定的穩(wěn)定性與抗干擾能力。IVT-CF模型對車型的辨識與應(yīng)變能力更接近原始數(shù)據(jù)中人類的駕駛決策行為，有助于提高跟馳模型行為的智能化水平，能夠?yàn)榻窈笾悄芷嚨母Y行為設(shè)計(jì)和應(yīng)用提供參考。