A recurrent neural network based microscopic car following model to predict traffic oscillation

这又是一篇老文章，发表在《transportation research part c》上。同样是用基于微观交通流模型的深度学习方法去预测交通震荡。同我之前一段关注的基于物理交通流模型的深度学习不同的是，这些只是运用了跟车模型的数据，先训练后预测，取代了一个较好的结果。而最近流行的PINN则是应用这些物理模型的某些条件当做深度学习的目标函数来训练模型参数，不仅有一个更准确的结果，同时具有可解释性。

摘要

本文提出了一个基于递归神经网络的微观汽车跟踪模型，能够准确捕捉和预测交通振荡。神经网络模型在许多领域获得了越来越多的青睐，由于其无参数和数据驱动的特性，已被应用于微观交通流动力学建模。我们研究了现有的基于神经网络的微观汽车跟踪模型，发现它们在预测正常交通运行条件下的交通流动态时通常是准确的。然而，在交通震荡的条件下，它们并不能保持准确性。为了弥补这一研究空白，我们首先提出了四个基于神经网络的模型，并评估了它们在预测交通震荡方面的适用性。结果发现，有了适当的结构和目标函数，基于递归神经网络的模型有能力完美地重建交通震荡和区分司机的特征。我们进一步将提议的模型与经典的汽车跟踪模型（智能驾驶模型）进行比较。根据我们的案例研究，所提出的模型在预测具有不同司机特征的交通震荡方面优于经典的汽车跟踪模型。

首先文章使用最简单的神经网络，配合不同数量的输入以及不同的隐藏层神经元，来预测加速度以及速度，可是用得到的加速度和速度积分得到的轨迹与实际轨迹并不相符；所以作者用几何证明了输入以及输出毫无关系，改变了输入和输出，得到的轨迹好于之前的神经网络。

其次，作者为了不仅可以预测车辆状态以及更准确的预测轨迹，提出了RNN模型，通过与传统的交通流模型作对比，RNN模型不仅对轨迹的预测更为精准，同时可以区分司机的驾驶风格，尤其对攻击性的司机预测超过了传统交通流模型。

最后，结果表明，鉴于第一辆车的轨迹和后续车辆的初始/边界条件，RNNa在预测一组后续车辆的轨迹方面具有更强的性能，而在预测紧随其后的车辆的轨迹方面，它与IDM模型具有相当的性能。考虑到在IDM模型中所有车辆都使用相同的校准参数，基于NN的模型在识别和区分不同车辆方面具有优势。