考慮前車駕駛風格的改進自適應巡航控制跟馳模型及仿真

摘要： 為了提高自適應巡航控制跟馳模型的效率和安全性， 考慮不同駕駛員駕駛行為的差異性， 根據駕駛員以往的駕駛行為特性， 利用k均值聚類算法對駕駛風格進行判別和分類， 作為優化自適應巡航控制跟馳行為的依據； 提出智能網聯環境中自適應巡航控制跟馳優化方法， 基于對不同駕駛風格車輛的動力學分析， 引入駕駛風格修正系數、 安全冗余修正系數、 響應延遲時間， 針對不同前車駕駛風格， 建立改進的自適應巡航控制跟馳模型， 并對所建立的模型、 原自適應巡航控制跟馳模型及對比模型進行仿真分析。 結果表明， 相比原自適應巡航控制跟馳模型和對比模型， 所建立模型的加速度曲線和車頭間距曲線均更平緩， 可以有效提高跟馳效率， 同時具有更高的安全性。

關鍵詞： 交通工程； 跟馳模型； 模型仿真； 自適應巡航控制； 駕駛風格； k均值聚類算法

中圖分類號： U491

文獻標志碼： A

Abstract： To improve efficiency and safety of adaptive cruise control carfollowing models， considering differences in driving behaviors of different drivers and according to previous driving behavior characteristics of the drivers， driving styles was discriminated and classified by using kmeans clustering algorithm， which were used as a basis for optimizing the adaptive cruise control carfollowing behavior. Proposing an adaptive cruise control carfollowing optimization method under intelligent network connection environment， based on dynamic analysis of vehicles with different driving styles， and introducing driving style correction coefficient， safety redundancy correction coefficient as well as response delay time， an improved adaptive cruise control carfollowing model was established according to different driving styles of the leading car. The established model， the original adaptive cruise control carfollowing model， and the comparative model were simulated and analyzed.The results show that acceleration curves and space headway curves of the established model are gentler than those of the original adaptive cruise control carfollowing model and the comparative model. The efficiency of carfollowing is effectively improved and the safety is higher.

Keywords： traffic engineering; carfollowing model; model simulation; adaptive cruise control; driving style; kmeans clustering algorithm

基金項目： 國家自然科學基金項目（62003182）；山東省重點研發計劃項目（2019GGX101038）

第一作者簡介： 胡春燕（1997—），女，山東德州人。碩士研究生，研究方向為交通系統優化。Email： 15275708527@163.com。

通信作者簡介： 曲大義（1973—），男，山東即墨人。教授，博士，博士生導師，研究方向為交通流理論與交通控制。Email： dyqu@263.net。

網絡首發地址： https：//kns.cnki.net/kcms/detail//37.1378.N.20230224.1742.002.html

不同駕駛員在心理、性格、經驗等方面存在差異，在面臨各種道路交通以及車輛狀況時，會表現出不同的駕駛行為，整體上表現為不同的駕駛風格，而不同駕駛員在相同的場景中也會表現出不同的駕駛風格。

駕駛員在面對道路交通環境時的不同心理、 性格、習慣和意圖等是駕駛風格的直接表現， 也是研究駕駛風格最直接依據， 因此在駕駛風格概念剛提出的早期研究中， 部分學者從心理學的角度出發， 對駕駛風格進行探討。 在Elander等［1］于1993年提出駕駛風格的概念后， 出現了幾種對駕駛風格概念的界定。 Ishibashi等［2］認為駕駛風格是駕駛員在日常駕駛中的習慣， 而Chung等［3］認為駕駛風格是駕駛員面對復雜駕駛環境時的習慣。 孫龍等［4］綜述了基于心理學角度的駕駛風格研究現狀， 認為駕駛風格是駕駛員在日常生活中的駕駛方式， 并提出了在國內適用的多維度駕駛風格量表［5］。 由于駕駛員心理具有非常強的可隱藏性， 并且駕駛員對車輛的駕駛操作行為控制了車輛動力學狀態， 不同駕駛風格駕駛員控制的車輛在動力學特性上也會表現出相關的差異， 因此更多學者通過不同駕駛員操控的車輛表現出的動力學特性判斷駕駛員的駕駛風格。 Hirose等［6］將車頭時距、 加速時間點、 轉向盤轉角等數據作為駕駛風格的判定指標。 Drr等［7］根據采集的縱向加速度、 橫向加速度、 速度差、 車頭時距等， 利用模糊邏輯評判方法在線識別駕駛員的駕駛風格類型。Constantinescu等［8］基于車輛的實際行駛數據， 提取車輛超速比例、 平均車速、 加速度標準差、 正向加速度平均值及標準差等車輛運動狀態參數作為駕駛風格的評價指標。 王暢等［9］基于實車數據， 選用跟馳時距、 換道時距、 超速頻次等作為駕駛風格的評價指標。

隨著數學方法在工程實踐中的有效利用，以及相關計算機算法的發展，許多學者將機器學習、神經網絡算法應用于駕駛風格的研究，取得了諸多成果。鄧天民等［10］提出基于iForest算法和Biscting k均值聚類的客運駕駛員駕駛風格辨識方法，將駕駛員聚類為謹慎型、普通型和激進型3類。萬豫等［11］提出改進的基于密度的噪聲應用空間聚類（densitybased spatial clustering of applications with noise， DBSCAN）算法進行駕駛風格識別，通過對車輛行駛加速度進行聚類，完成駕駛風格的識別。李明俊等［12］建立了基于多分類半監督學習算法的駕駛風格分類模型，結果表明，相對于原始的基于有監督支持向量機（support vector machine，SVM）的模型，所建立模型的識別能力更優。趙韓等［13］通過分析車流密度與駕駛風格特征參數之間的耦合關系，對不同車流密度時的駕駛風格特征參數修正問題展開研究，與未考慮車流密度時的模型相比，識別效果更好。李立治等［14］對駕駛模擬數據進行主成分分析法降維，選擇3種聚類方式中效果較好的k均值聚類算法，得到3種主成分類型，建立基于神經網絡的駕駛風格識別模型。李經緯等［15］針對2種車型的駕駛風格影響指標，使用k均值聚類算法進行駕駛風格聚類分析，并驗證了k均值聚類分析算法對2種車型的識別都較準確。

隨著當前計算機計算性能的快速發展和駕駛風格判別算法的不斷改進，駕駛風格在線實時判別應用于工程實踐成為可能。已有學者將駕駛風格應用于交通流研究中的各類模型，并依據不同駕駛風格進行針對性優化。呂凱光等［16］利用駕駛平臺的模擬數據，聚類得到常用的3類駕駛風格，建立了個性化的主動剎車（autonomous emergency braking， AEB）控制模型。鄧澤健［17］考慮到不同駕駛風格的駕駛員對車輛操縱方式的差異性，建立了考慮駕駛風格的方向控制模型，以提高不同駕駛員對于車輛控制系統的適應性。張一恒［18］從NGSIM（next generation simulation）數據集中提取車輛換道軌跡和跟馳軌跡，并進行駕駛風格的聚類和分類，將分類結果運用于駕駛意圖的預測和換道決策模型。劉潔瑩［19］通過分析不同駕駛風格駕駛員的換道行為，建立個性化的換道輔助模型，提高了換道安全性。毛錦［20］通過模糊數學統計法進行駕駛風格分類，將分類結果應用于換道預警系統。Sun等［21］建立基于駕駛風格的個性化跟馳模型，經過與行為閾值模型、安全距離模型、智能駕駛員模型仿真對比，發現智能駕駛員模型模擬各種駕駛風格的效果最佳。

有關駕駛風格的聚類分析與識別研究呈現出多樣化的趨勢，但是目前關于駕駛風格在跟馳行為中的應用研究較少。為了進一步提高車輛行駛效率與安全性，以及人工駕駛車與自動駕駛車混合交通流的穩定性，本文中基于駕駛風格分類、識別及應用的已有研究，分析不同駕駛風格車輛的動力學特性，對現有的自適應巡航控制（adaptive cruise control， ACC）跟馳模型進行針對性改進，建立考慮前車駕駛風格的改進ACC跟馳模型（簡稱本文模型），利用MATLAB軟件建立計算機數值仿真代碼，對本文模型、原ACC跟馳模型及對比模型進行仿真分析。

1 駕駛風格分類

1.1 因子分析

本文中使用NGSIM數據集的I-80子集進行駕駛風格分析和跟馳模型仿真。數據采集于2005年4月13日16：00：00—16：15：00，隨機抽取連續500組數據。在提取駕駛風格特征時，根據數據類型和具體應用場景進行針對性分析。研究旨在依據駕駛風格類型提高ACC跟馳模型中后車的效率和穩定性，因此主要考慮車輛的速度、加速度等特征指標，最終選取的6個特征指標為速度均值、速度標準差、最小速度、最大速度、加速度均值、加速度標準差。

多元化的特征指標更容易區分和體現不同駕駛風格的動力學特性，但是高維指標輸入使模型識別復雜化，識別效果可能不夠精準，因此使用主成分分析法（principal components analysis，PCA）對選取的特征指標進行降維，得到主成分與變量之間的相關性。

1.1.1 可行性驗證

在使用主成分分析前，利用巴特利球形檢驗和KMO（Kaiser-Meyer-Olkin）檢驗進行可行性驗證。利用巴特利特球形檢驗可以判定相關矩陣是否為單位矩陣，而單位矩陣不能進行因子分析。利用KMO檢驗，通過考察變量間的偏相關性，可以得到各變量

之間的關聯性。經檢驗， 巴特利特球形檢驗顯著性水平為0，各變量相關性較強；KMO值為0.628（KMO度量標準中表示不太適合因子分析的數值為0.6），各變量有較強的偏相關性，因此具備得到結果較好的因子分析模型的可能性。

1.1.2 主成分分析

由于選取特征指標的量綱不同，因此首先進行特征指標的標準化，然后利用統計產品與服務解決方案（SPSS）軟件進行主成分分析，得到總方差解釋，即降維后每個主成分可解釋的變量信息，如表1所示，其中貢獻度為可解釋變量個數占總變量個數的分數。從表中可以看出，主成分1、 2、 3的貢獻度超過90%，因此選取這3個主成分作為輸入特征指標。

通過因子旋轉，得到成分矩陣，如表2所示。由表可知，影響主成分1、 2、 3的主要因素依次為速度標準差、 加速度均值、 加速度標準差。

1.2 基于k均值算法的駕駛風格分類

車輛行進時存在側前方車輛換道進入本車所在車道、車輛自主換道等打斷當前跟馳關系的行為，因此需要對選取的指標進行二次篩選。最終選擇285組跟馳時間均大于30 s的持續時間足夠長、有明顯跟馳關系的典型車輛數據進行駕駛風格分類。

k均值聚類算法在駕駛風格識別和樣本標記領域中應用很廣泛。文獻［14］中通過對比3種聚類方式發現，k均值聚類效果比其他聚類算法效果更好，因此本文中選取k均值聚類算法進行駕駛風格的分類及標記。k均值聚類算法是一種迭代求解的聚類分析算法，算法原理和主要步驟如下：先根據數據的距離將數據集劃分為k個簇，然后通過多次聚類迭代，使簇內點距離最小且簇間距離最大，最終將數據分為 k類。該算法具有原理簡單、收斂快的特點，尤其在大型數據集的聚類分析中有廣泛應用［22］。應用該算法的主要難點之一是如何確定合理的k值，本文中已將駕駛風格分為3類，因此取k=3。

利用SPSS軟件將主成分降維后的數據進行k均值聚類，得到激進型、保守型和平穩型3種駕駛風格類型如圖1所示。

對不同駕駛風格的動力學特征進行數理統計分析，結果如表3所示。從表中可以看出，激進型的各項指標略大于保守型、平穩型的，除速度平均值外，保守型的其他特征指標均比保守型、平穩型的略小。

相較于平穩型，激進型、保守型駕駛風格的駕駛員駕駛行為具有以下主要差異： 1）激進型駕駛風格的車輛不僅有較大的平均速度，而且加、減速度標準差相對更大，說明該類型駕駛風格的車輛加、減速度的烈度也更大，并且速度標準差更大，說明該類型駕駛風格的車輛加、減速更頻繁，因此與后車發生追尾事故的風險更高。 2）保守型駕駛風格的車輛加速度波動區間較小，加、減速頻率更低。

2 模型建立

ACC是自動駕駛車輛縱向控制的關鍵技術之一。具備ACC的自動駕駛車輛通過傳感技術檢測前車的速度、位置等信息，再依據本車當前的運行狀態，輸出下一時刻的加速度，與前車建立跟馳關系。

考慮前車駕駛風格的ACC跟馳行為建模即考慮到不同駕駛風格的前車駕駛員駕駛行為的差異性，針對性地優化后車的ACC跟馳模型，從而提高人工駕駛車與自動駕駛車混合交通流的穩定性，降低車輛行駛的能耗、安全風險等。

2.1 原ACC跟馳模型

以加州大學伯克利分校先進交通和高速公路伙伴（Partners for Advanced Transit and Highways， PATH）實驗室驗證的ACC跟馳模型［23］（簡稱原模型）為基礎，進行考慮前車駕駛風格的ACC跟馳行為建模。原模型具有結構簡單、 易于控制的優點， 在對ACC

跟馳行為的研究中應用較廣泛，得到普遍認可。原模型［23］為

2.2 基于前車駕駛風格的ACC跟馳優化邏輯

目前，智能交通系統呈現網聯化的發展趨勢［24］，這為網聯自動駕駛車輛（connected automated vehicle，CAV）依據不同前車的駕駛風格實現定制化的跟馳行為決策優化提供了條件。

根據當前智能交通系統中傳感、 計算、 通信等關鍵技術發展、 應用現狀與展望［25］， 充分利用CAV、 車路協同系統路側單元（road side unit，RSU）的相關功能， 提出智能網聯道路交通環境中基于前車駕駛風格的ACC跟馳決策優化的邏輯框架， 如圖2所示。

在智能網聯環境中，基于前車駕駛風格的ACC跟馳優化邏輯框架，CAV作為跟馳后車能夠獲取前車駕駛風格信息的過程如下：首先由RSU與其他CAV采集傳統車輛的運動信息，經通信網絡上傳至服務器，然后使用k均值聚類算法進行判定，并將該車或該駕駛員的駕駛風格信息存儲到駕駛風格數據庫；當有CAV與傳統車輛產生跟馳行為時，通過通信網絡向數據庫請求下載前車駕駛風格信息。

為了確保服務器數據庫中駕駛風格信息的時效性，本次CAV跟馳過程中采集的前車運動數據也會上傳至服務器， 更新數據庫中該前車的駕駛風格信息。

2.3 模型修正系數

2.3.1 駕駛風格修正系數

依據前車的不同駕駛風格，后車應適當改變車頭間距，從而提高跟馳效率和安全性，因此引入駕駛風格修正系數，對考慮前車不同駕駛風格的后車進行車頭間距的調整。

在影響不同駕駛風格的指標中，影響較大的主要有減速度平均值、速度標準差、速度平均值和加速度標準差，忽略差異較大的速度平均值的影響，最終確定駕駛風格量化指標為減速度平均值、速度標準差和加速度標準差。

車頭間距是反映跟馳關系的較直觀的特征指標。針對激進型、保守型駕駛風格與一般型駕駛風格的駕駛員表現出的不同駕駛行為特性，考慮不同駕駛風格之間動力學特性的差異性，本文中引入駕駛風格修正系數指標對原模型的車頭間距進行修正，即

2.3.2 考慮激進型駕駛風格的響應延遲設置

在前車駕駛風格為激進型時，對原模型行跟馳仿真，原模型后車加速度隨時間的變化如圖3所示。從圖中可以看出，跟隨前車駕駛風格為激進型的車輛時，后車的加速度更易出現小幅、快速加速度波動問題，而頻繁地加、減速在一定程度上增加后車的能耗、影響車輛壽命和乘員的舒適度。產生上述問題的原因是后車對車輛間距、前車速度變化過于敏感，因此本文中通過在保證安全的前提下適度增加后車加速度響應延遲的方式，消除或減弱后車的此類加速度波動。

設置延遲條件如下：當實時車頭間距大于20 m時，跟馳間距每增加0.1 m，后車加速度響應時間延遲增加1 ms，而當車頭間距超過自由流速度條件下原模型穩態車頭間距的2倍時，可認為已不具備明顯的跟馳關系，即

2.3.3 跟馳距離安全冗余修正系數

根據運動學分析和對行駛安全的考慮，車輛與前車保持跟馳關系時，為了確保前車遇到意外時能降低發生追尾事故的風險，跟馳時會留有一定冗余距離，即跟馳的安全冗余距離。隨著車輛速度的增大，跟馳間距增大，安全冗余距離也會增大，但是對于保守型駕駛風格的駕駛員，一方面他們對本車前方道路交通環境的判斷更保守、敏感，另一方面，他們駕駛車輛的速度變化也更緩慢、平穩，因此在后車跟隨保守型駕駛風格車輛行駛且跟馳距離較大時，可以在保證安全的前提下對安全冗余距離進行縮減，以提高后車的行駛效率。由此引入跟馳距離安全冗余修正系數γ。當跟馳距離足夠大時，減小期望車間時距ta，以適當減小與保守型駕駛風格前車的跟馳的安全冗余距離。構建以車頭間距為自變量的線性函數作為修正系數γ，即

3 模型仿真

利用MATLAB軟件對本文模型進行仿真，對比后車的跟馳行為。經過相關計算與測試，本文模型參數取值如表4所示。

仿真試驗從駕駛員駕駛風格為激進型和保守型的車輛中各選擇4組具有代表性的車輛跟馳數據。為了更直觀地評價本文模型的優化效果，選擇文獻［26］中改進原模型所得的ACC跟馳模型作為對比模型，參與本文模型的數值仿真，最終各選擇1組仿真結果進行對比。

當前車駕駛風格為激進型時，對原模型、對比模型、本文模型進行仿真，得到后車車頭間距、加速度隨時間的變化，如圖4所示，后車加速度、速度和車頭間距的標準差如表5所示。

原模型—加州大學伯克利分校先進交通和高速公路伙伴（PATH）實驗室驗證的自適應巡航控制（ACC）跟馳模型［23］； 對比模型—文獻［26］中改進原模型所得的ACC跟馳模型；本文模型—本文中建立的考慮前車駕駛風格的改進ACC跟馳模型。

從圖4、 表5中可以看出： 當前車駕駛風格為激進型時， 與原模型相比， 本文模型加速度的標準差和平均值分別減小0.029 6、0.006 9， 因此乘員的舒適度與車輛能耗得到了一定程度改善。 當跟馳距離較大時， 由于本文模型人為增加了對前車速度變化響應的延遲， 因此相較于原模型和對比模型， 本文模型加速度隨前車小幅連續波動的情況明顯改善。

相比于普通型駕駛風格車輛， 前車駕駛風格為激進型的車輛響應更快，加速度變化更劇烈， 存在跟馳的安全冗余距離較小的隱患， 追尾事故風險較高。 從圖4（a）中可以發現，前車駕駛風格為激進型時，本文模型的車頭間距有不同程度的增大，平均增大了6.39%，最大增幅可達10.49%。

總體而言，對比模型的通行能力明顯提高，但是對于前車駕駛風格為激進型的車輛，一味地縮短跟馳距離容易造成一定的安全風險；本文模型具有更高的安全性，并且速度和加速度變化較小，跟隨車輛的舒適性更高。

當前車駕駛風格為保守型時，不同模型后車車頭間距隨時間的變化如圖5所示，后車加速度、速度和車頭間距的標準差如表6所示。

從圖5、 表6中可以看出： 相較于原模型， 本文模型和對比模型車頭間距變化趨勢更平緩。 本文模型車頭間距、加速度標準差分別減小11.81%、 3.94%，對比模型車頭間距、加速度標準差分別減小1.57%、 5.02%。當本文模型車頭間距較大時，有效縮減了部分跟馳安全冗余距離，進一步提升了車輛行駛效率。對比模型的最小跟馳距離和最大跟馳距離略大，容易導致一定安全風險，而改進模型的跟馳距離最大縮減9.69%，因此本文模型在保證安全的前提下，進一步提升了車輛的行駛效率。

4 結論

本文中在原模型的基礎上，提出基于前車駕駛風格的改進ACC跟馳模型，并進行了仿真，得到以下主要結論：

1）針對駕駛員駕駛風格為激進型的前車，引入駕駛風格修正系數和響應延遲時間，對原模型進行改進，本文模型的仿真加速度和車頭間距變化更平緩，行駛安全性、乘員舒適度、車輛能耗有明顯改善。

2）針對駕駛員駕駛風格為保守型的前車，引入駕駛風格修正系數和安全冗余修正系數對原模型進行改進，本文模型中后車的行車效率有一定提高。

3）本文模型充分考慮了前車駕駛員不同駕駛風格的動力學差異， 使后車CAV能夠產生定制化跟馳行為， 為智能網聯環境中交通流控制優化、 車輛自動巡航控制功能設計提供了新的理論依據和研究思路。

道路交通系統是人-車-路多因素交互耦合的復雜系統，涉及影響因素較多，本文中只針對單一車輛的跟馳進行了建模分析。在后續研究中，將引入更多影響因素，對CAV跟馳行為解析和優化改進方法進行更深入的研究。

參考文獻：

［1］ ELANDERJ，WESTR，FRENCHD.Behavioral correlates of individual differences in roadtraffic crash risk： an examination of methods and findings［J］. Psychological Bulletin， 1993， 113（2）： 279.

［2］ ISHIBASHI M， OKUWA M， DOI S， et al. Indices for characterizingdriving style and their relevance to car following behavior［C］//SICE Annual Conference 2007， September 17-20， 2007， Takamatsu， Japan. New York， IEEE， 2007： 1132.

［3］ CHUNG Y S， WONG J T. Investigating driving styles and their connections to speeding and accident experience［J］. Journal of the Eastern Asia Society for Transportation Studies， 2010， 8： 1944.

［4］ 孫龍， 常若松. 駕駛風格研究現狀與展望［J］.人類工效學， 2013， 19（4）： 92.

［5］ 孫龍， 楊程程， 常若松. 多維度駕駛風格量表的修訂及初步應用［J］. 人類工效學， 2014， 20（2）： 6.

［6］ HIROSE T， OGUCHI Y， SAWADA T. Framework of tailormade drivingsupportsystemsandneuralnetworkdriver model［J］. IATSS Research， 2004， 28（1）： 108.

［7］ DRR D， GRABENGIESSER D， GAUTER F. Online driving style recognition using fuzzy Logic［C］//The 17th International Conference on Intelligent Transportation Systems， October 8-11， 2014， Qingdao， China. New York： IEEE， 2014： 1021.

［8］ CONSTANTINESCU Z， MARINOIU C， VLADOIU M. Driving style analysis using data mining techniques［J］. International Journal of Computers Communications amp; Control， 2010， 5（5）： 654.

［9］ 王暢， 付銳， 彭金栓， 等. 應用于換道預警的駕駛風格分類方法［J］. 交通運輸系統工程" 與信息， 2014， 14（3）： 187.

［10］ 鄧天民， 朱杰， 朱凱家， 等. 基于iForest+Biscting Kmeans的駕駛風格辨識方法研究［J］. 重慶交通大學學報（自然科學版）， 2021， 40（6）： 1.

［11］ 萬豫， 黃妙華， 王思楚. 基于改進DBSCAN算法的駕駛風格識別方法研究［J］. 合肥工業大學學報（自然科學版）， 2020， 43（10）： 1313.

［12］ 李明俊， 張正豪， 宋曉琳， 等. 基于一種多分類半監督學習算法的駕駛風格分類模型［J］. 湖南大學學報（自然科學版）， 2020， 47（4）： 10.

［13］ 趙韓， 劉浩， 邱明明， 等. 考慮車流密度影響的駕駛風格識別方法研究［J］. 汽車工程， 2020， 42（12）： 1718.

［14］ 李立治， 楊建軍， 劉雙喜， 等. 國內人群的駕駛風格分類及識別方法研究［J］. 重慶理工大學學報（自然科學）， 2019， 33（11）： 33.

［15］ 李經緯， 趙治國， 沈沛鴻， 等. 駕駛風格Kmeans聚類與識別方法研究［J］. 汽車技術， 2018（12）： 8.

［16］ 呂凱光， 李旋， 韓天園， 等. 基于駕駛風格識別的AEB控制策略［J］. 汽車技術， 2021（5）： 16.

［17］ 鄧澤健. 考慮駕駛風格的駕駛員轉向模型研究［D］. 武漢： 武漢理工大學， 2018.

［18］ 張一恒. 基于駕駛風格辨識和運動預測的換道風險評估及決策方法［D］. 西安： 西安理工大學， 2020.

［19］ 劉潔瑩. 不同駕駛風格下駕駛人換道軌跡分析及輔助換道系統設計［D］. 長沙： 長沙理工大學， 2017.

［20］ 毛錦. 考慮駕駛風格的換道預警方法［D］. 西安： 長安大學， 2012.

［21］ SUN P， WANG X， ZHU M. Modeling carfollowing behavior on freeways considering driving style［J］. Journal of Transportation Engineering： Part A： Systems， 2021， 147（12）： 04021083.

［22］ 王千， 王成， 馮振元， 等. Kmeans聚類算法研究綜述［J］. 電子設計工程， 2012， 20（7）： 21.

［23］ MILANSV，SHLADOVERSE.Modelingcooperative and autonomousadaptivecruisecontroldynamicresponses using experimentaldata［J］. Transportation Research： Part C： Emerging Technologies， 2014， 48： 295.

［24］ 趙娜， 袁家斌， 徐晗. 智能交通系統綜述［J］.計算機科學， 2014， 41（11）： 7.

［25］ 陳艷艷， 李同飛， 何佳， 等. 新技術時代城市交通管理與服務研究發展展望［J］. 北京工業大學學報， 2020， 46（6）： 621.

［26］ 秦嚴嚴， 王昊， 何兆益， 等. ACC車輛跟馳建模及模型特性分析［J］. 重慶交通大學學報（自然科學版）， 2020， 39（11）： 33.

（責任編輯：王 耘）