考虑驾驶风格的交通仿真优化：基于高斯混合模型聚类与贝叶斯优化的期望速度标定方法

本研究针对微观交通仿真中因忽略驾驶风格差异而导致期望速度参数标定不准确的问题，提出了一种融合高斯混合模型（GMM）聚类与贝叶斯优化（BO）的标定框架（BOG）。通过ETC数据、门架数据和百米里程速度数据，识别激进、保守和温和三种驾驶风格，并利用BO算法自动优化仿真参数。实验表明，该方法在沪杭甬高速场景下将平均绝对百分比误差（MAPE）从默认参数的20.2%显著降低至3.1%，且鲁棒性测试中MAPE为5.01%，显著提升了仿真精度与实用性，为混合交通流仿真和智能网联汽车行为建模提供了重要支撑。

　　

在日益复杂的交通系统中，微观交通仿真模型已成为分析和评估交通系统运行不可或缺的工具。然而，仿真模型的准确性高度依赖于其内部参数的标定质量。尤其是在高速公路场景中，车辆期望速度（expected speed）作为表征车辆在无干扰条件下理想行驶速度的关键参数，其标定精度直接影响仿真结果的可靠性。遗憾的是，现有研究多集中于跟车时距、换道动机等微观行为参数，而忽略了不同驾驶风格对期望速度的异质性影响。更常见的是，工程实践中直接采用电子收费（ETC）数据中的平均行程速度或均匀随机分布作为期望速度，这种方法忽略了驾驶行为的多样性，导致仿真结果与实际情况存在显著偏差。

针对这一问题，发表在《Communications in Transportation Research》上的一项研究提出了一种创新的参数标定方法，结合驾驶风格聚类与贝叶斯优化技术，显著提升了高速公路微观交通仿真的准确性。该研究由东南大学交通学院的石云阳、吴彤等人合作完成，他们利用浙江省高速公路的真实数据，验证了所提方法的有效性和鲁棒性。

本研究主要采用了以下关键技术方法：首先，基于高速公路ETC数据、门架数据和AutoNavi提供的百米平均速度数据，提取车辆行程时间与速度特征；其次，利用高斯混合模型（Gaussian Mixture Model, GMM）对驾驶风格进行无监督聚类，识别出激进、温和和保守三种驾驶风格；接着，根据聚类结果重构车辆驾驶模型与代表性参数；最后，结合贝叶斯优化（Bayesian Optimization, BO）算法与微观交通仿真模型，实现期望速度的自动标定。实验数据来源于沪杭甬高速公路K188至K215路段的真实交通流数据，时间跨度为2023年9月。

驾驶风格识别基于GMM聚类

研究首先利用GMM算法对车辆行程速度进行聚类分析。GMM作为一种基于概率模型的软聚类方法，能够有效捕捉数据中的子群分布特征。该方法通过EM算法迭代优化高斯分布的均值、协方差矩阵和权重参数，最终将驾驶风格划分为三类。实验表明，小型车（如轿车、面包车）和大型车（如客车、拖车）在聚类结果上表现出明显差异。小型车中，激进型驾驶员的平均速度因子（SpeedFactor）为0.83，波动范围较大（0.79–0.97），而保守型驾驶员平均为0.62（0.56–0.69）。大型车的速度因子波动范围较小，但三类风格之间仍存在显著区分。

贝叶斯优化方法用于参数标定

针对仿真参数标定问题，研究将其建模为一个优化问题：目标是最小化仿真输出与实测数据之间的差异函数。由于仿真模型本身具有高度非线性和不可微性，研究采用贝叶斯优化作为求解框架。BO通过高斯过程回归（Gaussian Process Regression, GPR）构建目标函数的代理模型，并利用期望提升（Expected Improvement, EI）函数平衡探索与利用，逐步寻找最优参数组合。实验设置了30次迭代，结果显示，单纯使用BO算法时MAPE为7.2%，而结合GMM聚类结果的BOG方法将误差降低至3.1%。

仿真模型构建与验证

研究选用SUMO作为微观交通仿真平台，根据GMM聚类结果设置了六类车辆模型（小型车/大型车 × 三种驾驶风格），每类车辆的速度因子设置为截断正态分布（Normc）。通过与真实数据对比，默认参数下的仿真误差高达20.2%，而采用BOG方法标定后的误差显著降低。在时间泛化测试中（16:00–17:00时段），BOG方法的MAPE为5.1%，虽略高于校准时段（9:00–10:00）的3.1%，但仍远低于默认参数下的25%以上误差，证明了方法的鲁棒性和可移植性。

与SPSA方法的对比

研究还对比了BOG方法与同步扰动随机逼近（Simultaneous Perturbation Stochastic Approximation, SPSA）算法的性能。经过10次重复实验，BOG方法在30次迭代后误差稳定在4%–6%之间，而SPSA的误差波动范围较大（7%–14%），表明BOG在参数可靠性和收敛稳定性方面均优于传统方法。

本研究通过融合驾驶风格聚类与贝叶斯优化，提出了一种针对高速公路微观仿真期望速度参数的高精度标定方法。实验证明，该方法能够显著降低仿真误差，提升模型在真实交通场景中的表现。其重要意义在于：首先，为考虑驾驶行为异质性的仿真建模提供了可扩展框架；其次，该方法具有较强的泛化能力，可适用于不同时段和交通条件；最后，研究成果为智能网联汽车与混合交通流仿真提供了关键技术支持，有助于提升交通系统的安全性与效率。未来研究可进一步探索该方法在城市道路和多模态交通系统中的应用潜力。