基于Stacking集成学习的冰雪天气混合跟驰行为预测框架

《PLOS One》：A hybrid car-following behavior prediction framework for snowy weather based on stacking ensemble learning

　　

摘要专业翻译 为提升冰雪高速公路环境下车辆跟驰行为预测的准确性与鲁棒性，本文提出一种基于Stacking集成学习的混合预测框架。该框架将理论驱动的改进型智能驾驶员模型（Intelligent Driver Model, IDM）与两种前沿数据驱动模型——预测增强型智能驾驶员模型（Prediction-enhanced Intelligent Driver Model, P-IDM）和Transformer-LSTM混合网络——集成于Stacking集成架构之中。首先，通过引入路面附着系数映射函数和速度感知误差系数，对经典IDM进行冰雪环境参数化改进，构建冰雪条件增强型IDM模型（Icy Condition Enhanced IDM, ICES-IDM）。其次，将基于自注意力机制的前车速度预测模块嵌入经典IDM框架，构建P-IDM模型，以增强对前车突发操纵的响应能力。第三，设计Transformer-LSTM双流网络（TL-Net），通过并行提取时序注意力特征与循环神经网络特征，实现跟驰加速度的联合预测。在Stacking框架中，ICES-IDM与P-IDM作为物理驱动基学习器，TL-Net作为数据驱动基学习器，XGBoost作为元学习器，构建混合加速度预测模型。模型采用挪威自然驾驶数据训练与验证——该数据集包含311,908条观测记录，将车辆测量数据与天气、路面及光照条件相关联，并辅以纳尔维克（Narvik）五个月的道路记录数据集。实验结果表明，所提模型在冰雪条件下加速度预测的均方根误差（Root Mean Square Error, RMSE）较独立ICES-IDM模型降低约28.1%，较TL-Net模型降低9.2%，较传统Stacking-IDM-LSTM框架降低4.2%。该模型在不同降雪强度下表现出优异的泛化能力，为冰雪环境下车辆跟驰安全预警系统提供了理论支撑。

论文解读

一、研究背景与问题提出

冰雪天气是影响高速公路交通安全最为显著的不利天气条件之一。路面积雪与结冰导致轮胎-路面附着系数大幅下降，车辆制动距离较干燥路面增加2至3倍，跟驰碰撞风险急剧上升。统计数据显示，冰雪路面的交通事故率是干燥路面的4至8倍，其中跟驰场景下的追尾碰撞占比超过40%。已有研究表明，驾驶员在冰雪环境下的车头时距较正常天气增加40%至60%，微观驾驶行为受到降水类型、降水强度、路面状态和光照条件的显著交互影响。

然而，冰雪环境下的跟驰行为呈现强非线性、高不确定性和显著个体异质性等复杂特征。一方面，路面附着系数随降雪强度动态变化，直接约束车辆动力学响应能力；另一方面，驾驶员在冰雪条件下的感知能力退化，产生跟驰决策中的"风险补偿"行为——主动降低车速、增大跟车距离。尽管如此，这种保守策略并非总能有效消除安全隐患。

现有跟驰行为预测方法主要分为三类：理论驱动模型、数据驱动模型和混合建模方法。理论驱动模型以经典IDM为代表，其参数具有明确的物理意义，但经典IDM假设良好路面附着条件和无偏的驾驶员感知，直接应用于冰雪环境存在显著不足。数据驱动模型虽能利用深度学习强大的拟合能力，但在极端冰雪条件下因训练数据稀疏而易产生预测偏差或过拟合。现有混合建模方法多采用线性加权、卡尔曼滤波或简单Stacking集成，尚未充分挖掘物理模型与数据驱动模型在冰雪场景下的协同潜力，对多个异构基学习器的非线性融合研究仍显不足。

针对上述问题，本文在Stacking集成框架内引入三种异构基学习器（ICES-IDM、P-IDM和TL-Net），并采用XGBoost元学习器实现非线性自适应融合，旨在提升冰雪环境下跟驰行为预测的准确性与鲁棒性。

二、研究内容与意义

研究人员提出了一种基于Stacking集成学习的混合跟驰行为预测框架。该框架融合了物理驱动与数据驱动两类模型的优势：物理模型提供可解释的先验约束，数据驱动模型提供非线性拟合能力，元学习器实现自适应非线性融合。实验结果表明，所提模型在冰雪条件下加速度预测的RMSE较独立ICES-IDM降低约28.1%，较TL-Net降低9.2%，较传统Stacking-IDM-LSTM框架降低4.2%，R2达到0.886。该模型在不同降雪强度下展现出最优的泛化稳定性，为冰雪环境下车辆跟驰安全预警系统提供了理论支撑。

三、关键技术方法

研究人员主要采用以下关键技术方法构建混合预测框架：

第一，ICES-IDM模型构建。 在经典IDM基础上，引入带饱和特性的指数映射函数将路面附着系数μ映射至最大加速度与舒适减速度参数，并定义速度感知误差系数ε表征冰雪环境下驾驶员的速度感知偏差，构建冰雪自适应IDM模型。

第二，P-IDM模型构建。 将基于自注意力机制的Transformer编码器嵌入IDM框架，利用前车历史3秒速度序列（6个时间步，采样频率2 Hz）预测未来1秒速度（2个时间步），将预测速度代入期望间距公式以增强对前车突发减速的预见性响应。

第三，TL-Net双流网络设计。 采用Transformer流（2层编码器、4头注意力、嵌入维度64）提取长程时序依赖特征，LSTM流（两层堆叠、隐藏维度64）捕捉瞬态非线性特征，双流特征拼接后经全连接层回归输出加速度预测。

第四，Stacking集成框架。 以ICES-IDM和P-IDM为物理驱动基学习器、TL-Net为数据驱动基学习器，XGBoost为元学习器，采用5折交叉验证生成元特征以防止信息泄漏，实现异构基学习器的非线性自适应融合。

数据来源。 模型采用挪威自然驾驶数据采集项目的数据进行训练与验证，共311,908条观测记录，关联车辆测量数据与天气、路面及光照条件，并辅以纳尔维克五个月的道路记录数据集。依据路面附着系数μ将数据划分为干燥（μ≈0.75）、湿滑（μ≈0.40）和积雪（μ≈0.18）三个等级，按驾驶员级别以8:1:1比例划分训练集、验证集和测试集。

四、研究结果

总体性能对比。 在挪威冰雪条件测试集上，ICES-IDM的RMSE为0.817 m/s2；加入前车速度预测模块后，P-IDM的RMSE降至0.299 m/s2，较ICES-IDM降低63.4%；TL-Net的RMSE为0.251 m/s2，较单层LSTM降低10.0%；Stacking-LSTM的RMSE为0.238 m/s2；所提Stacking-Integrated模型取得最低RMSE为0.228 m/s2，较TL-Net降低9.1%，较Stacking-LSTM降低4.3%，R2达0.886。散点密度图显示，Stacking-Integrated的预测值基本沿对角线分布，异常值显著减少。

不同降雪强度下的性能分析。 从干燥到积雪条件，ICES-IDM的RMSE增幅为104%，P-IDM为99%，LSTM为74%，TL-Net为64%，Stacking-LSTM为60%，而Stacking-Integrated仅为55%，展现出最优的泛化稳定性。在结冰路面（μ≈0.18）上，Stacking-Integrated的RMSE为0.266 m/s2，显著优于其他模型。值得注意的是，使用干燥参数IDM的Stacking-Cls在湿滑路面的RMSE为0.310 m/s2，高于Stacking-LSTM的0.281 m/s2，表明即使采用Stacking框架，基学习器未针对冰雪条件参数化时性能仍受显著制约。

基学习器贡献分析。 消融实验表明：去除TL-Net后，干燥和轻雪条件下的性能退化最为显著（相对增幅10%和11%），说明数据驱动模型在路况较好时贡献最大；去除ICES-IDM后，结冰路面性能退化最大（相对增幅13%），验证了物理模型"安全先验"在极端条件下的不可或缺性；去除P-IDM后性能退化相对均衡（约5%至6%），但在密集减速场景子集上贡献超过8%，表明P-IDM对紧急减速事件的预测增强具有特殊价值。

训练收敛与损失曲线分析。 TL-Net的训练损失约在第60轮趋于平稳，验证损失在第80轮开始小幅上升，早停于第84轮，最终验证损失约0.062（对应RMSE为0.249）。Stacking-Integrated的XGBoost元学习器在元特征上训练极快（通常小于1分钟），在基学习器收敛后，元学习器的非线性融合仍可带来9.1%的测试集RMSE降低。

误差分布与残差分析。 ICES-IDM的残差分布呈明显双峰形态，左尾较长，反映对强减速事件的系统性低估。TL-Net的残差近似正态分布但尾部偏厚，残差绝对值超过0.5 m/s2的样本约占7%。Stacking-Integrated的残差更集中于零附近，残差绝对值超过0.5 m/s2的样本降至3.2%，残差标准差为0.176，较TL-Net（0.207）降低15.0%，Q-Q图显示其残差最接近理论正态分位数。

P-IDM不确定性传播分析。 对Transformer预测添加标准差σ_p∈{0.2, 0.5, 1.0, 2.0} m/s的高斯噪声后，P-IDM基学习器的RMSE从0.299 m/s2分别增至0.312、0.338、0.391和0.487 m/s2，而Stacking-Integrated最终输出的RMSE仅从0.228增至0.231、0.238、0.251和0.279 m/s2，表明元学习器可通过自适应重加权部分补偿P-IDM的退化。在元学习器中引入不确定性感知门控机制后，大预测不确定性（σ_p=2.0 m/s）下的RMSE从0.279降至0.263 m/s2。

特征重要性分析。 XGBoost元学习器的特征重要性（基于分裂增益）显示：TL-Net预测占37%，ICES-IDM预测占28%，P-IDM预测占22%，基学习器预测合计占87%；原始跟驰特征中，跟车距离s占5%，相对速度Δv占3%，自车速度v占2%，路面附着系数μ占2%。分层分析显示，干燥条件下TL-Net主导（重要性46%），湿滑条件下ICES-IDM升至29%、P-IDM升至24%，积雪条件下ICES-IDM升至35%、P-IDM升至26%、TL-Net降至28%，μ的重要性从干燥条件的2%增至积雪条件的6%，呈现清晰的物理意义模式。

计算效率分析。 ICES-IDM作为解析模型推理速度最快（微秒级），TL-Net略慢于LSTM但仍在可接受范围内，Stacking-Integrated需依次运行三个基学习器再进行XGBoost推理，计算开销相应增加。

五、讨论与结论

讨论总结。 研究通过误差-分歧分解从理论上阐明集成模型优于单一模型的机制：集成误差等于基学习器平均误差减去平均分歧，因此基学习器应同时具备低误差（个体预测准确）和高分歧（预测差异大）的特性。本文选取的三种基学习器天然具备高分歧特征——ICES-IDM在稳态跟驰中表现准确但对突发操纵响应滞后，P-IDM对前车减速响应主动但感知误差较大时可能过度调整，TL-Net在数据充足时拟合精度高但在极端稀疏场景易过拟合——三者误差模式互补，满足大分歧条件。Stacking框架相比线性融合方法具有非线性组合能力、自适应样本加权、正则化防过拟合和可解释性等理论优势。此外，P-IDM预测不确定性在突发制动事件中最大，而这一场景恰是预测准确时收益最大的场景，研究通过不确定性感知门控机制缓解了这一固有权衡。

研究结论。 本文提出了一种基于Stacking集成学习的冰雪天气混合跟驰行为预测框架，将物理驱动的ICES-IDM和P-IDM与数据驱动的TL-Net作为异构基学习器，以XGBoost为元学习器实现非线性自适应融合。实验结果表明，所提模型在冰雪条件下加速度预测的RMSE较独立ICES-IDM降低约28.1%，较TL-Net降低9.2%，较传统Stacking-IDM-LSTM框架降低4.2%，且在不同降雪强度下展现出最优的泛化稳定性。该框架有效融合了物理模型的可解释先验约束与数据模型的非线性拟合能力，为冰雪环境下车辆跟驰安全预警系统提供了理论支撑。