# 融合局部交互学习与时间记忆的异质跟车预测：一种统计力学驱动的框架

《Physica A: Statistical Mechanics and its Applications》：Heterogeneous car-following prediction with local interaction learning and temporal memory: A statistical-mechanics-informed framework

　　

摘要
异质驾驶行为在微观交通流中引入了非线性相互作用和多尺度时间波动，使得准确的跟驰预测极具挑战性。现有模型通常依赖同质假设或固定的特征交互机制，因此难以表征激进、正常和保守驾驶行为之间的动态差异。为了解决这一问题，本研究提出了一种用于异质跟驰预测的 LRSA-TDFF-xLSTM 框架。从统计力学视角来看，异质车辆 - 驾驶员单元被视为相互作用的微观主体，其轨迹表现出行为依赖的局部波动和历史依赖的响应。这一视角启发了数据驱动框架的组织方式，但并非其数学推导结果。局部区域自注意力（LRSA）表征局部时间相互作用和短期运动变化，xLSTM 建模更长时间范围的时序依赖和记忆，而时间动态特征融合（TDFF）则在变化的驾驶状态下自适应地组合分层时间表示。实验使用了 HighD 和 NGSIM 轨迹数据集，分别包含 6034 和 4046 个跟驰片段。使用 MAE、MSE、RMSE 和 R2 评估了所提出的模型。结果表明，LRSA-TDFF-xLSTM 持续优于对比的循环网络和基于 xLSTM 的模型。在行为特异性评估中，该方法将 MAE 降低了高达 35.08%，MSE 降低了 70.61%，RMSE 降低了 38.96%，同时将 R2 提高了 5.10%。这些发现表明，联合表征局部时间相互作用、长程记忆和状态依赖的特征贡献有助于改善异质跟驰条件下的预测。因此，统计力学联系被用作一种解释和设计引导视角，针对微观异质性和时间波动，而非正式推导的物理模型。

引言
随着城市交通需求的快速增长和智能交通系统的持续发展，交通流逐渐演变为一个高度复杂的动力系统，其特征为强非线性、随机波动以及车辆间的异质相互作用 [1], [2], [3], [4], [5]。在微观交通流中，跟驰行为是控制交通演化的最基本机制之一。车辆相互作用的稳定性直接影响交通效率、拥堵传播和道路安全。然而，现实世界的驾驶行为远非同质。具有不同风险感知、反应敏感性和操作习惯的驾驶员，往往在相同的交通环境下表现出显著不同的反应。这种行为异质性为交通系统引入了额外的不确定性，并成为交通振荡、走走停停波和追尾碰撞风险的重要来源 [6], [7], [8], [9]。

传统跟驰理论为理解微观交通动力学奠定了重要基础。Pipes 模型、最优速度模型和智能驾驶员模型等代表性模型通过预定义的数学方程和行为假设来描述车辆相互作用 [10], [11], [12], [13], [14]。这些方法提供了清晰的物理可解释性，并对交通流稳定性和平衡状态的理论分析做出了重大贡献。然而，大多数经典模型依赖同质假设和简化的交互机制，难以准确刻画复杂交通条件下异质驾驶行为的非线性时间演化。在普通的自然驾驶环境中，由于风险感知、反应敏感性和间距偏好的差异，驾驶员也可能表现出激进、正常和保守的反应模式。这些行为差异可能导致局部扰动放大、动态状态转换和时间记忆效应，而固定参数模型无法完全表征这些效应 [15], [16]。

数据驱动方法的近期进展为微观交通建模开辟了新的可能性。深度神经网络在从高维轨迹数据中提取非线性时间特征方面展现了强大的能力。LSTM 和 GRU 等循环神经网络架构因其在时间序列学习方面的优势，被广泛应用于轨迹预测和跟驰建模 [17], [18], [19]。最近，xLSTM 通过扩展记忆结构并增强长程依赖建模，进一步提高了时间表征能力 [20], [21], [22], [23], [24]。这些发展为描述异质交通环境中的复杂驾驶行为提供了有效工具。

实证和基于模型的研究提供了大量证据，表明跟驰行为不仅在驾驶员之间存在异质性，在同一驾驶员随时间变化上也存在异质性。Ossen 和 Hoogendoorn 证明，驾驶员不仅在跟驰时考虑的刺激（如相对速度和间距）上存在差异，而且在响应敏感性和首选车头间距上也存在差异 [25]。Taylor 等人进一步表明，描述单个驾驶员跟驰行为的参数可能会沿轨迹变化，显示出显著的驾驶员内异质性 [26]。为了区分持久的驾驶偏好和暂时的行为变化，Chen 等人将长期驾驶特征分为三种风格，并确定了由外部刺激触发的额外短期变化 [27]。更近期的混合和随机方法通过时变模型参数、驾驶风格条件生成和机制依赖行为来表征这种异质性。Zhang 等人结合时变智能驾驶员模型和神经过程，生成了基于不同驾驶风格的跟驰行为 [28]，而 Wu 等人则将驾驶风格分类、驾驶机制分割和分层贝叶斯校准集成到多机制随机框架中 [29]。这些研究证实，激进、正常或中性、保守或胆怯行为对应于响应敏感性、间距偏好和时间适应方面的可测量差异，而不仅仅是描述性的驾驶员标签。

尽管有这些进展，但在统一的预测框架中准确表征异质驾驶行为仍然充满挑战 [30], [31]。固定参数跟驰模型可以描述可解释的行为差异，但单一参数集无法充分表征单个驾驶员随时间变化的响应转换。随机参数和多机制模型提高了行为灵活性，但它们通常依赖显式参数校准、驾驶风格分类或独立的机制识别。驾驶风格条件和其他数据驱动模型可以学习复杂的非线性关系，但当时间相互作用被全局建模时，对突然制动、快速加速和短期间距变化的局部响应可能会减弱 [32], [33]。此外，激进、正常和保守的驾驶员可能依赖于不同时间尺度的信息，而固定的特征融合机制在变化的驾驶状态下会赋予时间特征相似的重要性。这些局限性表明，需要一个统一的框架，结合局部相互作用学习、长程时间记忆和状态自适应多尺度特征校准。

从统计力学视角来看，异质交通流可以被视为由相互作用的车辆 - 驾驶员主体组成的非平衡系统 [4], [5]。在微观层面，间距偏好、响应敏感性和加速度调整的差异产生了行为依赖的时间波动和历史依赖的轨迹。这一观点提供了一种物理上有意义的方式，围绕局部相互作用、时间记忆和状态依赖的多尺度表示来组织预测问题。这里将其用作解释和设计引导视角，而非神经架构的正式推导。相应地，本研究提出了一种 LRSA-TDFF-xLSTM 框架，其主要目标是异质跟驰预测。

在所提出的框架中，LRSA 将轨迹序列划分为重叠的局部时间区域，并学习附近时间状态的相对重要性，使模型能够表征瞬态运动变化和短期依赖。TDFF 根据当前表示状态动态校准分层时间特征的贡献，而 xLSTM 建模更长时间范围的记忆和历史依赖。学习到的注意力和融合权重被视为数据驱动的表示系数，而非物理力或热力学量。通过结合这些互补机制，该框架旨在改善异质跟驰预测，同时保留对建模时间动力学的物理动机解释。

相应地，本研究的目的是开发一种异质跟驰建模框架，该框架能够明确考虑局部时间相互作用、长程记忆依赖以及不同驾驶风格下的自适应特征重要性。在轨迹数据集上对所提出的框架进行评估，以检验这些机制是否改善了微观跟驰动力学的预测和解释。详细的实验结果和驾驶风格分析将在后续章节中呈现。

本研究的主要贡献总结如下：
1. 引入了一种局部相互作用学习机制，用于表征异质跟驰过程中的短期运动变化和局部时间依赖。
2. 开发了一种时间动态特征融合策略，以在变化的交通状态下自适应校准多尺度驾驶特征。
3. 开发了一种受统计力学启发的解释，将微观车辆 - 驾驶员异质性、局部时间波动和历史依赖响应与 LRSA、xLSTM 和 TDFF 的互补作用联系起来，同时明确区分了数据驱动架构与正式推导的统计力学模型。
4. 纳入了一种驾驶风格感知的分析程序，以量化异质跟驰行为，并将学习到的预测性能与激进、正常和保守驾驶机制联系起来。

章节片段
方法论
在异质交通环境中，跟驰行为并非由单一均匀的交互规则控制。具有不同行为倾向的驾驶员通常对周围交通条件表现出不同的反应。激进驾驶员通常对短期速度波动更敏感，而保守驾驶员则倾向于保持更稳定的间距和更平滑的加速度模式。因此，微观交通流呈现出复杂的非线性特征。

实验数据
实验利用了开源的 HighD 和下一代仿真（NGSIM）数据集。本节首先概述了数据集，随后详细描述了数据预处理过程。

异质驾驶行为分析
第 3 节评估了所提出的框架在 HighD 和 NGSIM 数据集完整跟驰样本上的整体预测能力。在此基础上，第 4 节进一步分析了学习到的预测能力在不同驾驶风格机制下是否保持可靠。因此，异质驾驶行为分析不是一个独立的任务，而是通用预测实验的扩展，旨在将模型性能与可解释的差异联系起来。

结论
本研究从非线性微观交通动力学的视角研究了异质跟驰预测，并提出了一种 LRSA-TDFF-xLSTM 框架。主要贡献是一种数据驱动架构，结合了局部时间相互作用学习、长程记忆建模和自适应多尺度特征集成。统计力学被用作对微观异质性、时间波动和历史依赖的知情解释视角。

CRediT 作者贡献声明
Sheng-xia Wang：写作 – 审阅与编辑，写作 – 原稿，数据整理，概念构思。Yong-sheng Qian：资金获取。Jun-wei Zeng：方法论。Xu Wei：软件。Fu-tao Zhang：可视化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能影响本文报告的工作。

致谢
本工作得到了国家自然科学基金（项目编号：72361017，项目编号：52362047，项目编号：71861024）、甘肃省重大研究计划（项目编号：21YF5GA052）、2021 年甘肃省高等教育产业支持计划（项目编号：2021CYZC-60）和甘肃省自然科学基金（项目编号：18JR3RA119）的支持。

Sheng-xia Wang|Yong-sheng Qian|Jun-wei Zeng|Xu Wei|Fu-tao Zhang
兰州交通大学交通与运输工程学院，兰州，730070，中国