Simulation des Fahrverhaltens mit einem agentenbasierten Backpropagation-Neuronalen Netzwerk

Zwei mikroskopische Simulationsmethoden für das Fahrverhalten werden verglichen: das Gazis–Herman–Rothery (GHR) Fahrzeugfolgemodell und ein vorgeschlagenes agentenbasiertes neuronales Netzwerkmodell. Um individuelle Fahrermerkmale zu analysieren, wird ein Backpropagation-neuronales Netzwerk mit Fahrzeugfolgedaten eines Fahrers aus der naturalistischen Fahrdatenbank trainiert, um Aktionsregeln für einen neuronalen Agentenfahrer aufzustellen, die er unter den wahrgenommenen Verkehrsbedingungen während Fahrzeugfolgeszenarien folgen kann. Das GHR-Fahrzeugfolgemodell wird mit demselben Datensatz kalibriert, unter Verwendung eines genetischen Algorithmus. Die Fahrzeugfolgeszenarien werden sorgfältig extrahiert und für die Modellkalibrierung sowie die Validierung der Kalibrierungsregeln ausgewählt. Die Leistungen der beiden Modelle werden verglichen, wobei die Ergebnisse zeigen, dass bei einer Datenauflösung von weniger als 10 Hz der neuronale Agentenansatz das GHR-Modell signifikant übertrifft und das individuelle Fahrverhalten mit 95 % Genauigkeit in der Fahrbahn erfasst.