📊 统计学

When Context Is Not Enough: Modeling Unexplained Variability in Car-Following Behavior

本文提出了一种结合深度神经网络与非平稳高斯过程的可解释随机建模框架，旨在捕捉跟车行为中依赖上下文的动态特性及潜在驱动变量的变异性，并证明了该框架在 HighD 数据集上相比传统方法具有更优越的预测性能和不确定性量化能力。

原作者： Chengyuan Zhang, Zhengbing He, Cathy Wu, Lijun Sun

发布于 2026-01-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Chengyuan Zhang, Zhengbing He, Cathy Wu, Lijun Sun

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图通过观看成千上万段人类在德国高速公路上驾驶的视频，来教一个机器人如何开车。你不仅想让机器人学习人类做了“什么”，还想让它学习人类是“如何”做到的，包括那些细微的怪癖、犹豫以及速度的突然变化。

这篇论文解决了一个特定的问题：目前的驾驶模拟器太完美了。 它们表现得像是遵循严格数学规则的机器人。如果前方的车减速，后面的机器人也会进行精确、计算过的减速。但真实的人类并非如此。我们是“混乱”的。我们可能会因为分心而刹车过猛，或者可能因为感到谨慎而过早地松开油门。

作者将这种混乱称为**“无法解释的变异性”（unexplained variability）**。即使你知道车辆之间的距离以及行驶速度（即“上下文”），你仍然无法完美预测驾驶员接下来的动作。这里存在一个传统的模型所忽略的隐藏随机层。

以下是作者如何利用富有创意的类比来解决这一问题的：

1. “可预测部分” vs. “人类怪癖”

作者将驾驶行为分为两部分：

剧本（均值/The Mean）： 这是逻辑性的部分。如果前车刹车，你就刹车。这部分是基于速度和距离可以被预测的。他们使用了一种聪明的 AI（称为 DeepAR）来学习这个“剧本”。
即兴表演（残差/The Residual）： 这是不在剧本里的部分。它是“我今天感觉很紧张”或“我赶时间”这类因素。在过去，科学家将这种“即兴表演”视为无线电里的静电噪声——一种发生一次就消失的、无关联的随机噪声。

该论文的核心思想： 作者意识到，“即兴表演”并不只是随机的静电。它更像是一场爵士乐独奏。如果一名驾驶员开始感到紧张，他们可能会在几秒钟内保持紧张状态，连续做出几次微小的调整。如果他们很放松，就会保持放松。这种“噪声”是有记忆的。它是时间相关的（temporally correlated）。

2. “智能橡皮筋”（Gibbs 核函数）

为了模拟这种“爵士独奏”式的行为，作者使用了一种名为**高斯过程（Gaussian Process, GP）**的数学工具。你可以把 GP 想象成一根连接驾驶员随时间变化的动作的橡皮筋。

旧模型（平稳核/Stationary Kernels）： 想象一根具有固定伸展性的橡皮筋。它假设无论你是在空旷的高速公路上还是在拥挤的交通中，你对上一次动作的“记忆”长度总是相同的。这太僵化了。
新模型（Gibbs 核函数）： 作者发明了一种**“智能橡皮筋”**（称为 Gibbs kernel）。这根橡皮筋可以随时改变它的伸展性！
- 在平静的情况下： 橡皮筋长而有弹性。驾驶员的动作在很长一段时间内都是平滑且可预测的。
- 在混乱的情况下（如突然刹车）： 橡皮筋会迅速收缩变短。驾驶员的动作变化剧烈，他们对上一秒动作的“记忆”变得非常短。

这使得计算机能够说：“好吧，现在驾驶员处于高压区域，所以他们接下来的动作很可能是快速、剧烈的反应。但在五秒钟前，他们还在巡航，所以他们的动作缓慢且稳定。”

3. “天气预报” vs. “天气历史”

作者还区分了两种类型的确定性：

偶然不确定性（Aleatoric Uncertainty，即“天气”）： 这是驾驶员固有的随机性。你无法完美预测它，因为人类是不可预测的。模型通过表达“有 90% 的概率会刹车，但可能有 10% 的概率不会”来捕捉这一点。
认知不确定性（Epistemic Uncertainty，即“地图”）： 这是当模型因为从未见过这种情况而不知道发生了什么时的情况。

本文关注的是“天气”（偶然不确定性）。它创建了一个系统，该系统不仅猜测一条未来的路径，而是生成许多种可能的未来（就像显示有 60% 降水概率的天气预报一样）。这有助于交通工程师理解可能结果的范围，而不仅仅是平均值。

4. 结果：一个更好的“交通模拟器”

团队使用真实的德国高速公路数据（HighD 数据集）测试了他们的模型。他们将他们的“智能橡皮筋”模型与以下模型进行了对比：

旧数学模型： 假设驾驶员是机器人。
旧 AI 模型： 假设驾驶员的错误是随机静电。
平稳 AI 模型： 假设驾驶员的“情绪”永不改变。

胜出者： 他们的模型表现最准确。它不仅能更好地预测车辆的位置；它还能提供更好的“置信区间”。它知道何时可以说“我很确定他们会做什么”，以及何时说“这是一个混乱的情况，任何事情都可能发生”。

总结

简单来说，这篇论文教会了计算机：人类驾驶不仅仅是一个加入了随机误差的数学方程。 它是一种动态的、变化的模式，驾驶员的“情绪”和反应风格会根据交通状况而改变。通过使用一根可以根据情况拉伸和收缩的“智能橡皮筋”，作者创造了一个感觉更接近真实人类驾驶的模拟系统，捕捉到了那些使我们成为人类的“无法解释的变异性”。

技术摘要：对跟车行为中无法解释的变异性进行建模

1. 问题陈述

微观交通仿真高度依赖于用于表示车辆间交互作用的跟车模型。传统的确定性模型（如 IDM、Gipps 模型）甚至许多现代随机扩展模型，往往无法捕捉到人类驾驶行为中完整的变异性。虽然这些模型纳入了上下文相关的输入（间距、速度、相对速度），但它们经常忽略了由潜在驾驶意图、感知误差和记忆效应引起的结构化随机性。

现有的方法通常将残差误差视为独立同分布（i.i.d.）的噪声，或假设存在平稳的时间相关性（例如通过 Ornstein–Uhlenbeck 过程或平稳高斯过程）。然而，现实世界的驾驶表现出非平稳性和上下文相关性的时间相关特征。驾驶员会根据不断变化的交通状态（例如从自由流向停走流转换）来调整其反应时间和不确定性容忍度。因此，标准模型往往会产生不真实的仿真结果，或者导致校准不佳的不确定性估计，无法区分偶然不确定性（固有变异性）与认知不确定性（模型局限性）。

2. 方法论

作者提出了一种可解释的随机建模框架，该框架将深度神经序列建模与非平稳高斯过程（GP）相结合。核心公式将时刻 $t$ 的加速度决策 $a_t$ 分解为三个部分：

$a_t = f_{CF}(x_t) + \delta(t) + \varepsilon_t$

其中：

$f_{CF}(x_t)$ ：均值动力学函数，由神经网络（具体为使用 LSTM 主干的 DeepAR）参数化。它根据协变量 $x_t$ （间距、速度、相对速度）和历史隐藏状态来预测期望加速度。
$\delta(t)$ ：由具有场景自适应核函数的**高斯过程（GP）**建模的时间相关残差过程。它捕捉了结构化的、上下文相关的变异性。
$\varepsilon_t$ ：代表非结构化观测噪声（如微分伪影）的 i.i.d. 噪声项，充当“微小效应”（nugget effect）。

关键技术组件

用于均值动力学的 DeepAR： 该模型使用循环神经网络来学习复杂的非线性均值加速度模式。隐藏状态 $h_t$ 总结了历史上下文，使模型能够适应多样化的驾驶风格和交通状态。
场景自适应 Gibbs 核： 为了对残差 $\delta(t)$ $δ (t)$ 进行建模，作者采用了非平稳 Gibbs 核。与假设固定相关长度尺度的平稳核（平方指数核或 Matérn 核）不同，Gibbs 核允许方差 $\sigma^2(t)$ $σ^{2} (t)$ 和长度尺度 $\ell(t)$ $ℓ (t)$ 成为函数的变量。
- 这些参数通过应用于 DeepAR 隐藏状态的前馈层进行预测： $\ell_{NN}(h_t)$ 和 $\sigma_{NN}(h_t)$ 。
- 这使得模型能够根据当前的交通状态（例如在快速制动期间使用短记忆，在稳定巡航期间使用长记忆）动态调整其“记忆”程度（回溯相关性的时间跨度）和“不确定性容忍度”。
训练目标： 模型通过最小化观测到的加速度序列在由 DeepAR 均值和 GP 协方差矩阵（加上微小效应项）定义的多元高斯分布下的负对数似然来进行端到端训练。

仿真框架

该框架支持多轮随机仿真。在每个时间步，模型从预测分布中采样一个加速度（以过去的观测值和学习到的核函数为条件），更新车辆的速度和位置，然后迭代。这生成了反映了学习到的均值动力学和人类行为中结构化随机性的轨迹系综。

3. 核心贡献

可解释的随机框架： 本研究引入了一种混合架构，将均值动力学与结构化残差不确定性分离，明确地对随驾驶上下文演化的时间相关性进行建模。
非平稳 Gibbs 核： 作者提出使用具有上下文相关参数的 Gibbs 核，以捕捉驾驶行为中的异方差性（变化的确定性水平）和非平稳相关性（变化的记忆尺度）。这克服了以往基于 GP 方法中平稳假设的僵化性。
不确定性类型的区分： 该框架在概念上区分了结构化偶然不确定性（由 GP 残差建模）与测量噪声，为量化加速度、速度和间距的不确定性提供了原则性的方法。
经验验证： 该方法在 HighD 数据集（德国高速公路无人机轨迹）上进行了验证，证明其在预测准确性和不确定性校准方面均优于确定性基准、平稳 GP 变体以及假设 i.i.d. 噪声的模型。

4. 实验结果

实验在 HighD 测试集的 30 对跟车对上进行，通过加速度、速度和间距三个维度的三个指标评估 10 秒的随机展开情况：均方根误差（RMSE）、连续排位概率分数（CRPS）和能量分数（ES）。

性能比较： 所提出的 DeepAR + Gibbs 核 模型在加速度、速度和间距维度上始终取得了最低的 RMSE、CRPS 和 ES 值。
- 它优于平稳 GP 变体（Matérn 和平方指数核），后者难以适应快速的状态转换。
- 它显著优于白噪声基准（i.i.d. 假设），证实了忽略时间结构会降低准确性和不确定性校准。
消融研究：
- 将循环 DeepAR 替换为多层感知器（MLP）会导致更高的误差，尤其是在间距方面，凸显了循环结构对于长期依赖关系的重要性。
- 去除 GP 核（假设 i.i.d. 噪声）会导致所有模型的性能大幅下降，强化了时间相关性建模是必要项而非仅仅是改进项的观点。
- 即使是将经典的贝叶斯 IDM 与非平稳 Gibbs 核结合，也显示出显著的改进，有时甚至优于没有结构化残差的深度学习模型。
可解释性： 对学习参数的分析表明，长度尺度 $\ell(t)$ 会适应交通状态：在快速制动或模式切换期间（短记忆）收缩，而在稳定巡航期间（长记忆）扩张。方差 $\sigma^2(t)$ 在宽松条件下增加（反映行为异质性），在安全敏感、高注意力场景下减少。

5. 重要性与主张

本文声称，很大一部分跟车变异性无法仅通过可观测的上下文来解释，并且表现出随驾驶状态变化的时间结构化依赖性。

真实性与校准： 通过用时间相关的、非平稳的残差取代 i.i.d. 扰动，该框架提高了预测准确性和概率一致性。这产生了在行为上更真实且在风险评估方面经过更好校准的仿真。
可解释性： 学习到的长度尺度和方差作为驾驶反应频率和行为容忍度的可解释代理，为理解决策机制提供了见解，这对于安全关键型应用具有价值。
实际效用： 该框架被呈现为高保真交通仿真的工具，并可用于安全关键的行为分析。它允许生成系综仿真，这对于概率安全分析和具备不确定性感知能力的联网自动驾驶车辆（CAV）测试至关重要。
对范围的谦逊说明： 作者指出，虽然该模型能有效捕捉状态相关的相关性，但并不保证通过控制器设计实现字符串稳定性（尽管观察到的结果显示出边际稳定性）。他们也承认，在显著的领域偏移（例如不同的道路几何形状或驾驶人群）下，泛化需要进一步适配，未来的工作应解决闭环微观仿真和多车道扩展问题。

总之，本研究认为，整合结构化的、非平稳的残差建模对于生成真实、可解释且具备不确定性感知的跟车仿真至关重要，这弥合了深度学习的灵活性与概率建模的可解释性之间的鸿沟。