摘要： 基于理论驱动的模型虽成功解释了观察到的交通行为，但无法处理多变的驾驶行为信息，导致模型预测能力较差。基于数据驱动的深度学习预测模型能够处理复杂的驾驶信息，但需要大量的驾驶数据进行模型训练。针对 ２类模型存在的问题，提出一种结合模型，将理论驱动模型（ＯＶ）与数据驱动模型（ＰＳＯＣＮＮＢｉＬＳＴＭＡｔｔ）相结合，形成组合跟车模型，将 ＩＤＭ模型和 ＰＳＯＣＮＮＢｉＬＳＴＭＡｔｔ神经网络的预测结果相结合，这种融合保留了理论驱动模型提供的可控性，同时也利用了数据驱动模型的预测精度。通过 ＮＧＳＩＭ交通数据，与单独的 ＯＶ理论驱动模型和ＰＳＯＣＮＮＢｉＬＳＴＭＡｔｔ数据驱动模型相比，组合模型的预测误差显著减少，分别降低了 ８８％和 ７％。此外，还进行了不同驾驶行为风格模拟，结果表明组合模型可以真实反映跟车行为。

关键词: 跟车行为；最优速度模型；长短期记忆网络；粒子群优化；组合预测

中图分类号: 

• Ｕ４６３．６