跟驰模型入门：刺激-反应原理与GM模型
各位同学，今天我们来聊聊跟驰模型。说实话，这是交通流理论里最接地气的一块内容。你想想看，开车的时候，前车刹车灯一亮，你是不是也得跟着踩刹车？这就是最朴素的跟驰行为。
我刚开始做交通仿真那会儿，总觉得跟驰模型不就是「前车走我也走，前车停我也停」嘛，有啥好研究的？后来真动手写代码才发现，这里面的门道可不少。今天我们就从最经典的GM模型（第1代）入手，把刺激-反应原理彻底讲透。
1. 刺激-反应原理：跟驰行为的底层逻辑
跟驰模型的核心思想，说白了就四个字：刺激-反应。
什么意思呢？你开车跟在别人后面，你的操作（加速、减速）本质上是对前车行为的一种反应。前车刹车灯亮了，这是刺激；你跟着减速，这是反应。中间还有个东西叫敏感度——有的人反应快，有的人反应慢，这就是敏感度的差异。
用公式表达就是：
反应 = 敏感度 × 刺激嗯，就这么简单。但具体到跟驰场景，这个「刺激」到底是什么？我当年也困惑过。后来在项目里调试数据时发现，真正影响后车决策的，其实是两个关键变量：
- 相对速度：前车比我快还是比我慢？快多少？慢多少？
- 车间距：我跟前车离得有多近？
这两个变量组合在一起，就构成了跟驰行为的「刺激源」。
核心要点：刺激-反应原理是跟驰模型的基石。后车的加速度（反应）由前车的相对运动（刺激）和驾驶员敏感度共同决定。
2. GM模型（第1代）：数学表达
GM模型，全称是General Motors模型，由通用汽车公司的研究人员在1950年代提出。第1代GM模型，就是最原始的版本，它的数学形式长这样：
a_n(t) = α × [v_{n-1}(t) - v_n(t)]其中：
a_n(t)：第n辆车（后车）在t时刻的加速度α：敏感度系数（常数）v_{n-1}(t) - v_n(t)：前车与后车的速度差（相对速度）
这个公式告诉我们：后车的加速度，正比于前车与后车的速度差。前车比你快，你就加速；前车比你慢，你就减速。比例系数α决定了你反应的剧烈程度。
个人经验：我在做高速公路跟驰数据标定时发现，α的取值通常在0.3~0.8之间。新手司机的α偏大，老司机的α偏小。说白了，新手容易「一惊一乍」，老司机更稳。
3. 模型的局限性：为什么第1代不够用？
看到这里你可能会问：这个模型是不是太简单了？没错，确实简单。第1代GM模型有个致命问题——它只考虑了速度差，完全忽略了车间距的影响。
你想想看：
- 如果前车比你快10km/h，但你们相距100米，你会急加速吗？大概率不会。
- 如果前车比你快10km/h，但你们相距只有5米，你会怎么做？肯定猛踩油门跟上啊！
同样的速度差，不同的车间距，反应完全不同。这就是第1代模型的短板。
避坑指南：我曾经在仿真项目里直接用第1代GM模型，结果车辆队列出现了「幽灵堵车」——明明没有事故，车流却莫名其妙地走走停停。后来排查发现，就是因为模型没考虑车间距，导致车辆在远距离时过度反应。
4. Python实现：从公式到代码
好了，理论讲完了，咱们动手写代码。下面是一个完整的第1代GM模型实现，包含车辆跟驰的仿真逻辑。
import numpy as np
import matplotlib.pyplot as plt
class GM1Model:
"""第1代GM跟驰模型"""
def __init__(self, alpha=0.5, dt=0.1):
self.alpha = alpha # 敏感度系数
self.dt = dt # 仿真时间步长（秒）
def update_acceleration(self, v_leader, v_follower):
"""
计算后车加速度
v_leader: 前车速度 (m/s)
v_follower: 后车速度 (m/s)
"""
# 刺激 = 速度差
delta_v = v_leader - v_follower
# 反应 = 敏感度 × 刺激
acceleration = self.alpha * delta_v
return acceleration
def simulate(self, v_leader_profile, initial_v_follower, initial_x_leader, initial_x_follower):
"""
仿真跟驰过程
v_leader_profile: 前车速度序列
"""
n_steps = len(v_leader_profile)
v_follower = np.zeros(n_steps)
x_leader = np.zeros(n_steps)
x_follower = np.zeros(n_steps)
v_follower[0] = initial_v_follower
x_leader[0] = initial_x_leader
x_follower[0] = initial_x_follower
for t in range(1, n_steps):
# 计算加速度
a = self.update_acceleration(v_leader_profile[t-1], v_follower[t-1])
# 更新后车速度
v_follower[t] = v_follower[t-1] + a * self.dt
v_follower[t] = max(0, v_follower[t]) # 速度不能为负
# 更新位置
x_leader[t] = x_leader[t-1] + v_leader_profile[t-1] * self.dt
x_follower[t] = x_follower[t-1] + v_follower[t-1] * self.dt
return v_follower, x_leader, x_follower
# 使用示例
if __name__ == "__main__":
# 创建模型
model = GM1Model(alpha=0.6, dt=0.1)
# 前车速度变化：先匀速，再减速，再加速
t = np.arange(0, 30, 0.1)
v_leader = np.where(t < 10, 20,
np.where(t < 20, 20 - 5*(t-10)/10, 15 + 5*(t-20)/10))
# 运行仿真
v_follower, x_leader, x_follower = model.simulate(
v_leader_profile=v_leader,
initial_v_follower=20,
initial_x_leader=100,
initial_x_follower=80
)
# 绘制结果
plt.figure(figsize=(12, 8))
plt.subplot(2, 1, 1)
plt.plot(t, v_leader, label='前车速度', linewidth=2)
plt.plot(t, v_follower, label='后车速度', linewidth=2, linestyle='--')
plt.ylabel('速度 (m/s)')
plt.legend()
plt.grid(True)
plt.subplot(2, 1, 2)
plt.plot(t, x_leader, label='前车位置', linewidth=2)
plt.plot(t, x_follower, label='后车位置', linewidth=2, linestyle='--')
plt.xlabel('时间 (s)')
plt.ylabel('位置 (m)')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()
代码说明：这个实现里，我特意加了一个速度下限保护（max(0, v_follower[t])）。为什么？因为真实世界里车不会倒着开。我在早期版本里忘了加这个，结果仿真出了「倒车」的诡异场景，调试了半天才发现。
5. 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个「思维导图」来看。
6. 小结与思考
好了，今天的内容就到这里。我们来捋一捋：
- 跟驰行为的本质是刺激-反应，后车根据前车的相对运动调整自己的速度
- 第1代GM模型用速度差作为刺激，用敏感度系数α控制反应强度
- 模型简单但不够完善——它忽略了车间距这个关键因素
- Python实现时要注意速度下限保护，避免出现负速度
说实话，第1代GM模型虽然简单，但它奠定了整个跟驰模型研究的基础。后面的GM第2代、第3代，都是在它的基础上做改进。你把这个模型吃透了，后面学起来会轻松很多。
最后留个思考题：如果让你改进第1代GM模型，你会怎么把车间距加进去？提示一下——可以试试把敏感度系数α改成跟车间距有关的函数。这个思路，就是第2代GM模型的核心。