跟馳模型的標定是為了更好地重現(xiàn)真實駕駛情況從而增強交通安全和分析如停-走間斷流等復雜的交通流情況。然而，跟馳模型的標定并不是一件容易的事。這是因為某些參數(shù)是不能從交通流數(shù)據(jù)中直接觀測得到。此外，傳統(tǒng)的確定性標定方法會導致大量局部最優(yōu)值的出現(xiàn)。在此基礎上，本文提出了基于交叉熵算法的跟馳模型標定的框架，基于蒙地卡羅與重要樣本策略逐步逼近參數(shù)的最優(yōu)概率密度函數(shù)。實例分別采用合成數(shù)據(jù)與實測數(shù)據(jù)標定智能駕駛模型，驗證了交叉熵算法搜索全局最優(yōu)值的能力，并體現(xiàn)了交叉熵算法適用于實測交通流數(shù)據(jù)標定的潛能。

　　在進行交通規(guī)劃和交通決策投入使用之前，精確地重現(xiàn)特定交通場景上的交通行為將會為交通工作者提供極大的幫助。因此，交通微觀模型，特別是跟馳模型，在模擬復雜的交通場景，例如交通事故現(xiàn)場、交通信號燈控制等方面得到了廣泛的應用。然而，不同交通場景上的交通行為存在著極大的差異，并且，即使在同一交通場景中，早上與晚上的交通行為也截然不同。因此，能極大地提高跟馳模型重現(xiàn)特定交通場景上交通行為描述能力的參數(shù)標定是必不可少的。然而，交通仿真模型的描述能力越強，表征的交通狀態(tài)越多，模型內部結構越復雜，所需標定的參數(shù)也越多，參數(shù)標定過程也越困難。首先是交通仿真模型的絕大部分參數(shù)是不能夠從交通數(shù)據(jù)中直接觀測得到，比如微觀跟馳模型中的駕駛員反應時間、期望速度、期望間距等；其次，不同類型的道路傳感器的檢測原理與結構互不相同，導致檢測的交通數(shù)據(jù)往往存在不同程度的誤檢甚至漏檢的情況；最后，通過最小化模型輸出與觀測數(shù)據(jù)之間的差異構建的模型標定優(yōu)化問題，往往存在著大量的局部最優(yōu)解。上述情況都在不同程度上加劇交通模型標定的難度，導致模型描述性能得不到充分的體現(xiàn)。