驾驶员人群中的异质性可以显着提高微观交通仿真模型的准确性。但是,与随车模型相比,变道模型的异质性还没有被充分利用。驾驶行为的异质性使我们能够研究换道过程,并进行深入的研究。近年来,由于缺乏关于驾驶员异质性的信息,微观交通仿真模型表征现实情况的能力引起了人们的关注。改变车道模型中驾驶员异质性没有像随车模型那样引起人们的关注。像VISSIM和PARAMICS这样的交通仿真软件包正在使用参数来区分激进和胆小的驾驶员,但这可能还不够。车道变更分为两类:强制性车道变更（MLC）和任意车道变更（DLC）。驾驶员要留在自己的路线上,必须进行强制换道。合并和分叉是强制性车道变更的两种类型,描述了驾驶员何时必须从匝道驶入主道或从主道驶入匝道。车道变更对交通流量的最主要影响之一可能是引起交通流量的波动。在交通繁忙的情况下,波动是由于改变车道而不是跟随汽车而产生的。合并和分支的多种车道变换动作可能会在道路上形成瓶颈区域,从而在交通繁忙的情况下导致流量中断。因此,必须在微观交通模拟中构建准确的合并和发散行为模型,以表现现实交通状况。为了将被忽略的异质性整合到换道模型中,本研究将构建一个多项式logit模型,并使用AIC和BIC对其进行调节。logit模型是直接线性回归的扩展,允许对二进制变量,二进制变量总数或多变量建模的通用方法。多项式logit模型是二进制logit模型的直接扩展。当因变量具有两个以上假定结果时,将使用多项式logit模型。多项logit回归模型已经用于分析许多交通状况。例如,它已用于分析密苏里州某些工作区的交通崩溃数据,以识别影响该区域崩溃严重程度的重要因素。多项式logit模型的目标是创建一个描述自变量与因变量之间关系的模型。利用这种回归时,因变量的一个类别被选作参考类别。对于因变量的每个类别,为所有自变量确定了单独的几率比,即给定某个因素发生的事件的几率与没有该因素时发生的事件的几率,但不包括没有参考类别。AIC和BIC分别代表Akaike的信息标准和贝叶斯信息标准。Akaike的信息标准（AIC）将统计模型的质量彼此关联。贝叶斯信息准则（BIC）是贝叶斯统计中使用的指南,用于从两个或多个替代模型中进行选择。AIC旨在指示最佳模型,但是不会批露其完整价值。已经有研究指出,AIC倾向于不成比例地通过具有更多类别的大数据样本的模型,而BIC通过考虑研究中使用的样本量来改善这种情况。在这项研究中,从NGSIM（下一代仿真）车辆轨迹数据集中提取了一个数据集。该数据是从美国联邦公路协会（FHWA）获得的。NGSIM数据集是一个开源数据集,先前的研究已将其用于仿真模型开发和测试。他们的交通数据可以免费下载和使用。NGSIM数据被视为高价值的车辆轨迹数据。以0.1秒的间隔跟踪所有车辆位置。记录详细的车道位置以及与其他汽车的关系。收集数据的成本很高,因此存在少量非NGSIM数据集。NGSIM是FHWA与商业微仿真软件开发人员,学术研究界以及交通微仿真界之间的唯一公私合营企业。NGSIM数据已用于评估高速公路驾驶中可自由选择的车道变更决策参数的概率分布。NGSIM数据库也已用于验证模型,例如使用移动传感器数据在信号交叉口对基于运动方程的车辆队列位置估计方法研究;以及针对人工智能汽车的跟踪模型。由于NGSIM数据集是摄像机的微观图像,而不是感应回路,因此可以立即计算距离平均速度和车辆数量。NGSIM数据文件的内容包含车辆轨迹数据,原始和已处理的视频,航拍照片,CAD图,GIS文件,探测器数据,信号定时和信号,天气信息以及开源许可证。FHWA的NGSIM项目提供的交通数据用于建立车道转换模型。NGSIM数据库有四个主要数据集:加利福尼亚州洛杉矶市的兰克斯欣大道,US-101大道,I-80大道,加利福尼亚州埃默里维尔大街和乔治亚州亚特兰大的桃树街。我们将主要关注的数据集是位于美国加利福尼亚州洛杉矶的101号高速公路（好莱坞高速公路）的一段南行路段。数据集显示两种交通状况;第一个显示在前15分钟（过渡期）何时拥堵加剧,第二个显示在剩余的30分钟内交通拥堵。研究中使用的数据表示从过渡到拥挤的交通流的转变。该数据集还用于检查高速公路交叉部分中的合并和发散过程。研究地点的长度约为2100英尺,有5条主线车道和1条辅助车道连接到Ventura Blvd匝道和Cahuenga Blvd匝道。此US-101车辆数据集还有利于在拥挤情况下的变道行为建模,因为它的结构特征（包括匝道和主道）以及整个早上高峰时间收集的数据。主要道路通常具有多个车道,车辆可以进行纵向和横向运动。变道区域是一个区域,在此区域中,一个或多个车辆流可以系统地更改其车道。由于已经观察到交通流瓶颈和事故是在这些区域中发生的,因此理解与变道相关的事件至关重要。预计将至少有一个公认的理想模型,如果有更多理想模型,它们将在多项式logit模型之间平均分配。在多项式logit模型中,其他影响因素可能在统计上值得关注;这将表明建议的模型在数据挖掘中是否能有效提取看不见的关系。这项研究的结果对于改善交通模拟,交通安全和程序,增加我们对微观交通流以及交通运营与管理的了解至关重要。研究的目的是基于提取的NGSIM轨迹数据构建多项式logit模型,检查任何产生的模型的结果,并确定具有集成驾驶员异质性的变道行为特征。为了提高换道模型的准确性,必须在单个（微观）级别上使用大型车辆轨迹数据集。需要使用诸如时间,加速度,车道变化以及定义目标车辆与其他车辆之间的关系的变量（包括相对速度,相对位置,时间和空间车距）等数据,并以较大的时间分辨率估算车道转换模型参数。此数据必须进行处理。这是通过Alteryx Designer和SPSS软件完成的。这项研究的结果显示了从多项logit模型的结果中观察到的定义的类。它显示了从结果到交通运营和管理策略之间的连接。在多车道道路上,系统化的车道变更会严重影响交通流量并导致容量减少。我们回顾了发现的换车道的影响,以确定哪些驾驶者是问题的根源。结论将确定研究结果是否可用于交通解决方案中的各种功能。考虑到驾驶员行为之间的异质性以及合并和分歧策略,本研究正在完成,以推进间隙选择模型的构建。对流量密度的影响进行了调查,评估和确认。在这项研究中,几个驱动程序属性被识别。揭示了证明多项式logit模型可以传递结果以显示驾驶员在改变车道上的差距接受方式的目的。我们区分在变道过程中潜在的驾驶行为类别,并得出在95%置信区间水平上具有统计学意义的结论。这项研究揭示了由驾驶员组成的一类驾驶员,这些驾驶员在特定条件下对特定的间隙有离散的偏爱。目的是进行与先前文献中的结论相协调的研究,但仍要足够严格以揭示可能存在的任何缺陷。我们可以发现各种方法,并理解它们如何实现更广泛的影响。精炼该研究领域的基本知识对于实现该目标至关重要。这为我们在未来的交通运营和管理方面的发展方向提供了支持。出于对微观交通流模型进行更深入了解的需要,我们可以学习不同的方法,并了解它们如何在更大范围内实现许多目标。为此,我们必须提高该研究领域的基础知识才能实现该目标。这有助于将来的交通运营和管理。我们每天都在普通道路上增加更多的交通创新,总体上对未来的交通安全产生有益的影响。此过程可能用作新交通运营和管理技术的基础。这些模型之一也已包含流量密度。这项研究的结果将增加对微观交通流中驾驶行为的理解。模型结果可以帮助理解卡车对交通流量的影响,并为提高道路交通水平和安全性提供理论依据。有趣的是,如何将多项式logit车道变更模型与多项式logit区域碰撞数据模型连接起来,以备将来研究之用。这可能能够帮助改善交通安全,操作和模拟。最后,本研究中的一些创新包括以下几点:（1）基于提取的NGSIM轨迹数据构建多项式Logit模型,以描述变道行为中的间隙接受行为。（2）提出将多项式换道模型的结果应用于交通运营和管理的方法。（3）检查模型的结果并确定变道行为的特征。