随着车联网的发展,未来长期一段时间将是联网车辆与人工驾驶车辆共存的交通发展阶段。其中,车车通信是未来交通发展的重要支撑技术,用于车车间信息共享实现交通流的协同运行。由于车车通信环境具有信号衰减等自身特性,使得该环境下车辆跟驰行为产生与传统环境不一样的运行规律。基于实际车车通信环境下交通流特征分析,研究车车通信环境下车辆得跟驰模型具有重要得研究意义。利用实际车车通信环境下车辆跟驰行驶数据,提出了一种基于LSTM网络的车辆跟驰模型,考虑不同城市道路类型、天气环境以及时段等影响因素,通过与经典GM模型、FVD模型,以及一种基于车车通信环境下改进的FVD模型进行比较,对所提出的车辆跟驰模型进行了预测精度研究,分析了后车速度和车头间距2个参数的预测精度。首先,阐述了车辆跟驰的跟驰特性以及车车通信环境对车辆跟驰行为的影响,并对几种跟驰模型进行简要介绍,同时分析了各个模型的优点与不足。接着,介绍了车车通信环境下的车辆跟驰试验以及试验数据,并通过matlab对数据进行一定的处理。然后,分析深度学习中RNN算法和LSTM算法的优缺点、适用性和LSTM算法的基本原理,考虑了车头间距、前后跟驰车辆速度、前后跟驰车辆加速度、后车驾驶员反应时间、前车状态以及通信时延等因素,在python的语言环境下引入Tensorflow等框架对基于LSTM算法的跟驰模型进行设计,并得到测试集的后车速度以及车头间距的预测结果。最后,针对经典GM模型、FVD模型以及改进的FVD模型,分别针对不同城市道路类型、不同天气环境、不同时段进行参数标定,并利用车头间距和后车速度2个参数将所提出的模型与3种经典模型的预测效果进行对比分析。研究结果表明,在不同城市道路类型、不同天气、不同时段下,所提出的基于LSTM的跟驰模型的预测精度以及拟合优度均显著优于其他3种经典模型;4种模型对于后车速度的预测精度要高于车头间距;FVD模型和改进的FVD模型这2个优化速度类型的跟驰模型对于后车速度的描述要显著优于车头间距,且这2种模型在车头间距波动幅度大的情况下预测效果不佳,存在车头间距的波动幅度小于真实情况的问题。这2种模型对车头间距值波动幅度较小的数据片段的预测能力较好。从城市道路类型来看,所提出的跟驰模型和GM模型对主干路和快速路等速度较高的路段预测效果较差。不同的城市道路类型对FVD模型以及改进的FVD模型没有显著影响。从天气环境来看,受到雨天和眩光天气的影响,对于所提出的跟驰模型而言预测精度会小幅下降;对于FVD和改进FVD模型而言,车头间距的预测精度会显著下降,但后车速度的预测精度的变化不显著。GM模型在不同天气下的预测效果差别不大且其对于车头间距和后车速度2个物理量的预测精度差别也不大。从不同的时段来看,所提出的跟驰模型和GM模型的预测精度在不同的时段没有明显的差异。FVD模型和改进的FVD模型在早高峰和晚高峰预测效果较平峰时段较差。