Viele der Fahrermodelle wurden entwickelt, um bessere Fahrertrainingsmodelle zu ermöglichen. Die Idee ist, die Fahreraktionen entweder in einem Simulator oder in einer realen Umgebung zu überwachen und die Sicherheit und Kompetenz des Fahrers anhand von Modellen für ein optimales Fahren zu bewerten. Es bestand besonderes Interesse an der Entwicklung solcher Systeme für Fahranfänger und der Umschulung älterer Fahrer durch Verständnis ihrer Mängel auf verschiedenen Ebenen [8, 26]. Mehrere Spurwechselmodelle, die auf Fuzzy-Logik und künstlichen neuronalen Netzwerken basieren, wurden ebenfalls entwickelt, obwohl ihre Akzeptanz nach wie vor begrenzt ist [4]. Der Vorteil der Fuzzy-Logik besteht darin, dass die Unsicherheit beim Spurwechsel modelliert werden kann und eine Reihe abstrakter IF-THEN-Regeln verwendet werden kann, um die komplexe Entscheidungsfindung darzustellen. Zu den neueren Arbeiten gehört die von Moridpour et al. [36], die sich auf das Verhalten von Spurwechseln von schweren Fahrzeugen konzentriert. Neuronale Netzwerke haben eine hohe Genauigkeit bei der Modellierung von Entscheidungen über Spurwechsel in Felddaten gezeigt [37]. Eingaben wie Die Richtung des Fahrzeugs, die Geschwindigkeit, der Abstand zu den umliegenden Fahrzeugen und die bevorzugte Geschwindigkeit wurden verwendet, um das Netzwerk mithilfe des Backpropagationsalgorithmus mit vielversprechenden Ergebnissen zu trainieren.
Der Hauptnachteil künstlicher Intelligenz-basierter Ansätze ist die Abhängigkeit von felderfassten Daten für unterschiedliche Verkehrssituationen, um die Modelle zufriedenstellend zu kalibrieren und zu entwickeln. FrüheModellbau. Die Sensoren, die zum Modellieren des Fahrerverhaltens für Fahrerassistenzsysteme verwendet werden, haben in der Regel eine Reichweite von ein paar hundert Metern. Die Fahrzeug-zu-Fahrzeug-Kommunikation kann den Erfassungsbereich weiter erweitern und Modelle ermöglichen, die das Fahrerverhalten frühzeitig vorhersagen können. DBM kann entweder als reaktive oder vorausschauende Modelle klassifiziert werden. Reaktive Modelle lernen das beobachtete Verhalten oder Fahrmanöver, nachdem die Aktion durchgeführt wurde. Beispielsweise können Fahrercoaching-Anwendungen reaktive Modelle verwenden, die gefährliche Fahrmanöver des Auszubildenden während der Trainingseinheit identifizieren. Auf der anderen Seite sind Vorhersagemodelle erforderlich, um die Treiberaktion zu Beginn des Verhaltens in Echtzeit zu identifizieren. Dies ist in ADAS erforderlich, wo sofort Vorsorgemaßnahmen durchgeführt werden sollten.
Der Erfolg von Vorhersagemodellen hängt davon ab, wie früh sie das Verhalten des Treibers vorhersagen können, und sie sind daher in der Regel schwieriger zu entwickeln als reaktive Modelle. Eine aktuelle Übersicht über die aktuelle Literatur über Routenwahlmodelle in Verkehrsnetzen wurde in [55] behandelt.
