V. Punzo and F. Simonelli, Analysis and Comparison of Microscopic Traffic Flow Models with Real Traffic Microscopic Data, Transportation Research Record: Journal of the Transportation Research Board, pp.53-63, 1934.

M. Sarvi and O. Ejtemai, Exploring heavy vehicles car-following behaviour, Proceedings of the 34th Australasian Transport Research Forum (ATRF), p.48, 2011.

M. Treiber and A. Kesting, Car-Following Models based on Driving Strategies, Traffic Flow Dynamics: Data, Models and Simulation, p.48, 2013.

M. Treiber and A. Kesting, Elementary Car-Following models, Traffic Flow Dynamics, 2013.

M. Treiber and A. Kesting, Microscopic Calibration and Validation of Car-Following Models -A Systematic Approach, Procedia -Social and Behavioral Sciences, vol.80, p.55, 2013.

T. Vieira-da-rocha, L. Leclercq, M. Montanino, C. Parzani, V. Punzo et al., Does traffic-related calibration of car-following models provide accurate estimations of vehicle emissions?, Transportation Research Part D: Transport and Environment, vol.34, p.67, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01215763

R. Wiedemann, Simulation des Strassenverkehrsflusses, p.48, 1974.

D. Yang, (. Peter, ). Jing, Y. Jin, B. Pu et al., Stability analysis of the mixed traffic flow of cars and trucks using heterogeneous optimal velocity car-following model, Physica A: Statistical Mechanics and its Applications, vol.395, p.48, 2014.

, 90 6.1.1 Usual cycles and HERE database presentation

, SUMO, an open source traffic simulation software

, The generation of simplified networks

, Conclusion of the chapter

.. .. References,

, illustrate the representativeness of the generated networks with regards to the usual cycles. The accuracy of the generated networks can be increased by the improvement of the road classification (to prevent from errors into statistics) and also by merging several road data base

G. Amirjamshidi and M. J. Roorda, Development of simulated driving cycles for light, medium, and heavy duty trucks: Case of the Toronto Waterfront Area, Transportation Research Part D: Transport and Environment, vol.34, p.90, 2015.

N. H. Arun, S. Mahesh, G. Ramadurai, and S. M. Nagendra, Development of driving cycles for passenger cars and motorcycles in Chennai, India. Sustainable Cities and Society, vol.32, p.90, 2017.

T. Barlow, A reference book of driving cycles for use in the measurement of road vehicle emissions, IHS, p.751482569, 2009.

J. Brady and M. Mahony, Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas, Applied Energy, vol.177, p.90, 2016.

A. Charadsuksawat, Y. Laoonual, and N. Chollacoop, Comparative Study of Hybrid Electric Vehicle and Conventional Vehicle Under New European Driving Cycle and Bangkok Driving Cycle, 2018 IEEE Transportation Electrification Conference and Expo, p.90, 2018.

D. Chrenko, I. G. Diez, and L. L. Moyne, Artificial driving cycles for the evaluation of energetic needs of electric vehicles, 2012 IEEE Transportation Electrification Conference and Expo (ITEC), p.90, 2012.

N. Degrenne and S. Mollov, Real-life vs. standard driving cycles and implications on EV power electronic reliability, IECON 2016 -42nd Annual Conference of the IEEE Industrial Electronics Society, p.90, 2016.

H. Gong, Y. Zou, Q. Yang, J. Fan, F. Sun et al., Generation of a driving cycle for battery electric vehicles: A case study of Beijing. Energy, vol.150, p.90, 2018.

J. Guo, C. Sun, H. He, and J. Peng, Urban Global Driving Cycle Construction Method and Global Optimal Energy Management in Plug, Hybrid Electric Vehicle. Energy Procedia, vol.152, p.90, 2018.

. Heremaps and . Here, , p.92

D. Krajzewicz, J. Erdmann, M. Behrisch, and L. Bieker, Recent development and applications of SUMO-Simulation of Urban MObility, International Journal On Advances in Systems and Measurments, vol.5, issue.3&4, p.94, 2012.

R. Liessner, A. M. Dietermann, B. Bäker, and K. Lüpkes, Derivation of Real-World Driving Cycles Corresponding to Traffic Situation and Driving Style on the Basis of Markov Models and Cluster Analyses, 6th Hybrid and Electric Vehicles Conference (HEVC 2016), p.92, 2016.

B. Liu, Q. Shi, L. He, and D. Qiu, A study on the construction of Hefei urban driving cycle for passenger vehicle, IFAC-PapersOnLine, vol.51, issue.31, pp.854-858, 2018.

R. Luz, M. Rexeis, S. Hausberger, D. Jajcevic, W. Lang et al., Development and validation of a methodology for monitoring and certification of greenhouse gas emissions from heavy duty vehicles through vehicle simulation, Final report. Service contract CLIMA.C.2/SER, Consortium of TUV, p.90, 2014.

A. R. Mahayadin, I. Ibrahim, I. Zunaidi, A. B. Shahriman, M. K. Faizi et al., Development of Driving Cycle Construction Methodology in Malaysia's Urban Road System, 2018 International Conference on Computational Approach in Smart Systems Design and Applications (ICASSDA), p.90, 2018.

A. Sai-kiran-mayakuntla and . Verma, A novel methodology for construction of driving cycles for Indian cities, Transportation Research Part D: Transport and Environment, vol.65, p.90, 2018.

P. Nyberg, E. Frisk, and L. Nielsen, Generation of Equivalent Driving Cycles Using Markov Chains and Mean Tractive Force Components, IFAC Proceedings Volumes, vol.47, p.92, 2014.

P. Nyberg, E. Frisk, and L. Nielsen, Using Real-World Driving Databases to Generate Driving Cycles With Equivalence Properties, IEEE Transactions on Vehicular Technology, vol.65, issue.6, p.92, 2016.

. Openstreetmaps and . Osm, , p.95

D. Qiu, Y. Li, and D. Qiao, Recurrent Neural Network Based Driving Cycle Development for Light Duty Vehicles in Beijing, Transportation Research Procedia, vol.34, pp.147-154, 2018.

V. Schwarzer and R. Ghorbani, Drive Cycle Generation for Design Optimization of Electric Vehicles, IEEE Transactions on Vehicular Technology, vol.62, issue.1, p.90, 2013.

P. Shen, Z. Zhao, J. Li, and X. Zhan, Development of a typical driving cycle for an intra-city hybrid electric bus with a fixed route, Transportation Research Part D: Transport and Environment, vol.59, p.90, 2018.

S. Shi, N. Lin, Y. Zhang, J. Cheng, C. Huang et al., Research on Markov property analysis of driving cycles and its application, Transportation Research Part D: Transport and Environment, vol.47, p.92, 2016.

S. Shi, N. Lin, Y. Zhang, C. Huang, L. Liu et al., Research on Markov Property Analysis of Driving Cycle, 2013 IEEE Vehicle Power and Propulsion Conference (VPPC), p.92, 2013.

. Sumogit and . Abstractnetworkgeneration, , p.95, 2019.

B. Sun and D. Qiao, Driving cycle construction methodology based on Markov process and uniform distribution, 35th Chinese Control Conference (CCC), p.92, 2016.

Q. Wang, H. Huo, K. He, Z. Yao, and Q. Zhang, Characterization of vehicle driving patterns and development of driving cycles in Chinese cities, Transportation Research Part D: Transport and Environment, vol.13, issue.5, p.90, 2008.

Z. Xiao, Z. Dui-jia, and S. Jun-min, A Synthesis of Methodologies and Practices for Developing Driving Cycles. Energy Procedia, vol.16, pp.1868-1873, 2012.

, 104 7.1.2 Application: Comparison of usual DCs and simplified networks with measurements . 105 7.1.2.1 Data presentation, The Long-Haul driving cycle

A. Control,

, Conclusion of the chapter

.. .. References,

, 8% to 41.7% for the instantaneous FC. However, the errors on the trajectory indicators increase. The error on the position goes from 1.7% to 6.8% in average, the error on the spacing goes from 15.8% to 34.2%. The speed error goes from 7.4% to 14.2%, and the error on the acceleration profile goes from 42.5% to 67.1% in average. Ring road cycles For the ring road cycles, the average error on cumulated FC has been reduced from 21, As for the urban cycles, the average errors on FC indicators have been drastically reduced: from 33.4% to 11.4% for the cumulated FC and from 50

, As for the mid-urban cycles

, 8% to 56.9% for the acceleration. Regional cycles The same observations can be done for the regional cycles as for the other categories: the errors on the FC indicators are reduced, but the errors on the trajectory indicators increase. The error on the instantaneous FC are quite identical: 34.9% and 33.3% respectively for the calibration without and with cumulated FC as MoP. For the cumulated FC, the error decreases from 15.7% to 8.3%. For the trajectory indicators, the average errors go up from 1, 4% to 16.1 for the speed and from 42

F. Lourd, , vol.1

. Aghabayk, La littérature sur les lois de poursuite pour les véhicules légers (VL) est très vaste. Cependant, jusqu'à aujourd'hui peu de recherches ont été effectuées concernant les poids lourds (PL), 2015.

. Nodine, , 2017.

. Aghabayk, Les principales études traitant des lois de poursuite pour les PL se concentrent sur les différences de comportement de suivi selon le Leader, 2011.

C. , D'autres études mettent en évidence l'impact de l'hétérogénéité du trafic sur celui-ci, 2014.

. Aghabayk, Dans cette étude, nous cherchons à établir si un modèle courant et existant, avec des paramètres adaptés, Les précédentes études sur des lois de poursuites adaptées aux PL étaient basées sur des modèles complexes existant, 2013.

,. De-wiedemann, Quatre lois de poursuites connues et fréquemment utilisées sont étudiées et comparées : -le modèle de Gipps (Gipps, 1981), -l'Improved Intelligent Driver Model (IIDM) (Treiber and Kesting, 2013a), -le modèle de Newell, 1974.

. Thiemann, Méthodes permettant de reconstruire les trajectoires d'un véhicule La définition des trajectoires pour le calage des lois de poursuite occupe une place importante dans les études d'optimisation de ces modèles, Les trajectoires peuvent venir de différentes sources : véhicules équipés, enregistrements vidéo ou données simulées, 2007.

. Punzo, Plusieurs études ont mis en évidence les impacts que la reconstruction des trajectoires pouvait avoir sur les résultats des calages des paramètres des lois de poursuites (Ossen and Hoogendoorn, 2005.

. Toledo, Ces études se concentrent principalement sur le lissage des données et sur l'ordre dans lequel appliquer lissage et dérivation/intégration. Afin de proposer une méthode adaptée aux données disponibles, différents schémas d'intégration/dérivation (schémas d'Euler explicite et implicite, et schéma trapézoïdal), combinés à différentes méthodes de lissages (pas de lissage, moyenne glissante, interpolation) seront comparés, 2007.

, Pour caler ces paramètres, plusieurs paramètres doivent être définis : (i) La fonction de coût : la fonction avec laquelle l'écart entre mesures et simulations est évalué, (ii) Les mesures de performances (Measure of Performance, MoP) : les indicateurs sur lesquels l'erreur est calculée, (iii) Le pas de temps de simulation, et , (iv) Le solver : le schéma d'intégration/dérivation liant position, vitesse et accélération. On s'intéressera dans un premier temps à quatre fonctions de coût fréquemment utilisées pour caler les paramètres de lois de poursuites : le Root Mean Squared Error (RMSE), le Root Mean Squared Percentage Error (RMSPE), le Squared Error (SE) et le coefficient d'inégalité de Theil (U). La comparaison de ces fonctions sera basée sur leur forme (plate ou escarpée) définissant les domaines optimaux. On s'intéressera particulière-ment aux intersections de ces domaines optimaux. L'efficacité de plusieurs pas de temps de simulation : 0.01s, 0.1s, 0.5s et 1s ; ainsi que de plusieurs solvers : schémas explicite et implicite, schéma trapézoïdal, schéma XXI APPENDIX F. RÉSUMÉ ÉTENDU mixte (explicite combiné avec trapézoïdal), Le calage des lois de poursuite vise à trouver le jeu de paramètres qui permettra de minimiser les erreurs entre les trajectoires mesurées et les trajectoires simulées

, Cet algorithme est basé sur l'utilisation d'un essaim de particules (dont la position correspond à vecteur représentant les paramètres à caler), se déplaçant dans l'espace des solutions possibles. A chaque itération, chaque particule se déplace dans une direction combinant la position de la meilleure particule (celle qui génère la plus faible erreur) et la meilleure position rencontrée jusqu'alors par la particule elle-même, et ce jusqu'à ce que l'erreur acceptée soit atteinte ou que le nombre maximal d'itérations soit atteint. Cet algorithme est décliné ici sous sa formulation multi-objectif, basé sur la définition de la dominance de Pareto, 1995.

F. , .2 Reconstruction des trajectoires nécessaires au calage des lois de poursuites

, Cette section présente une comparaison des différentes méthodes de reconstruction de trajectoires présentées précédemment

, ont été extraites d'un enregistrement d'environ 80km en région lyonnaise. Cet enregistrement fournit les données GPS (latitude, longitude et altitude), la vitesse du véhicule ainsi que la distance entre celui-ci et son Leader. A partir de ces informations, il est nécessaire de reconstruire la trajectoire complète (position, vitesse et accélération) des deux véhicules, Follower et Leader, Les données utilisées pour créer une base de données de trajectoires, nécessaires au calage des paramètres des lois de poursuite

, Comparaison des méthodes de reconstruction Pour comparer les différentes méthodes de reconstruction, chacune d'entre elles est utilisée pour calculer les trajectoires complètes des deux véhicules, sur chacun des cycles identifiés. Pour sélectionner la méthode la plus adaptée, les positions, vitesses, accélérations

, Pour estimer la précision des positions reconstruites, les distances parcourues sont comparées. Ces distances sont quasiment identiques pour toutes les méthodes, avec un écart maximal de l'ordre de 60cm. La comparaison des positions ne sera pas discriminante dans le choix de la méthode de reconstruction

, On observe que certaines méthodes donnent des erreurs qui sont toujours supérieures au 75 ème quantile des erreurs. Ces méthodes sont celles utilisant l'interpolation comme méthode de lissage. Elles seront donc écartées par la suite comme étant celles générant les erreurs les plus élevées, Les vitesses reconstruites sont ensuite comparées avec les vitesses mesurées en utilisant le RMSE

, La comparaison des accélérations se fait par la recherche des valeurs extrêmes, les méthodes générant des valeurs supérieures en valeur absolue à 3m/s 2 sont écartées pour des raisons de réalisme. Les 10 ème et 90 ème quantiles sont calculés et comparés pour chaque cycle. On observe que, de la même manière que pour la vitesse, certaines méthodes se distinguent en générant des valeur d'accélération plus élevées que les autres méthodes. Ces méthodes correspondent aux méthodes

. Punzo, L'étude des valeurs du jerk a permis de mettre en évidence que les trajectoires reconstruites respectaient la physique d'un véhicule, avec moins de 2% d'excès de la valeur maximale acceptée du jerk contre 10% dans la littérature, 2011.

. Punzo, seule une méthode parmi les 14, correspond au schéma proposé. APPENDIX F. RÉSUMÉ ÉTENDU Pour définir des scénarios de simulation, nous nous sommes intéressés à l'environnement rencontré par un PL lors de parcours usuels, 14 méthodes sont finalement envisageables parmi les 54 testées. En se basant sur les conseils donnés dans la littérature, 2011.

, Utilisation des statistiques des trajets usuels pour générer des réseaux routiers Cette section présente la base de données de trajets usuels utilisée pour la génération de scénarios de simulation. Ces trajets sont, dans un premier temps, étudiés afin de définir des indicateurs statistiques représentatifs

, Dans la majorité des études, les cycles de simulation sont des cycles statiques, définis par un profil de vitesse. Ici, on s'intéresse à des réseaux complets, modélisés grâce à l'outil de simulation microscopique SUMO

, Afin de pouvoir définir des scénarios de simulation réalistes, nous nous appuyons sur une base de données de parcours usuels de PL dans la région lyonnaise. En complément, la base de données cartographiques HERE (HereMaps) est utilisée pour obtenir les informations nécessaires à la mise en place des scénarios (intersections, vitesses légales, vitesses moyennes

, Comme dans la section F.2.2, ces trajets sont d'abord divisés en fonction de plusieurs type d'environnement : urbain, inter-urbain, régional, périphérique et autoroutier. Ces environnements sont définis par leur vitesse légale, les vitesses maximales et moyennes observées ainsi que le nombre de voies moyen, La base de données de trajets contient 25 trajets (3 livraisons régionales et 22 livraisons locales)

, Les indicateurs dynamiques sont liés à l'état du trafic routier sur le réseaux, il est alors proposé trois états possibles définis par une vitesse moyenne par route : état congestionné, Les indicateurs statiques et les indicateurs dynamiques. Les indicateurs statiques décrivent la géométrie du réseau routier et ses caractéristiques : nombre de voies, types et positions des intersections, pente, vitesse légale

, Une fois les indicateurs décrit précédemment calculés, les scénarios de simulation peuvent être générés. Un outil permettant de générer automatiquement un scénario a été développé

. L'utilisateur-choisit-le-type-d'environnement and . Qu, il souhaite créer, la longueur du parcours (ou valeur par défaut dépendante de l'environnement) et les conditions de trafic. La génération du réseau dure de quelques secondes à quelques minutes. Le trafic présent dans le scénario est ensuite généré par le biais d'une optimisation par essaim particulaire

, La méthode de génération des scénarios de simulation a été validée pour les différents environnements

, Une centaine de scénarios ont été générés aléatoirement, puis les moyennes de leurs caractéristiques ont été comparées aux indicateurs calculés à partir des bases de données. Les proportions d'intersections sont respectées dans tous les environnements. Les vitesses des scénarios sont parfois un peu plus faibles que les vitesses mesurées mais restent dans un intervalle cohérent

F. , .2 Application : Evaluation d'un système d'ACC sur un trajet long-routier

, Cette section présente les résultats de l'utilisation de la chaîne complète de simulation pour l'évaluation d'un algorithme d'Adaptive Cruise Control (ACC)

. Xxvi-f,

, ACC a un impact sur la distance à laquelle un véhicule suit le véhicule qui le précède dans le but d'éviter tout risque de collision. Ce système lisse ainsi les trajectoires des véhicules en anticipant les freinages

. Le-système-d'acc, . Lyon, and . Chambéry, Ce trajet est dans un premier temps généré sous forme de scénario de simulation pour le logiciel SUMO. Plusieurs données sont disponibles pour la comparaison : le cycle statique défini par un profil de vitesse (une simulation unique), les mesures (une vingtaine d'enregistrements), et le scénario simplifié (possibilité d'un grand nombre de simulations

, En comparant les profils de consommation cumulée on peut observer que les simulations résultant du scénario simplifié sont plus linéaires que les deux autres : les pentes, générées aléatoirement, peuvent différer de la réalité, Les vitesses moyennes sont quand à elles quasiment identiques entre les mesures et les scénarios simplifiés

, L'utilisation de paramètres moyens et d'aléatoire dans la génération des scénarios simplifiés, peut induire des écarts avec la réalité, même si statistiquement les cycles sont similaires. Cependant, l'usage de scénarios simplifiés permet d'évaluer de nouveaux systèmes d'aide à la conduite impossibles à tester à l'aide des cycles statiques traditionnels

, La comparaison des simulations, avec et sans activation de l'ACC, met en évidence le fait que cet algorithme lisse les trajectoires en décalant légèrement vers des valeurs un peu plus faibles la distribution des vitesses moyennes. Les consommations de carburant ne sont pas impactées par l

, Conclusion et perspectives

, Les travaux réalisés durant cette thèse ont permis de proposer des modèles adaptés aux poids lourds et des méthodes permettant de mettre en place rapidement des scénarios de simulation réalistes pour l'évaluation des nouveaux systèmes d'aide à la conduite

, De plus, le calage a ici été réalisé pour un type de poids lourd, avec un poids défini, il serait intéressant de vérifier les résultats sur d'autres véhicules. La génération des réseaux simplifiés apporte également plusieurs interrogations. Les trajets usuels ont été enregistrés autour de la même agglomération, on peut s'interroger sur la pertinence de ces valeurs pour une autre ville ou un autre pays. De plus, l'utilisation d'aléatoire nous éloigne parfois des moyennes, et pourrait rendre les scénarios générés non réalistes. Les informations générées pourraient également être améliorées en combinant plusieurs sources d'informations géographiques en

K. Aghabayk, Modelling heavy vehicle car-following in congested traffic conditions, p.XXI, 2013.

K. Aghabayk, M. Sarvi, and W. Young, Understanding the Dynamics of Heavy Vehicle Interactions in Car-Following, Journal of Transportation Engineering, vol.138, issue.12, p.XXI, 2012.

K. Aghabayk, M. Sarvi, N. Forouzideh, and W. Young, New Car-Following Model Considering Impacts of Multiple Lead Vehicle Types, Transportation Research Record: Journal of the Transportation Research Board, vol.2390, pp.131-137, 2013.

K. Aghabayk, M. Sarvi, and W. Young, A State-of-the-Art Review of Car-Following Models with Particular Considerations of Heavy Vehicles, Transport Reviews, vol.35, issue.1, pp.1464-5327, 2015.

K. Aghabayk, M. Sarvi, and W. Young, Including heavy vehicles in a car-following model: modelling, calibrating and validating, Journal of Advanced Transportation, vol.50, issue.7, pp.1432-1446, 2016.

J. E. Alvarez-benitez, R. M. Everson, J. E. Fieldsend-;-david-hutchison, T. Kanade, J. Kittler et al., A MOPSO Algorithm Based Exclusively on Pareto Dominance Concepts, Evolutionary Multi-Criterion Optimization, vol.3410, pp.459-473, 2005.

D. Chen, S. Ahn, S. Bang, and D. Noyce, Car-Following and Lane-Changing Behavior Involving Heavy Vehicles, Transportation Research Record: Journal of the Transportation Research Board, vol.2561, issue.9, pp.89-97, 2016.

N. Chiabaut, C. Buisson, and L. Leclercq, Fundamental Diagram Estimation Through Passing Rate Measurements in Congestion, XX CITEPA. Inventaire SECTEN, vol.10, pp.355-359, 2009.
URL : https://hal.archives-ouvertes.fr/hal-00951982

C. A. Coello and M. S. Lechuga, MOPSO: a proposal for multiple objective particle swarm optimization, vol.2, p.XXII, 2002.

A. Benjamin, Y. Coifman, and . Wang, Average Velocity of Waves Propagating through Congested Freeway Traffic, 2005.

L. Daniel, M. J. Gerlough, and . Huber, Traffic Flow Theory -A monograph, Transportation Research Board Special Report 165. H.P. Orland, p.XX, 1975.

P. G. Gipps, A behavioural car-following model for computer simulation, Transportation Research Part B: Methodological, vol.15, issue.2, pp.105-111, 1981.

B. Greenshields, A study of traffic capacity, Proceedings of the 14th Annual Meeting of the Highway Research Board, pp.96-1027, 1935.

. Heremaps and . Here,

J. Kennedy and R. Eberhart, Particle swarm optimization, vol.4, p.XXII, 1995.

D. Krajzewicz, J. Erdmann, M. Behrisch, and L. Bieker, Recent development and applications of SUMO-Simulation of Urban MObility, International Journal On Advances in Systems and Measurments, vol.5, issue.3&4, p.XXV, 2012.

L. Leclercq, Calibration of Flow-Density Relationships on Urban Streets, Transportation Research Record: Journal of the Transportation Research Board, pp.226-234, 1934.

M. J. Lighthill and G. B. Whitham, On Kinematic Waves. II. A Theory of Traffic Flow on Long Crowded Roads, Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol.229, p.XX, 1178.

L. Liu, L. Zhu, and D. Yang, Modeling and simulation of the car-truck heterogeneous traffic flow based on a nonlinear car-following model, Applied Mathematics and Computation, vol.273, pp.706-717, 2016.

G. F. Newell, A simplified car-following theory: a lower order model, In Transportation Research Part B: Methodological, vol.36, pp.195-205, 2002.

E. Nodine, A. Lam, M. Yanagisawa, and W. Najm, Naturalistic Study of Truck Following Behavior, Transportation Research Record: Journal of the Transportation Research Board, vol.2615, issue.2, pp.35-42, 2017.

S. Ossen and S. P. Hoogendoorn, Validity of Trajectory-Based Calibration Approach of Car-Following Models in Presence of Measurement Errors, Transportation Research Record: Journal of the Transportation Research Board, vol.2088, issue.1, pp.2169-4052, 2008.

V. Punzo, D. Formisano, and V. Torrieri, Nonstationary Kalman Filter for Estimation of Accurate and Consistent Car-Following Data, Transportation Research Record: Journal of the Transportation Research Board, vol.1934, pp.1-12, 2005.

V. Punzo, M. T. Borzacchiello, and B. Ciuffo, On the assessment of vehicle trajectory data accuracy and application to the Next Generation SIMulation (NGSIM) program data, Transportation Research Part C: Emerging Technologies, vol.19, issue.6, pp.1243-1262, 2011.

P. I. Richards, Shock Waves on the Highway, Operations Research, vol.4, issue.1, p.XX, 1956.

M. Sarvi, Heavy commercial vehicles-following behavior and interactions with different vehicle classes: Following behavior analysis in heavy vehicles, Journal of Advanced Transportation, 2011.

C. Thiemann, M. Treiber, and A. Kesting, Estimating Acceleration and Lane-Changing Dynamics from Next Generation Simulation Trajectory Data, Transportation Research Record: Journal of the Transportation Research Board, vol.2088, pp.90-101, 2008.

T. Toledo, N. Haris, K. I. Koutsopoulos, and . Ahmed, Estimation of Vehicle Trajectories with Locally Weighted Regression, In Transportation Research Record: Journal of the Transportation Research Board, vol.1999, pp.161-169, 2007.

M. Treiber and A. Kesting, Car-Following Models based on Driving Strategies, Traffic Flow Dynamics: Data, Models and Simulation, pp.187-198, 2013.

M. Treiber and A. Kesting, Elementary Car-Following models, Traffic Flow Dynamics, 2013.

T. Vieira-da-rocha, L. Leclercq, M. Montanino, C. Parzani, V. Punzo et al., Does traffic-related calibration of car-following models provide accurate estimations of vehicle emissions?, Transportation Research Part D: Transport and Environment, vol.34, pp.267-280, 2015.
URL : https://hal.archives-ouvertes.fr/hal-01215763

R. Wiedemann and U. Reiter, Microscopic traffic simulation: the simulation system MISSION, background and actual state, Proj. ICARUS Final report, p.XXI, 1992.

R. Wiedemann, Simulation des Strassenverkehrsflusses, p.XXI, 1974.

R. John, M. J. Windover, and . Cassidy, Some observed details of freeway traffic evolution, Transportation Research Part A: Policy and Practice, vol.35, issue.10, p.XX, 2001.

D. Yang, (. Peter, ). Jing, Y. Jin, B. Pu et al., Stability analysis of the mixed traffic flow of cars and trucks using heterogeneous optimal velocity car-following model, Physica A: Statistical Mechanics and its Applications, vol.395, p.XXI, 2014.