跟驰行为研究旨在探究单行道上前车运动状态的变化对后车行驶状态的影响,通过建立相应的跟驰模型进行仿真研究,可以揭示交通拥堵、交通流震荡等交通现象的内在机理,有助于研究交通流的稳定性、道路通行能力和运行效率.由于驾驶经验、性格等特征的差异,驾驶员会表现出不同的跟车特征.然而,传统的跟驰模型往往假设驾驶员的驾驶行为是同质的,较少考虑通行车辆驾驶风格的差异,这与实际情况不符.为此,本文首先提取了路面通行车辆的4种驾驶行为特征(变道、起步、制动、平稳行驶),开发了基于权重的自适应数据流引力聚类(Weight-based　Adaptive　Data　Stream　Gravity　Clustering,WAStream)算法,分别对不同驾驶行为特征时序数据进行聚类分析,进而根据驾驶风格评分模型量化了驾驶员不同驾驶行为的激进程度,实现了通行车辆驾驶风格的有效分类;接着通过分析不同风格驾驶员的跟驰数据,构建不同风格车辆的速度期望函数,并充分考虑主车与驾驶视野中多辆前车的速度差、加速度差等影响,提出了一种考虑驾驶员驾驶风格的车辆跟驰模型;最后基于NGSIM车辆轨迹数据,利用遗传算法标定考虑驾驶员驾驶风格的车辆跟驰模型的关键参数,实现模型的验证和数值仿真分析.实验结果表明:与经典的FVD模型相比,所提出的跟驰模型能够更好地拟合车辆跟驰数据,其MAE、MAPE、RMSE分别减小了1.511　m/s2、6.122%、1.064　m/s2;同时,该模型能够有效降低车辆在跟驰行为中的延迟性,构建更逼近真实情况的交通流场景,提高了交通流的稳定性.本研究提出的跟驰模型能够为交通运输规划和管理部门提供有效的决策信息,为微观交通仿真研究提供模型参考.