1、2023 年第 1 期(总第 347 期)黑龙江交通科技HEILONGJIANG JIAOTONG KEJINo1，2023(Sum No347)基于行驶轨迹的车辆换道行为预测方法研究周立宸，邓建华(苏州科技大学土木工程学院，江苏 苏州215011)摘要:车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于 NGSIM 项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标:横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联 LSTM 模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层 LSTM 模型对比。
2、结果表明:级联 LSTM 模型预测准确率可达 93 6%，具有良好的换道预测效果且高于单层 LSTM 模型，可为自动驾驶和深度学习提供一定的理论参考。关键词:行为特性;随机森林;神经网络;换道预测中图分类号:U492文献标识码:A文章编号:1008 3383(2023)01 0142 03esearch on the Prediction Method of Vehicle LaneChanging Behavior Based on Driving TrajectoryZHOU Li-chen，DENG Jian-hua(College of Civil Engineering，Suzhou
3、 University of Science and Technology，Suzhou，Jiangsu 215011，China)Abstract:Vehicle lane changing behavior is a common behavior when motor vehicles are driving on the road，and predicting it can ef-fectively reduce traffic accidents Based on the data of NGSIM project，this paper analyzes the behavior c
4、haracteristics of lane chan-ging vehicles at lane changing time，and uses the random forest algorithm to screen out the parameters that characterize lane chan-ging behavior，such as horizontal and vertical speed，acceleration，corner，headway and relative time distance A cascade LSTM model isproposed to
5、predict whether the vehicles will change lanes during driving，and compared with the traditional single layer LSTM mod-el The results show that the prediction accuracy of cascade LSTM model can reach 93 6%，which has a good lane change predictioneffect and is higher than that of single layer LSTM mode
6、l，and can provide some theoretical reference for autonomous driving and deeplearningKeywords:behavior characteristics;random forest;neural network;lane change prediction收稿日期:2022 05 10作者简介:周立宸(1996)，男，江苏常州人，硕士，研究方向:交通规划、交通仿真与控制1引言近年来，我国城镇化的进程加快，城镇人口数量随之急速增长，与此同时，汽车保有量也大幅增加，从而不断影响着城市交通的运行安全，而换道行为作为主要
7、因素之一致使交通事故频发1。换道行为发生时，易引发与周围车辆驾驶者驾驶行为的冲突，若能提前预测车辆是否会发生换道行为，就能有效降低由于车辆换道导致交通事故的概率，因此对车辆换道行为的预测研究成为热点。2车辆行为特性分析及指标选取2 1数据介绍选取的 US 101 公路段行车轨迹数据来自于美国 NGSIM 研究项目，它提供了大量可供换道行为图 1US 101 公路段示意图研究的车辆轨迹数据。该公路基本情况如图 1 所示，道路 1#至 5#为主干道，6#为集散车道，7#以及 8#为出入匝道。Thiemann 等人2 认为 NGSIM 中的换道轨迹数据为研究换道提供了良好的基础的结论，241DOI:
8、10.16402/ki.issn1008-3383.2023.01.040第 1 期周立宸，邓建华:基于行驶轨迹的车辆换道行为预测方法研究总第 347 期Yang 等人3 与 Dou 等人4 基于 NGSIM 数据完成了换道模型的校准和验证。由此，NGSIM 数据满足本文对车辆换道行为预测的研究。2 2数据平滑处理由于车辆轨迹数据采集与提取过程中会出现一定的波动，有必要对其进行平滑处理。本文利用LOESS 局部加权回归法，且选择降速更快，平滑效果更好的权重函数 tricube5，公式如下(t0，ti)=|ti t0|(t0)(1)(t0，ti)=(1 3)3(2)式中:(t0)为 t0点在平滑
9、范围内与其最近一点的距离。(t0，ti)为 ti到 t0的归一化距离。(t0，ti)为以 t0为中点时 ti的权重。2 3换道过程分析将整个换道过程分为换道准备阶段、换道实施阶段、调整恢复阶段，如图 2 所示。图 2换道阶段划分换道决策阶段:驾驶者产生换道意图并在车内感知周围交通信息，信息主要有自身车辆车速、加速度、与前后车间距等。此时驾驶者会评估换道的可行性，若存在换道时机，则准备开始换道操作。换道实施阶段:车辆持续发生换道行为，驾驶者观察周围交通状况，保持方向盘转动以及加减速踏板的使用，完成并线、压线、越线的操作。调整恢复阶段:驾驶者完成车辆变道行为，在目标车道上稳定行驶。2 4车辆换道起
10、止点截取换道行为实质是车辆在行驶过程中发生的连续横向位移，通过程序设计对车辆换道前后的横向位移量进行遍历，将换道前后发生连续横向位移的数据段进行截取并进行统计，随机选取车辆，对其横向位移数据进行展示，如表 1 所示。表 1车辆部分横向位移数据数据帧号横向位移/m车道编号329003253300135533101635378013243790081438000384在截取完成后，计算出车辆在换道时的平均横向位移量为 3 26 m，观测路段车道宽度为 3 5 m，基本符合换道位移距离的实际情况，截取效果如图3 所示。图 3换道起止点截取效果2 5换道车辆横向速度分析NGSIM 原始数据统计的车速为
11、车辆行驶时的瞬时速度，对其分解得到换道车辆换道起点处的横向速度，其分布如图4 所示，范围处于6 14 m/s 的车辆占总体换道样本的 84 8%，分布较分散。图 4换道起点处车辆横向速度分布2 6换道车辆偏角分析车辆换道时最直观的表现是车辆的偏角，本文设定转角为车身竖直方向与垂直于车道方向的夹角，而未发生换道行为车辆偏角趋近于 90，车辆行驶过程中偏角 如图 5 所示。图 5车辆偏角示意图计算出换道起点处车辆的偏角，其分布如图 6所示，偏角分布集中于 85 89，频率为86 4%，换道起点处车辆角度偏转明显。2 7换道车辆车头间距分析车辆在行驶过程中进行换道受自身车辆与前方车辆的相对距离的直接
12、影响。如图 7 所示，换道车辆在换道起点处车头间距集中于 5 25 m 之间，占比 69 5%，表明大部分车辆愿意在于前车距离较为安全时进行换道。341总第 347 期黑龙江交通科技第 1 期图 6换道起点处车辆偏角分布图 7换道起点处车头间距分布2 8随机森林参数指标选取随机森林由 Leo Breiman(2001)6 提出的一种分类算法。随机森林将多个决策树合并，每一个需要测试的数据集可以被每一棵树进行分类，分类的结果再经过统计后汇总得到最可能的分类。使用python 中的 sklearn 模块进行，建立随机森林模型。输入指标数据进行训练，对换道和未换道数据进行拟合，根据特征重要性排序进行
13、筛选，最终选取的指标为:横向速度，偏角，车头时距，加速度，纵向速度，车头间距。3换道预测研究3 1级联 LSTM 模型构建对于换道预测的研究，Pentland7 等构建并训练隐马尔科夫模型，预测了驾驶者换道意图。谷新平等8 提出了一种优化的支持向量机模型，对换道行为拥有较高的识别率。然而换道行为是一个连续的过程，LSTM 能很好的解决这类时序问题，本文提出一种级联 LSTM 模型，由前一个 LSTM 网络提取特征，输出特征序列传输给后一个 LSTM 网络，最终输出预测结果，结构如图 8 所示。3 2预测结果分析对于换道行为预测结构的分析，采用 Acc、e-call 以及 Precision 三
14、种评价指标对级联 LSTM 以及单一 LSTM 进行对比，对比结果如表 2 所示。表 2预测结果对比结构级联 LSTMLSTMAcc0 9360864ecall0 9290853Precision0 9330862图 8级联 LSTM 预测模型结构可以看出，级联 LSTM 模型预测换道行为的发生准确率达到 93 6%，证明本文构造级联 LSTM 模型对换道行为进行预测的方法可行，同时，在准确率、召回率以及精确率三个评价指标方面都高于普通 LSTM 模型。4结论通过对行驶车辆轨迹数据的研究，分析了换道车辆在换道行为发生时刻的部分行为特性，通过建立随机森林模型对参数指标进行选取，并提出一种级联 L
15、STM 模型对换道行为进行预测，结果表明级联 LSTM 预测准确率达到 93 6%，高于单一 LSTM预测模型。研究可应用于行驶车辆的换道预警，也可为自动驾驶深度学习提供一定的参考。同时，研究仍存在不足，受限于数据内容，没有考虑车辆与驾驶者自身相关的因素如情绪、性格偏好等，未来会进一步结合其它影响换道行为发生的因素进行更深入的研究。参考文献:1 孟祥海，郑来，史永义 考虑车道变换影响的高速公路交通事故预测模型研究J 公路交通科技，2014，31(6):121 126 2THIEMANN C，TEIBE M，KESTING A Estimatingacceleration and lane ch
16、anging dynamics from next gen-eration simulation trajectory dataJ Transportation e-search ecord，2008(2088):90 101 3 YANG D，ZHU L，YANG F，et al Modeling and analysisof lateral driver behavior in lane changing execution J Transportation research record，2015，2490(1):127 137 4DOU Y，YAN F，FENG D Lane changing prediction athighway lane drops using support vector machine and ar-tificial neural network classifiers J IEEE/ASME Inter-national Conference on Advanced Intelligent Mechatron-ics，AIM，IEEE，2016，2
