详情

原文传递基于行车轨迹的车辆变道行为预测方法研究

论文题名：	基于行车轨迹的车辆变道行为预测方法研究
关键词：	智能交通;行车轨迹;车辆变道行为;随机森林算法;长短记忆神经网络
摘要：	现如今，汽车保有量与日俱增，交通环境日趋复杂。变道行为是车辆行驶过程中最常发生的行为之一，倘若变道的时机把握不当，则很有可能对其它行驶车辆造成困扰，进而致使交通事故的产生，最终影响整个道路交通的运行。由此，对车辆的变道行为进行预测已经成为智能交通领域内的热点研究。目前，传统车辆变道预测模型大多基于物理模型、研究的数据大多来源于驾驶模拟器模拟产生而非车辆在真实道路上行驶产生以及在参数指标的选取上不够全面，并未考虑到车辆在日趋复杂的交通环境下变道行为存在的不确定性以及受两侧车道车辆影响下变道行为的随机性。本文基于NGSIM车辆行驶轨迹数据集进行研究，在对初选的变道过程原始数据进行平滑预处理后，利用随机森林算法模型提取合适的表征车辆变道行为的参数指标，研究构建基于长短记忆神经网络的变道行为预测模型，用于对车辆变道行为的短时预测。该模型也可用于在智能驾驶相关研究中构建变道行为的决策模型。主要的研究内容有：　　（1）结合国内外学者的相关研究，在分析变道行为特征的基础上，研究分析了能够表征车辆变道行为的参数指标，并分析了具有记忆效用的长短记忆神经网络模型在本研究中的适用性。　　（2）研究采用LOESS局部加权回归法进行变道过程轨迹数据的预处理，基于轨迹计算车辆偏角并对行驶速度与加速度进行分解，筛选出变道与车道保持样本，根据车辆的横向位移拟定了变道起始时刻，基于此截取车辆变道前以及车辆车道保持跟驰期间5s数据，运用一系列统计学方法分析车辆变道前和车辆车道保持跟驰期间的横向加速度、纵向速度、偏角、前车时距等参数指标的变化规律，发现两类样本有明显差异。　　（3）利用随机森林算法提供的参数指标重要性度量方法以及其计算高效且易实现的优点，构建随机森林模型，筛选出纵向速度变化量、横向加速度变化量、前车时距、偏角以及左右车道车辆时距等作为变道行为预测模型的参数指标。利用长短记忆神经网络对每辆车信息的记忆功能，基于每一时刻的数据，分别构建单层与双层长短记忆神经网络变道行为预测模型，发现在验证集上，双层结构预测效果更优，且在拟定变道起始时刻准确率最高，以此确定模型为双层结构并确认了变道起始时刻。　　（4）经过变道行为预测实验，该模型准确率、召回率以及查准率分别达到94.1%、93.5%以及93.3%，且在变道起始时刻，车辆横向位移集中于2.5cm~16.5cm，纵向速度变化量集中于0.25m/s~1.75m/s，前车间距变化量集中于5cm~60cm，前车时距集中于0.45s~2.7s，偏角集中于82°~88°，左前车时距集中于0.45s~3.5s，左后车时距集中于0.45s~2.25s，右前车时距集中于0.25s~2.25s，右后车时距集中于0.2s~2.2s。　　研究证明，通过理论分析法对车辆变道行为进行分析，利用一系列统计学方法分析不同驾驶行为发生前车辆运行状态和周围交通环境的变化规律，可初步选取表征车辆变道行为的参数指标，后基于随机森林模型选取的参数指标所构建的双层长短记忆神经网络变道行为预测模型预测效果较好，证明本文研究的变道行为预测方法可行。
作者：	周立宸
专业：	建筑与土木工程
导师：	邓建华;董苏波
授予学位：	硕士
授予学位单位：	苏州科技大学
学位年度：	2022