原文传递
基于Transformer的机动车换道决策与轨迹模型研究
| 论文题名： | 基于Transformer的机动车换道决策与轨迹模型研究 |
| 关键词： | 机动车;换道决策;换道轨迹;Transformer模型 |
| 摘要： | 道路上车辆的行驶状态主要包括跟驰和换道，其中，换道行为虽然在行驶状态中的占比较低，但因涉及到车道变换，对道路交通的影响程度明显高于跟驰行为，由此引发的交通事故、交通拥堵屡见不鲜。换道决策、换道轨迹一方面受到周围车辆的行驶状态的制约，另一方面也会对原车道和目标车道的车辆行驶状态产生较大影响，如何保证换道行为的安全、高效、可靠一直都是微观交通流的研究重点。对换道决策行为与换道轨迹进行建模与分析，一方面能使周围车辆提前预知车辆的换道行为，及时做出反应，另一方面，能够辅助交通从业人员对道路交通拥堵情况进行预测。 基于此，本文通过高精度轨迹数据集（HighD数据集）对换道行为进行研究，以深度学习作为工具，构建了基于Transformer模型的换道行为模型，通过其强大的数据提取能力，对换道行为的历史数据进行充分挖掘，以期实现换道决策行为的精准预测和换道轨迹预测的目的。主要研究内容与思路如下： （1）对异常数据进行筛选，包括数据缺失、轨迹异常等，根据不同类型异常，利用三次样条插值、公式计算填充、数据剔除等方法处理异常数据。对处理后的数据分车型、分行为进行筛选，从速度、加速度、角度、换道时间等方面进行特征分析，获取建模所需的数据。 （2）基于T-Encoder结构构建换道决策模型，通过随机搜索法、控制变量法、交叉验证法确定换道模型的结构与参数，结合二进制分区原理，将构建的模型用于换道决策行为预测，确定对换道决策行为影响最大的时间窗口。在相同连接密度下，构建基于BP神经网络的换道决策模型，从交叉熵误差、预测精度两方面对比模型在训练集、验证集上的效果。结果表明，同传统神经网络模型相比，构建的T-Encoder换道决策模型能更好的实现换道决策行为预测。 （3）基于Transformer整体结构构建换道轨迹模型，依托其掩码机制，使模型在实现并行训练的同时，对t时刻轨迹点的预测仅依赖t时刻之前的信息。通过对比不同结构、参数下的模型效果确定最优选择，采用自适应学习率调整策略保存最优模型，结合三次多项式对测试集上的预测轨迹点进行拟合。结果表明，预测轨迹的偏移量基本能够控制在0.2m以内，构建的Transformer换道轨迹模型对换道轨迹有着良好的预测效果。 |
| 作者： | 张洪瑞 |
| 专业： | 交通运输工程 |
| 导师： | 张生瑞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
