趙建東，趙志敏，屈云超，謝東繁，孫會君

（北京交通大學(xué)，a.交通運(yùn)輸學(xué)院；b.綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室；c.軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室，北京 100044）

0 引言

換道行為是車輛駕駛過程中的普遍行為，但換道不當(dāng)常導(dǎo)致車輛追尾和碰撞等交通事故，不僅影響道路通行能力，且威脅人們生命安全。精確高效識別車輛換道意圖，提前預(yù)知車輛行駛狀態(tài)，對減少交通事故，提高行車效率具有重大意義，是目前自動駕駛領(lǐng)域研究熱點(diǎn)之一。

1997年，換道意圖概念被首次提出，并利用隱馬爾科夫模型識別駕駛意圖[1]。張宇惠等[2]基于控制器局域網(wǎng)絡(luò)（Controller Area Network,CAN）信息采集到的駕駛原始數(shù)據(jù)，建立隱馬爾科夫模型（HMM）識別駕駛換道行為。除了單一的HMM外，許多學(xué)者還提出與HMM的混合模型。曲文奇[3]分析了車輛的駕駛行為與馬爾科夫過程的相關(guān)性，分別使用混合高斯-隱馬爾科夫模型（GMM-HMM）對左換道、右換道及車道保持建立了駕駛行為識別模型，結(jié)果顯示該方法對駕駛行為可以達(dá)到及時(shí)準(zhǔn)確的識別。宋曉琳等[4]建立基于HMM和支持向量機(jī)（SVM）的混合模型，比單獨(dú)的HMM和SVM的識別效率要高。徐婷等[5]基于實(shí)際道路實(shí)驗(yàn)數(shù)據(jù)，考慮車輛方向盤轉(zhuǎn)角、轉(zhuǎn)向角速度及相對安全距離這3個特征參數(shù)，提出混合了高斯混合模型（GMM）和連續(xù)型隱馬爾可夫模型（CHMM）的識別模型。

但HMM 相關(guān)模型的識別準(zhǔn)確度有限，且提升具有瓶頸，一些學(xué)者用貝葉斯方法、決策樹法及神經(jīng)網(wǎng)絡(luò)方法等進(jìn)行意圖識別。DOGAN等[6]用真實(shí)的交通數(shù)據(jù)訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)這3種神經(jīng)網(wǎng)絡(luò)，進(jìn)一步對比車輛的換道意圖和換道行為準(zhǔn)確性。陳亮等[7]基于NGSIM軌跡數(shù)據(jù)，提出了一種基于多分類支持向量機(jī)（Multiclass SVM）的車輛換道識別模型。黑凱先等[8]基于車輛仿真平臺采集到的數(shù)據(jù)，通過隨機(jī)森林決策樹算法，實(shí)現(xiàn)了對駕駛員換道行為的識別。蔣司楊等[9]基于實(shí)車試驗(yàn)采集的自然駕駛數(shù)據(jù)，建立XGBoost換道決策識別模型，并運(yùn)用交叉檢驗(yàn)和網(wǎng)格搜索（GS）算法優(yōu)化模型，結(jié)果顯示，模型在具體換道決策辨識上具有較好的實(shí)時(shí)性和準(zhǔn)確性。胡鑫[10]基于影像數(shù)據(jù)，將方向盤轉(zhuǎn)角和車道線距離作為換道行為識別的指標(biāo)變量，提出一種基于函數(shù)分布特性的換道行為識別方法，結(jié)果顯示，所提方法可以適應(yīng)更為復(fù)雜的交通環(huán)境。張海倫等[11]將車輛行駛狀態(tài)視為時(shí)間序列，提出基于自回歸積分移動平均（ARIMA）結(jié)合在線梯度下降（OGD）優(yōu)化器的在線預(yù)測模型，識別預(yù)測駕駛行為意圖。

近年來，深度學(xué)習(xí)被廣泛應(yīng)用，國內(nèi)外許多學(xué)者將深度學(xué)習(xí)方法應(yīng)用于意圖識別領(lǐng)域。ZYNER等[12]提出一種基于長短期記憶（LSTM）網(wǎng)絡(luò)模型識別車輛進(jìn)入交叉路口時(shí)駕駛員意圖。該模型輸入車輛位置、航向角和速度等參數(shù)，進(jìn)行學(xué)習(xí)訓(xùn)練，達(dá)到良好的識別效果。KHOSROSHAHI等[13]使用3D軌跡曲線和長短期記憶網(wǎng)絡(luò)模型開發(fā)了一個用于對道路車輛進(jìn)行駕駛行為分類的框架。XIE等[14]構(gòu)建了深度置信網(wǎng)絡(luò)（DBN）神經(jīng)網(wǎng)絡(luò)預(yù)測車輛換道決策過程，模型取到良好的預(yù)測效果。季學(xué)武等[15]基于真實(shí)路況信息NGSIM 數(shù)據(jù)集，提出一種基于LSTM的駕駛意圖識別模型，考慮了車輛之間的交互行為，與傳統(tǒng)模型相比，該模型具有較高的識別準(zhǔn)確率。宋曉琳等[16]提出一種基于長短期記憶網(wǎng)絡(luò)的換道意圖識別方法，能夠較為準(zhǔn)確地識別周圍車輛的換道意圖。李晨[17]提出了一種結(jié)合梯度提升樹（GBDT）、卷積神經(jīng)網(wǎng)絡(luò)和長短時(shí)記憶網(wǎng)絡(luò)算法的駕駛行為組合式預(yù)測模型，將GBDT在可解釋性上的優(yōu)勢和CNN-LSTM泛化能力強(qiáng)的優(yōu)勢有效結(jié)合在一起，得到了較好的預(yù)測效果。

綜上所述，現(xiàn)有研究多采用軌跡離散數(shù)據(jù)識別換道意圖，較少考慮車輛歷史行駛信息中存在時(shí)序特征和空間特征，這些特征對換道意圖識別具有不同程度的影響。因此，本文使用車輛軌跡數(shù)據(jù)，提出基于CNN_GRU 組合模型并融合注意力機(jī)制識別單次自由換道意圖。

1 軌跡數(shù)據(jù)預(yù)處理

“下一代仿真（Next Generation Simulation，NGSIM）”數(shù)據(jù)是在指定路段安裝高空攝像頭采集，記錄摩托車、小汽車以及大型車在一定時(shí)間內(nèi)通過特定路段的軌跡信息，包括：車輛橫向位置、縱向位置、速度、加速度以及前后車輛間隙等。本文所用的基礎(chǔ)數(shù)據(jù)為NGSIM數(shù)據(jù)集中的US-101路段，檢測區(qū)長度為640 m，數(shù)據(jù)采集的時(shí)間是上午7:50-8:35，檢測間隔為10 frame·s-1，車道寬12 feet，約3.66m。研究路段結(jié)構(gòu)如圖1所示。

圖1 US-101路段結(jié)構(gòu)Fig.1 US-101 section structure

US-101 路段原始數(shù)據(jù)主要變量的詳細(xì)說明如表1所示。

表1 原始數(shù)據(jù)描述Table 1 Raw data description

需要注意的是，車輛軌跡數(shù)據(jù)的縱向坐標(biāo)Y是以車輛行駛方向?yàn)檎较颍瑱M向坐標(biāo)X 以內(nèi)側(cè)車道往外側(cè)車道變化的方向?yàn)檎较?。原始?shù)據(jù)的長度單位為“英尺（feet）”，本文將其按1 英尺=0.3048 m進(jìn)行換算，使各變量的長度單位用“m”表示。

由于不同車輛類型駕駛性能差別較大，且為保證研究數(shù)據(jù)的純粹性，本文將摩托車和大型車先剔除，以小汽車單次自由換道為研究對象，僅分析小汽車換道行為。為了避免車輛強(qiáng)制換道及匝道的影響，所用的數(shù)據(jù)僅包含車道1，2，3，4的車輛軌跡數(shù)據(jù)。由于原始數(shù)據(jù)存在一定的誤差和噪聲，為了避免對實(shí)驗(yàn)結(jié)果產(chǎn)生影響，采用卡爾曼濾波器平滑處理原始數(shù)據(jù)的位置坐標(biāo)和速度等信息。以編號為2的車輛軌跡作為示例，經(jīng)過卡爾曼濾波器對軌跡數(shù)據(jù)平滑后的結(jié)果和原始數(shù)據(jù)對比如圖2所示。

圖2 第2號車降噪效果對比Fig.2 Data smoothing results

2 換道意圖分類

由于本文所用的車輛軌跡數(shù)據(jù)沒有對車輛駕駛行為分類，因此，需要將車輛行駛的軌跡先分為向左換道、向右換道和保持直線行駛3類，然后，再對提取出的各類軌跡標(biāo)注駕駛意圖標(biāo)簽。

（1）車輛換道行為

將車輛橫向坐標(biāo)發(fā)生單向連續(xù)變化的區(qū)間視為車輛換道過程，并以此為依據(jù)提取換道軌跡數(shù)據(jù)。具體的提取規(guī)則為：首先，找出車道號發(fā)生變化的時(shí)刻；其次，找出換道起點(diǎn)和換道終點(diǎn)。在文獻(xiàn)[18]的基礎(chǔ)上，本文對換道起點(diǎn)和換道終點(diǎn)的識別方法做出規(guī)定，即

式中：tslc和telc分別為換道起點(diǎn)和終點(diǎn)時(shí)間；tl為車輛跨越車道線的時(shí)刻；xl為換道車輛跨越車道線時(shí)的橫向坐標(biāo)；xt為車輛在t時(shí)刻的橫向坐標(biāo)；Wl為車道寬度。

式（1）和式（2）的含義可以用以下文字解釋。換道起點(diǎn)：從車道號發(fā)生變化的時(shí)刻起，向上游追溯，一直到車輛橫向坐標(biāo)第1 次大于等于上一秒的橫向坐標(biāo)（向左換道）或第1次小于等于上一秒的橫向坐標(biāo)（向右換道）。換道終點(diǎn)：向下游追溯一直到車輛橫向坐標(biāo)第1 次小于等于下一秒的橫向坐標(biāo)（向左換道）或第1次大于等于下一秒的橫向坐標(biāo)（向右換道）。換道持續(xù)時(shí)間Tlc為換道終點(diǎn)的時(shí)刻減去換道起點(diǎn)的時(shí)刻，即Tlc=telc-tslc。為了保證提取到的全部為換道成功的數(shù)據(jù)，在提取規(guī)則的基礎(chǔ)上增加1個約束條件，即換道終點(diǎn)和換道起點(diǎn)車輛的橫向坐標(biāo)距兩邊車道線的距離大于等于1/4 車道寬度。此約束是為了車輛在換道開始和換道結(jié)束時(shí)都處于車道的中央附近，去除掉不想換道或換道意愿不強(qiáng)的徘徊車輛。利用上述規(guī)則提取換道軌跡如圖3所示。

圖3 換道軌跡Fig.3 Lane change trajectory

（2）車輛直線駕駛行為

直線行駛數(shù)據(jù)提取規(guī)則如下：首先，在某條車道上車輛橫向坐標(biāo)在一定范圍內(nèi)變化（距離兩邊車道線1/4 車道寬度）；其次，車輛保持直線狀態(tài)10 s以上。利用以上數(shù)據(jù)提取規(guī)則，繪制車輛軌跡如圖4所示。

圖4 直線行駛軌跡Fig.4 Straight-line driving trajectory

（3）換道意圖數(shù)據(jù)標(biāo)注

為了盡可能獲取車輛換道意圖階段的數(shù)據(jù)，將車輛在換到目標(biāo)車道之前的數(shù)據(jù)均標(biāo)注為換道意圖數(shù)據(jù)，并在換道起點(diǎn)往前1 s 也標(biāo)注為換道意圖數(shù)據(jù)。以車輛向左換道為例，如圖5 所示，C為換道臨界點(diǎn)，B為換道起點(diǎn)，從B點(diǎn)往前固定時(shí)長1 s找到點(diǎn)A，通過滑動時(shí)窗法將A到C之間的序列標(biāo)記為0（左換道）。對于右換道的車輛，其標(biāo)注方法與左換道車輛相同，標(biāo)記為1。將直線行駛車輛全程軌跡數(shù)據(jù)標(biāo)記為2。

圖5 左換道車輛標(biāo)注示意Fig.5 Schematic diagram of labeling of vehicles changing lanes to left

3 換道意圖識別模型

3.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)（CNN）部分使用一維卷積Conv1D 神經(jīng)網(wǎng)絡(luò)，CNN能夠從數(shù)據(jù)中提取更深層次更抽象的特征，其中，一維卷積神經(jīng)網(wǎng)絡(luò)主要用于時(shí)間序列數(shù)據(jù)，本文使用車道發(fā)生變化之前的包含多個空間特征參數(shù)的車輛軌跡序列作為CNN網(wǎng)絡(luò)的輸入數(shù)據(jù)。內(nèi)部的計(jì)算式為

式中：ct,i為第i個卷積核ωi作用在t時(shí)刻輸入數(shù)據(jù)xt上所得到的特征向量；bi為偏置項(xiàng)。

3.2 門控循環(huán)單元（GRU）

GRU 單元的內(nèi)部結(jié)構(gòu)如下：首先，通過上一時(shí)刻傳輸?shù)臓顟B(tài)ht-1和當(dāng)前時(shí)刻的輸入xt利用Sigmoid（即圖6 中的σ）函數(shù)得到更新門和重置門的門控狀態(tài)，獲得門控狀態(tài)后，使用重置門值rt得到“重置”數(shù)據(jù)h′t-1=ht-1?rt，與輸入xt拼接起來，為了便于計(jì)算，需要將數(shù)據(jù)歸一到[-1,1] 之間，這里使用的是tanh 激活函數(shù)，得到。在“更新記憶”階段，使用了更新門zt，表達(dá)式為ht=（1-zt）?ht-1+zt??？梢钥吹剑@里的遺忘zt和選擇（1-zt）是鏈接的，即對于傳遞的維度信息，模型選擇性地遺忘，為了保持“恒定”的狀態(tài)，有多少權(quán)重（zt）被遺忘，模型就會使用包含當(dāng)前輸入的中所對應(yīng)的權(quán)重（1-zt）進(jìn)行彌補(bǔ)。

圖6 融合注意力機(jī)制的CNN_GRU模型結(jié)構(gòu)Fig.6 CNN_GRU model structure fused with attention mechanism

3.3 注意力機(jī)制原理

注意力模型最早應(yīng)用于機(jī)器翻譯領(lǐng)域[19]，通過逐漸發(fā)展已成為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的一個重要概念。注意力機(jī)制源于對人類視覺的研究，人類的視覺系統(tǒng)通常更關(guān)注圖像中一些有助于判斷的信息，而忽略不相關(guān)的信息[20]，并能區(qū)分信息的重要性。

注意力機(jī)制可以分為3 個步驟：一是輸入信息，二是計(jì)算注意力權(quán)重系數(shù)α，三是根據(jù)注意力權(quán)重系數(shù)α計(jì)算輸入信息的加權(quán)平均值。

假設(shè)1 個輸入信息的序列長度為T，用X=[X1,X2,…,XT]表示，計(jì)算注意力權(quán)重系數(shù)為

式中：s（Xi,q）為注意力打分機(jī)制，即

式中：U，V，W為權(quán)重矩陣；q為輸入序列中和換道意圖識別相關(guān)的查詢向量。

注意力權(quán)重系數(shù)αi表示為第i個信息受關(guān)注的程度，將其與輸入Xi進(jìn)行加權(quán)求和，可以得到注意力層輸出向量C，其計(jì)算公式為

然后，將利用注意力機(jī)制求得的特征表示C，使用全連接層，結(jié)合Softmax 函數(shù)得到換道意圖識別結(jié)果。

3.4 融合注意力機(jī)制的CNN_GRU模型構(gòu)建

針對換道意圖識別存在的時(shí)空問題，構(gòu)造了一種融合注意力機(jī)制（Attention）的卷積神經(jīng)網(wǎng)絡(luò)（CNN）與門控單元神經(jīng)網(wǎng)絡(luò)（GRU）組合模型。模型分為CNN、GRU 和注意力機(jī)制這3部分，在考慮環(huán)境信息較多時(shí)，輸入向量的長度和尺寸較高，可能導(dǎo)致模型訓(xùn)練速度和識別準(zhǔn)確度下降，而CNN 具有特征提取的作用，可以降低數(shù)據(jù)結(jié)構(gòu)復(fù)雜度，利于后續(xù)計(jì)算效率；GRU相比于LSTM，參數(shù)更少，計(jì)算效率更高，而且能夠有效處理軌跡序列數(shù)據(jù)，在對駕駛意圖進(jìn)行識別時(shí)，只根據(jù)1 個時(shí)刻的數(shù)據(jù)，很難判別出當(dāng)前時(shí)刻的駕駛意圖，只有根據(jù)一段時(shí)間的駕駛數(shù)據(jù)信息才能更好地判斷出當(dāng)前時(shí)刻的駕駛意圖。因此，為了能夠?qū)崿F(xiàn)對換道意圖進(jìn)行持續(xù)高效識別，同時(shí)，為了更好地利用駕駛軌跡數(shù)據(jù)信息，選取GRU 網(wǎng)絡(luò)有效預(yù)測車輛歷史軌跡序列。在CNN_GRU組合模型的基礎(chǔ)上，為了優(yōu)化該模型，加入了注意力機(jī)制，該部分負(fù)責(zé)為特征設(shè)置不同的權(quán)重，在實(shí)際駕駛場景中，周圍關(guān)聯(lián)車輛對目標(biāo)車輛的影響程度是不同的，為了在模型中反映這種情況，在GRU層之后加入注意力機(jī)制，通過注意力機(jī)制對車輛換道時(shí)空特征增加不同的權(quán)重系數(shù)，主動查詢最重要的信息，提升模型識別效果。經(jīng)過3部分計(jì)算之后，輸出的多個神經(jīng)元利用Softmax 函數(shù)，將值映射到（0，1）范圍內(nèi)，可以看作換道意圖的概率，本文將概率最大的一類當(dāng)作模型最終的換道意圖識別類別，從而達(dá)到分類的效果。

模型輸入用向量I表示，Ο為模型輸出向量。被預(yù)測車輛與周圍車輛的位置關(guān)系如圖7所示。

圖7 被預(yù)測車輛與周圍車輛位置示意Fig.7 Schematic diagram of predicted vehicle and surrounding vehicles

周圍車輛分別為被預(yù)測車輛的前車、后車，左車道的前車和后車，右車道的前車和后車，分別表示為car1，car2，car3，car4，car5，car6，其位置坐標(biāo)表示為（xi′,yi′），i′=1,2,3,4,5,6 ，速度表示為vi′，i′=1，2，3，4，5，6，被預(yù)測車輛的位置信息用（x0,y0）表示，速度為v0，令

式中：?xi′，?yi′為被預(yù)測車輛與周圍車輛的相對位置，即

選取的模型特征向量為被預(yù)測車輛本身的位置和速度信息，周圍車輛與被預(yù)測車輛的相對位置及絕對速度，則換道意圖模型的輸入向量I為

式中：為i′車在t時(shí)刻的位置和速度信息；N為歷史時(shí)域，即輸入車輛軌跡序列的長度。

若被預(yù)測車輛周圍車輛不存在，則將該車的位置信息和速度信息分別設(shè)置為xi′=+∞，yi′=+∞，vi′=v0。

換道意圖模型的輸出為車輛駕駛行為類別，包括：向左換道、向右換道及直線行駛3種，分別標(biāo)記為0，1，2，并分別用a1,a2,a3表示，將3種意圖類別用one-hot 編碼，a1=[1,0,0],a2=[0,1,0],a3=[0,0,1]，經(jīng)過softmax 函數(shù)，輸出概率向量記為O=（p1,p2,p3），其中，pi″（i″=1,2,3）表示車輛行駛狀態(tài)發(fā)生的可能性，即向左換道，向右換道及直線行駛的概率，為了得到精確的換道意圖，選取最大的概率記為1，其他駕駛行為的概率記為0，此時(shí)，O就變成了one-hot 向量，再與真實(shí)的換道意圖進(jìn)行對比，算出模型精確度。

4 實(shí)證分析

通過建立提取規(guī)則，本文得到了向左換道、向右換道和直線行駛3類數(shù)據(jù)集，根據(jù)提取的數(shù)據(jù)情況，直線行駛的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)大于其他駕駛行為的數(shù)據(jù)，為保證模型有良好的分類效果，從3 類數(shù)據(jù)集中各選取大約10000條數(shù)據(jù)作為模型所用數(shù)據(jù)集，并按照7∶1∶2的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。最后，對所有輸入的數(shù)據(jù)做歸一化處理，便于模型訓(xùn)練。模型選取精確率Precision（分類正確的正樣本個數(shù)占分類器判定為正樣本的樣本個數(shù)的比例）、召回率recall（分類正確的正樣本個數(shù)占真正的正樣本個數(shù)的比例）、F1-分?jǐn)?shù)F1-score（精確率與召回率的調(diào)和平均值）和準(zhǔn)確率Accuracy（分類正確的正樣本個數(shù)占總樣本個數(shù)的比例）作為評價(jià)指標(biāo)。

模型使用softmax 函數(shù)輸出3 類各自的概率，并規(guī)定最大概率的類別為預(yù)測類別，損失函數(shù)為categorical_crossentropy，優(yōu)化器為Adam，訓(xùn)練周期（epoch）設(shè)為150，batch_size 為16，dropout 為0.2，輸入軌跡長度N=10，對模型進(jìn)行訓(xùn)練和測試，所提模型換道意圖識別的混淆矩陣和評價(jià)指標(biāo)結(jié)果如圖8和表2所示。

由圖8 和表2 可知，融合注意力機(jī)制的CNN_GRU 換道意圖識別模型整體準(zhǔn)確率達(dá)到97.37%，說明意圖識別模型能夠準(zhǔn)確識別車輛的駕駛行為，具有良好的識別能力。向右換道的識別性最好，識別召回率達(dá)到99%以上，對直線行駛的識別召回率最低，為94.61%。究其原因，可能是因?yàn)閾Q道軌跡中，向左換道和向右換道的特征區(qū)分比較明顯，因此，很少會識別成相反的類型，而是容易誤判為直線行駛類型。

表2 模型性能結(jié)果Table 2 Model performance results

圖8 換道意圖識別模型混淆矩陣Fig.8 Confusion matrix for lane change intention recognition model

為進(jìn)一步評估所提模型的性能，分別選取LSTM、GRU、CNN_GRU 及CNN_LSTM_Att 等模型與本文所提出的CNN_GRU_Att 模型進(jìn)行對比，得到評估指標(biāo)如表3所示。

表3 模型性能對比結(jié)果Table 3 Model performance comparison results

為了更加全面評價(jià)模型，引入模型計(jì)算復(fù)雜度反映模型的性能和運(yùn)算效率，本文模型計(jì)算復(fù)雜度用模型參數(shù)數(shù)量和模型訓(xùn)練平均迭代時(shí)間兩個參數(shù)評估，表3中迭代時(shí)間表示模型迭代100次，平均迭代1次所用的時(shí)間。由表3可知，CNN_GRU_Att模型的準(zhǔn)確率高于其他模型，且迭代時(shí)間最小，為6.66 s。與CNN_LSTM_Att 相比，準(zhǔn)確率提高了2.1%，迭代時(shí)間減少3.72 s；與CNN_GRU 相比，準(zhǔn)確率提高了5.1%，迭代時(shí)間減少5.57 s；與LSTM、GRU 單一模型相比，準(zhǔn)確率分別提高了9.89%和7.45%，迭代時(shí)間減少了15.98 s 和12.52 s。說明模型對輸入特征的提取能力較強(qiáng)，且選用GRU 部分和注意力機(jī)制能夠有效提高換道意圖的識別性能。

為了反映換道意圖識別模型在不同預(yù)判時(shí)間下的識別性能，定義預(yù)判時(shí)間為車輛輸入到模型中的軌跡序列長度N，以召回率作為不同預(yù)判時(shí)間下的換道行為識別模型性能評價(jià)指標(biāo)，結(jié)果如表4所示。

表4 不同預(yù)判時(shí)間下模型識別性能對比Table 4 Comparison of model recognition performance under different prediction times

由表4 可知，當(dāng)預(yù)判時(shí)間為1 s 時(shí)，模型的整體識別準(zhǔn)確率最高，達(dá)到97.37%，在車輛換道前2 s內(nèi)，模型均能準(zhǔn)確識別出換道意圖，準(zhǔn)確率達(dá)到89%以上。通過統(tǒng)計(jì)上述提取出的換道數(shù)據(jù)的換道持續(xù)時(shí)間，可得換道平均持續(xù)時(shí)間為6.52 s，假設(shè)換道點(diǎn)之前和換道點(diǎn)之后各占3.2 s，則換道意圖識別模型在換道的前2 s均能準(zhǔn)確識別出車輛的行駛狀態(tài)，因此，說明所提模型能夠在車輛未執(zhí)行換道動作之前就能做出預(yù)判。

5 結(jié)論

本文得到的主要結(jié)論如下：

（1）為了實(shí)現(xiàn)準(zhǔn)確識別車輛換道意圖，通過建立提取規(guī)則，將車輛的駕駛行為劃分為向左換道、向右換道及直線行駛這3 類，并標(biāo)注換道意圖數(shù)據(jù)，通過提取被預(yù)測車輛的行駛信息和周圍車輛的行駛信息，考慮車輛之間的交互性，將被預(yù)測車輛的橫向坐標(biāo)、縱向坐標(biāo)、速度及與周圍車輛與其之間的相對橫、縱坐標(biāo)與速度作為模型輸入特征，并根據(jù)實(shí)際行駛情況，綜合考慮車輛行駛過程的時(shí)空特性及不同特征因素對車輛的影響程度不同，提出基于CNN_GRU 并融合注意力機(jī)制的換道意圖識別模型。

（2）模型的訓(xùn)練集和測試集都使用NGSIM數(shù)據(jù)集作為基礎(chǔ)數(shù)據(jù)，通過測試集數(shù)據(jù)評估模型性能，并與 LSTM、GRU、CNN_GRU 及CNN_LSTM_Att 等模型進(jìn)行對比，實(shí)驗(yàn)結(jié)果表明，融合注意力機(jī)制的CNN_GRU 模型整體識別準(zhǔn)確率較高，達(dá)到97.37%，迭代時(shí)間為6.66 s，準(zhǔn)確率比LSTM 單一模型提高了9.89%，比CNN_LSTM_Att組合模型提高了2.1%，且模型迭代時(shí)間均小于其他模型。通過分析不同預(yù)判時(shí)間的模型準(zhǔn)確度，可知在換道前2 s 內(nèi)均能準(zhǔn)確識別車輛換道意圖，準(zhǔn)確度為89%以上。換道意圖模型識別精度上的提升能夠?qū)囕v實(shí)際換道行為意圖提供更加精準(zhǔn)的感知和判斷，進(jìn)而使車輛合理地規(guī)劃自身的行駛路線，實(shí)現(xiàn)車道級戰(zhàn)略決策，從而使各車道的交通流達(dá)到均衡的運(yùn)行狀態(tài)，對降低換道風(fēng)險(xiǎn)，提高交通安全具有重要意義。