秦雅琴 錢正富 謝濟(jì)銘? 劉兵 趙榮達(dá) 王玥然 黃磊

基于社會力的交織區(qū)突發(fā)瓶頸段協(xié)同換道決策模型

秦雅琴1錢正富1謝濟(jì)銘1?劉兵2趙榮達(dá)2王玥然3黃磊3

（1. 昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650500；2. 云南省交通投資建設(shè)集團(tuán)有限公司，云南 昆明 650103； 3. 云南省交通科學(xué)研究院有限公司，云南 昆明 650011）

為描述交織區(qū)突發(fā)瓶頸段車輛換道決策機(jī)理，提供一種突發(fā)事件環(huán)境可采用的換道決策模型，本文基于車輛微觀軌跡信息與社會力行人交通流模型，構(gòu)建面向瓶頸路段的車輛協(xié)同換道決策模型，可為智能網(wǎng)聯(lián)突發(fā)瓶頸環(huán)境提供一種換道決策方法。首先，基于突發(fā)瓶頸段車輛換道決策特征，考慮車輛類型和駕駛員類型，構(gòu)建車輛等效質(zhì)量模型以改進(jìn)社會力模型，在此基礎(chǔ)上，將驅(qū)使車輛換道的因素描述為自驅(qū)動力、車輛間排斥力和障礙物排斥力，構(gòu)建協(xié)同換道決策模型；然后，篩選了832個有效的換道決策微觀軌跡數(shù)據(jù)，并分為標(biāo)定集和驗證集，以加速度為指標(biāo)，曼哈頓距離為目標(biāo)函數(shù)，利用遺傳算法對模型進(jìn)行標(biāo)定，基于模擬數(shù)據(jù)和實測數(shù)據(jù)驗證了標(biāo)定方法的有效性；最后，與主動換道決策模型在換道方向識別、換道意愿強(qiáng)度、模型預(yù)測誤差方面進(jìn)行對比驗證。結(jié)果表明，本文模型換道方向識別成功率達(dá)92.6%，輸出的換道意愿強(qiáng)度與實測數(shù)據(jù)基本吻合，預(yù)測結(jié)果的均方根百分比偏差（RMSPE）值平均降低0.825，相對誤差（RE）值平均降低1.379，顯著優(yōu)于主動換道決策模型。研究成果可為智能網(wǎng)聯(lián)環(huán)境瓶頸段車輛換道意圖識別、突發(fā)事件下的交通管理和控制提供理論依據(jù)。

交織區(qū)；突發(fā)事件；換道決策；社會力；遺傳算法；微觀軌跡數(shù)據(jù)；換道意圖識別

車輛行經(jīng)交織區(qū)過程中，受同向行駛的多股車流影響，交通運行狀況變得復(fù)雜，容易誘發(fā)追尾、剮蹭等交通沖突事件［1］。交織區(qū)一旦發(fā)生事故，必然迫使上游車輛產(chǎn)生強(qiáng)制換道等復(fù)雜各異的行駛行為，加劇交織區(qū)內(nèi)部車流的紊亂程度。國內(nèi)外學(xué)者主要從交通事件的檢測和識別［2-3］，以及交通事件對交通流的影響方面進(jìn)行了相關(guān)研究［4-5］。從更為微觀的角度探尋車輛換道行為的研究鮮見報道。

道路交通系統(tǒng)中，車輛的換道行為是基本的微觀駕駛行為之一，對交通流的影響顯著［6-7］。相較于跟馳行為，換道行為更為復(fù)雜，體現(xiàn)為車輛在運動過程中不僅受到同一車道前車的直接影響，還受到相鄰車道車輛行為的間接影響。換道行為建模則是對車輛在換道過程中根據(jù)前后車及相鄰車道車輛的運動狀態(tài)調(diào)整自身運動狀態(tài)的數(shù)學(xué)描述［8］，其關(guān)鍵在于換道決策行為識別與建模。換道決策行為發(fā)生于駕駛?cè)水a(chǎn)生換道意圖和執(zhí)行換道動作之間，側(cè)重于微觀決策過程的表達(dá)及物理參數(shù)的標(biāo)定［7］，主要以駕駛?cè)撕偷缆翻h(huán)境為切入點來研究。駕駛?cè)朔矫嬷饕紤]駕駛風(fēng)格［9］、駕駛?cè)瞬粷M度［10］等因素，而道路環(huán)境方面則針對交織區(qū)［11］、高速公路出口［12］、高速公路濃霧環(huán)境［13］進(jìn)行了研究。與智能網(wǎng)聯(lián)車輛的換道行為和決策行為研究存在著諸多不同［14-17］。在建模的方法上，智能網(wǎng)聯(lián)車輛對規(guī)則模型的使用頻率較高；對于應(yīng)用的具體道路，智能網(wǎng)聯(lián)車輛換道行為、決策行為建模較少關(guān)注城市道路；在建模考慮的因素方面，智能網(wǎng)聯(lián)車輛換道建模多考慮車輛動力學(xué)參數(shù)和周邊車輛的影響進(jìn)行模型構(gòu)建，建立協(xié)同換道模型；在換道類型方面，智能網(wǎng)聯(lián)車輛較少以強(qiáng)制/任意為區(qū)分進(jìn)行換道建模。因數(shù)據(jù)的制約，現(xiàn)階段換道決策建模仍較少綜合考慮人-車-路作用的機(jī)理［18］。

目前，面向交織區(qū)換道決策建模的相關(guān)研究雖較為成熟，但針對事故瓶頸影響下的換道決策行為研究仍相對缺乏。事故瓶頸段微觀軌跡數(shù)據(jù)的獲取受限，制約了相關(guān)換道決策研究。因此，本研究基于社會力模型，分析交通事件下的換道決策行為，借助交織區(qū)事故瓶頸段車輛微觀軌跡數(shù)據(jù)，以單車為對象，考慮其與周圍環(huán)境的相互影響并建立協(xié)同換道決策模型；模型的輸入為智能網(wǎng)聯(lián)車輛能夠?qū)崟r獲取的車輛位置、速度等相關(guān)數(shù)據(jù)，輸出的換道方向和換道意愿明確，能夠有效模擬事故影響下車輛換道決策行為，可為智能網(wǎng)聯(lián)環(huán)境下遭遇交通事件的自動駕駛車輛設(shè)計擬人化換道決策和行為算法提供參考依據(jù)。

1　研究概述

突發(fā)瓶頸現(xiàn)象是指，由于交通事故或者交通作業(yè)等突發(fā)性事件造成的非常態(tài)交通瓶頸現(xiàn)象。一般體現(xiàn)為：交織區(qū)發(fā)生事故或進(jìn)行施工時，會占用一條或多條車道，致使有效通行車道數(shù)減少，其他行經(jīng)車輛為避讓瓶頸區(qū)域須降速并強(qiáng)制換道，導(dǎo)致大量車輛在瓶頸路段上游積聚，交織區(qū)通行能力顯著下降。本研究將瓶頸路段及其上游影響區(qū)所構(gòu)成的區(qū)域定義為交織區(qū)突發(fā)瓶頸段，如圖1所示。交織區(qū)發(fā)生事故時，為避讓瓶頸區(qū)域，緊鄰車輛產(chǎn)生換道意圖，具體如下：

（1）保證安全的前提下，主動尋找間隙換道至相鄰車道，以避開事故車輛盡快通過瓶頸路段；

（2）車輛換道決策過程中受到周圍車輛，以及瓶頸處障礙物等空間實體的影響；

（3）周圍車輛會對具有換道意圖或特征的車輛采取避讓措施，車輛間有一定協(xié)作關(guān)系；

（4）車輛傾向于換至有利于到達(dá)目標(biāo)出口的車道。

突發(fā)瓶頸影響下的交織區(qū)車輛換道決策行為，可類比為社會力行人交通流模型［19］。社會力模型采用數(shù)理解析的方法描述行人在復(fù)雜環(huán)境下的運動過程，明確行人交通行為的產(chǎn)生源于自身的主觀行動力，同時受到周圍空間實體的排斥。

因此，為有效刻畫突發(fā)瓶頸環(huán)境車輛復(fù)雜換道決策行為，本文改進(jìn)社會力行人交通流模型，構(gòu)建交織區(qū)突發(fā)瓶頸段協(xié)同換道決策模型，利用遺傳算法進(jìn)行標(biāo)定，結(jié)合先驗?zāi)Ｐ蛯ζ溥M(jìn)行驗證，研究框架如圖2所示。

圖1　交織區(qū)事故瓶頸段示意圖

圖2　研究框架

2　交織區(qū)突發(fā)瓶頸段協(xié)同換道決策模型

2.1　突發(fā)瓶頸段協(xié)同換道決策模型概述

車輛行進(jìn)方向前方發(fā)生事故或進(jìn)行施工時，因行駛受阻、交織需求、前車緩行，必然會產(chǎn)生換道意愿或動機(jī)，并會根據(jù)周圍車輛運行狀態(tài)，判斷換道可行性和換道方向［20］。

圖3　決策階段主車受力示意圖

構(gòu)建的協(xié)同換道決策模型，如式（1）所示：

2.2　自驅(qū)動力

構(gòu)建主車自驅(qū)動力模型，如式（2）所示：

2.2.1期望速度修正函數(shù)

2.2.2等效質(zhì)量

2.3　車輛間的排斥力

2.3.1同車道排斥力

2.3.2相鄰車道排斥力

2.4　瓶頸區(qū)域?qū)囕v的排斥力

3　數(shù)據(jù)準(zhǔn)備

選取某城市快速路多車道交織區(qū)事故為研究案例，獲取該交織區(qū)發(fā)生事故時的視頻數(shù)據(jù)，利用核相關(guān)濾波車輛跟蹤優(yōu)化算法，提取行經(jīng)事故瓶頸段車輛微觀軌跡、車種類型，經(jīng)人工標(biāo)定與驗證，軌跡信息時間精度為0.125 s、空間精度為0.1 m/像素。數(shù)據(jù)顆粒度小，檢測結(jié)果精度高，能夠為協(xié)同換道決策模型的標(biāo)定與驗證提供量化依據(jù)。

為了協(xié)同換道決策模型的有效標(biāo)定和誤差驗證，首先需要提取換道決策片段。本研究基于實例場景，提取行經(jīng)交織區(qū)突發(fā)瓶頸段的車輛換道軌跡數(shù)據(jù)1 364條。如圖4所示，繪制橫向車速頻率分布直方圖，橫向車速大于0時，表明車輛朝左側(cè)行駛；反之，向右行駛?？梢钥闯觯?/p>

圖4　駕駛?cè)藱M向速度分布

（2）橫向車速集中于0 m/s附近，說明大多數(shù)時候車輛未執(zhí)行換道行為，但車輛實際面臨事故瓶頸段時，會受到前方障礙、周圍車輛互擾、自身換道意圖等復(fù)雜條件影響，出現(xiàn)橫向車速在0附近連續(xù)輕微擺動的情況，此時產(chǎn)生的橫向車速不可作為車輛換道的判定依據(jù)。

4　模型參數(shù)標(biāo)定與驗證

4.1　參數(shù)標(biāo)定

如前所述，基于突發(fā)瓶頸段車輛換道決策數(shù)據(jù)集的有效構(gòu)建，可對協(xié)同換道決策模型進(jìn)行參數(shù)標(biāo)定。模型參數(shù)標(biāo)定實質(zhì)上是一個以參數(shù)為自變量，以仿真結(jié)果和真實數(shù)據(jù)之差最小為目標(biāo)函數(shù)的非線性最優(yōu)化問題。在此基礎(chǔ)上進(jìn)行變量約束，過程為：

（1）在確定協(xié)同換道決策模型結(jié)構(gòu)的基礎(chǔ)上，輸入主車、周圍車輛、事故點以及交織區(qū)的相關(guān)運行狀態(tài)數(shù)據(jù)，可由協(xié)同換道決策模型仿真出主車受社會力情況，進(jìn)而得知主車加速度變化情況；

（2）將仿真得到的主車加速度數(shù)據(jù)和實測的主車加速度進(jìn)行曼哈頓距離比較，作為模型參數(shù)的誤差指標(biāo)；

（3）求解使誤差指標(biāo)最小化的模型參數(shù)，即為車輛協(xié)同換道決策模型的標(biāo)定參數(shù)。

4.1.1優(yōu)化算法

本文參數(shù)的標(biāo)定采用非線性規(guī)劃最優(yōu)解的形式，也是目前有關(guān)模型進(jìn)行參數(shù)標(biāo)定比較常見的辦法［26-27］。自變量為待標(biāo)定的各個參數(shù)，目標(biāo)函數(shù)取待標(biāo)定模型的仿真數(shù)據(jù)與實測數(shù)據(jù)的最小差值。由于求解目標(biāo)函數(shù)最小值涉及到向量運算，故選取更適用于度量向量間相似性的曼哈頓距離作為誤差指標(biāo)。目標(biāo)函數(shù)值越小，曼哈頓距離和誤差越小，表明兩個向量越相似，如式（8）所示：

采用遺傳算法求解目標(biāo)函數(shù)，遺傳算法具有魯棒性強(qiáng)、不易陷入局部最優(yōu)等優(yōu)點［28］，是一種模擬生物進(jìn)化過程的全局隨機(jī)搜索方法，通過對“染色體”群的不斷“優(yōu)勝劣汰”，得到最終“適應(yīng)環(huán)境”的個體，從而得到模型參數(shù)的全局最優(yōu)解，尋優(yōu)過程如下：

（1）隨機(jī)產(chǎn)生若干個體作為初始種群；

（2）逐個計算其適應(yīng)度；

（3）根據(jù)遺傳規(guī)律，對某代種群實施選擇、交叉和變異操作，產(chǎn)生下一代種群；

（4）判斷算法停止準(zhǔn)則是否滿足，如果不滿足，返回步驟（2）；如果滿足，輸出最大適應(yīng)度值個體作為最優(yōu)解，終止計算。

4.1.2參數(shù)設(shè)定

設(shè)置目標(biāo)函數(shù)后，需根據(jù)參數(shù)實際特性，進(jìn)一步設(shè)定模型參數(shù)約束條件［29］。根據(jù)車輛在交織區(qū)的協(xié)同換道決策特性，對模型參數(shù)設(shè)定如下。

（2）排斥力作用范圍。本研究選取的研究場景為城市快速路多車道交織區(qū)，車流密度大，車輛行駛緩慢，當(dāng)車輛間的距離超過限速值（100 km/h）時，彼此之間幾乎沒有影響［29］，故考慮排斥力的作用范圍的閾值為［0，100］m。

4.2　基于模擬場景的標(biāo)定測試

考慮本研究提出的模型難以獲取大量交織區(qū)事故瓶頸場景樣例，因此構(gòu)建模擬場景進(jìn)行模型及標(biāo)定方法測試［30-31］。

場景1、2車輛的具體空間位置分布見表1，輸入模擬數(shù)據(jù)測試模型，結(jié)果表明，對于不同模擬場景，模型結(jié)果與期望結(jié)果相符，說明了模型的敏感性；此外，場景1、2結(jié)果呈相對對稱分布，與模擬場景設(shè)定一致，這說明模型表現(xiàn)較為穩(wěn)定、可靠。

圖5　交織區(qū)事故瓶頸段換道場景1

圖6　交織區(qū)事故瓶頸段換道場景2

表1　兩類場景中車輛位置參數(shù)

4.3　基于真實數(shù)據(jù)的標(biāo)定測試

4.3.1模型標(biāo)定

在模擬場景的標(biāo)定測試基礎(chǔ)上，以實例交織區(qū)實測事故瓶頸段數(shù)據(jù)標(biāo)定協(xié)同換道決策模型參數(shù)，進(jìn)一步驗證模型的適用性和有效性［8］。

基于真實數(shù)據(jù)的標(biāo)定驗證過程如下：

（1）利用視頻數(shù)據(jù)提取算法，獲取1 364條事故瓶頸段車輛換道信息，每條信息包含車輛行進(jìn)方向、瞬時車速、空間位置、瞬時加速度等；

（2）通過數(shù)據(jù)篩選和人工觀看檢驗，最終獲取832條有效換道決策事件數(shù)據(jù)集；

（3）選擇換道決策事件開始幀作為標(biāo)定數(shù)據(jù)集，借助遺傳算法對模型進(jìn)行標(biāo)定，獲得標(biāo)定結(jié)果集和本研究提出的模型最優(yōu)參數(shù)；

（4）選取標(biāo)定數(shù)據(jù)集選取緊鄰下一幀換道決策事件數(shù)據(jù)作為驗證數(shù)據(jù)集，獲得驗證結(jié)果集。

由于遺傳算法本身具有一定的隨機(jī)性，為了盡可能找到最優(yōu)解，每次標(biāo)定過程連續(xù)重復(fù)60次，取誤差最小的10次為最終結(jié)果。本研究提出的模型最優(yōu)參數(shù)標(biāo)定結(jié)果見表2，可以看出，主車對事故點的排斥強(qiáng)度高于對后車和相鄰車道車輛的排斥強(qiáng)度，分布規(guī)律與模型設(shè)定結(jié)果一致，驗證了模型標(biāo)定方法的有效性。

表2　參數(shù)標(biāo)定結(jié)果

4.3.2標(biāo)定結(jié)果相似度分析

余弦相似度可衡量向量空間兩個向量間差異大小，即兩個向量夾角的余弦值，值越接近1，說明兩個向量越相似。余弦相似度可用于計算加速度之間的相似度。

相較于余弦相似度只能衡量向量在方向上的相似性，調(diào)整后的余弦相似度能夠從方向和大小兩個維度對向量的差異進(jìn)行比較，調(diào)整后的余弦相似度數(shù)值范圍為-1至1，數(shù)值越接近1說明向量之間的相似程度越高［33］。使用調(diào)整后的余弦相似度計算加速度在橫向和縱向上的相似度，如式（9）所示：

標(biāo)定出模型結(jié)果后，以實測加速度r為基準(zhǔn)，從橫、縱向性能指標(biāo)，分別驗證基于實測數(shù)據(jù)標(biāo)定結(jié)果s1、基于模型預(yù)測結(jié)果s2。計算得到調(diào)整后的余弦相似度結(jié)果表明：

（1）無論是橫向加速度還是縱向加速度，實測數(shù)據(jù)r與標(biāo)定結(jié)果s1的相似度都在0.99及以上，說明模型參數(shù)標(biāo)定精度高，反映了本文標(biāo)定方法和協(xié)同換道決策模型的有效性；

（2）基于+1時刻的換道決策事件得到的預(yù)測結(jié)果s2與實測數(shù)據(jù)r、標(biāo)定結(jié)果集s1比較，橫向加速度和縱向加速度方面的相似度均超過0.96，說明本研究構(gòu)建的模型穩(wěn)定、可靠、適用性強(qiáng)。

4.4　模型對比

最后，選取主動換道決策行為模型進(jìn)行對比驗證。該模型以社會力模型為基礎(chǔ)，引入Gipps跟馳模型，并考慮了換道效用和安全間隙［26］，與本研究提出的協(xié)同換道決策模型在基礎(chǔ)框架與換道目標(biāo)上一致。

將換道決策事件數(shù)據(jù)集分別輸入主動換道決策模型和協(xié)同換道決策模型，選取換道決策行為（不換道、向左換道、向右換道）與換道意愿強(qiáng)度兩個指標(biāo)，對比模型預(yù)測效果。

4.4.1換道決策行為對比

上述2個模型對主車換道決策行為的預(yù)測情況分布如圖7所示。

圖7　不同駕駛?cè)说膿Q道決策行為分布

28組換道決策事件中，協(xié)同換道決策模型識別出26組，成功率達(dá)92.9%。主動換道決策模型識別出1組，成功率僅為3.6%，其中有22組不進(jìn)行換道，這可能是因為主動換道決策模型中考慮了換道效用和安全間隙，在換道效用和安全間隙都符合條件的情況下，模型才能預(yù)測出主車的換道方向，在車流密度大、需進(jìn)行強(qiáng)制換道的交織區(qū)事故瓶頸段不能滿足主動換道決策模型所需的換道條件，故識別成功率低。

由此可見，本研究提出的協(xié)同換道決策模型對交織區(qū)事故瓶頸段中車輛換道決策行為的識別結(jié)果與實測數(shù)據(jù)基本一致，具有更強(qiáng)的適用性。

4.4.2換道意愿強(qiáng)度對比

可選用加速度大小描述車輛換道意愿強(qiáng)度［34］，實測數(shù)據(jù)、協(xié)同換道決策模型標(biāo)定結(jié)果、協(xié)同換道模型決策驗證結(jié)果和主動換道決策模型驗證結(jié)果如圖8所示，可以看出：

（1）整體上，協(xié)同換道決策模型標(biāo)定及預(yù)測結(jié)果與實測數(shù)據(jù)基本吻合，而主動換道決策模型預(yù)測結(jié)果與實測數(shù)據(jù)差異顯著，說明本文模型可更好地預(yù)測交織區(qū)事故瓶頸段復(fù)雜的加速度變化規(guī)律，描述車輛實際行駛意愿；

圖8　對比驗證階段不同駕駛?cè)说膿Q道強(qiáng)度

（2）主動換道決策模型的換道意愿強(qiáng)度即加速度大都為3.807 m/s2，這可能是由于模型中車輛運行條件的效用函數(shù)采用了二元離散選擇的方法，說明本研究構(gòu)建的考慮車距、速度與換道連續(xù)相關(guān)性函數(shù)關(guān)系模型，在交織區(qū)事故瓶頸段更為適用。

4.4.3模型誤差對比

如圖9、表3所示。由此可知：

（1）協(xié)同換道決策模型顯著優(yōu)于主動換道決策模型，其中，標(biāo)定結(jié)果最接近于真實值。

（2）誤差平均值、標(biāo)準(zhǔn)差方面，相對主動換道決策模型，協(xié)同換道決策模型的標(biāo)定結(jié)果和預(yù)測結(jié)果誤差平均值分別降低0.928和0.825，誤差標(biāo)準(zhǔn)差分別降低0.856、0.778，協(xié)同換道決策模型標(biāo)定結(jié)果與預(yù)測結(jié)果均表現(xiàn)較優(yōu)。

由上述RMSPE和RE指標(biāo)的驗證結(jié)果可知，本文構(gòu)建的協(xié)同換道決策模型標(biāo)定方法合理，預(yù)測結(jié)果可靠，可有效反映車輛行經(jīng)事故瓶頸段的真實行為，精準(zhǔn)刻畫車輛換道決策過程。

圖9　對比驗證階段不同車輛換道強(qiáng)度的RMSPE

表3　對比驗證階段模型誤差分布

5　結(jié)論

（1）本研究通過對微觀軌跡數(shù)據(jù)進(jìn)行特性分析，在社會力模型的基礎(chǔ)上，構(gòu)建車輛行經(jīng)交織區(qū)事故瓶頸段協(xié)同換道決策模型，利用微觀軌跡數(shù)據(jù)對模型進(jìn)行了標(biāo)定和驗證，模型對車輛換道決策行為具有較高的識別與預(yù)測精度。

（2）相較于復(fù)雜的交織區(qū)事故瓶頸段場景，本研究構(gòu)建的協(xié)同換道決策模型具有結(jié)構(gòu)簡單、函數(shù)輸入輸出關(guān)系明確、決策變化連續(xù)、對個體車輛行為差異適用性強(qiáng)等優(yōu)勢，可更加真實地刻畫車輛在實際復(fù)雜交通環(huán)境下的決策過程，可為面向瓶頸路段的自動駕駛車輛換道決策提供實用度較高的結(jié)果。

（3）遺傳算法的標(biāo)定精度高，但形成的中間變量隨機(jī)性、不確定性強(qiáng)，還需進(jìn)一步研究。同時，本文模型中考慮了駕駛?cè)孙L(fēng)格，但限于數(shù)據(jù)樣本種類限制，變量對模型的預(yù)測評價結(jié)果造成一定影響，有待后續(xù)獲取多類場景駕駛?cè)俗匀获{駛數(shù)據(jù)標(biāo)定驗證，進(jìn)一步提升模型預(yù)測的準(zhǔn)確性。

［1］ ZHAO J，LIU P，XU C，et al．Understand the impact of traffic states on crash risk in the vicinities of type A weaving segments：a deep learning approach［J］．Accident Analysis & Prevention，2021，159：106293.

［2］ REN J，CHEN Y，XIN L，et al．Detecting and locating of traffic incidents in a road segment based on lane-changing characteristics［J］．Transportmetrica A：Transport Science，2017，13（10）：853–873.

［3］ YANG D，WU Y，SUN F，et al．Freeway accident detection and classification based on the multi-vehicle trajectory data and deep learning model［J］．Transportation Research Part C：Emerging Technologies，2021，130：103303.

［4］ SUN C，PEI X，HAO J，et al．Role of road network features in the evaluation of incident impacts on urban traffic mobility［J］．Transportation Research Part B：Methodological，2018，117：101-116.

［5］ CAO D，WU J，DONG X，et al．Quantification of the impact of traffic incidents on speed reduction：a causal inference based approach［J］．Accident Analysis & Prevention，2021，157：106163/1-14.

［6］ DAS A，KHAN M N，AHMED M M．Detecting lane change maneuvers using SHRP2 naturalistic driving data：a comparative study machine learning techniques［J/OL］．Accident Analysis & Prevention，2020，142：105578.

［7］ WANG Z，SHI X，ZHAO X，et al．Modeling decentralized mandatory lane change for connected and autonomous vehicles：an analytical method［J］．Transportation Research Part C：Emerging Technologies，2021，133：103441.

［8］ 王殿海，陶鵬飛，金盛，等．跟馳模型參數(shù)標(biāo)定及驗證方法［J］．吉林大學(xué)學(xué)報（工學(xué)版），2011，41（S1）：59-65.

WANG Dian-hai，TAO Peng-fei，JIN Sheng，et al．Method of calibrating and validating car-following model［J］．Journal of Jilin University （Engineering and Technology Edition），2011，41（S1）：59-65.

［9］ UO D，MA J，CHANG R．Lane-changing-decision characteristics and the allocation of visual attention of drivers with an angry driving style［J］．Transportation Research Part F：Traffic Psychology and Behaviour，2020，71：62-75.

［10］ 陳慧，王潔新．基于駕駛?cè)瞬粷M度的高速公路自動駕駛換道決策［J］．中國公路學(xué)報，2019，32（12）：1-9，45.

CHEN Hui，WANG Jie-xin．A decision-making method for lane changes of automated vehicles on freeways based on drivers' dissatisfaction［J］．China Journal of Highway and Transport，2019，32（12）：1-9，45.

［11］ 彭博，王玉婷，謝濟(jì)銘，等．城市干線短交織區(qū)元胞自動機(jī)多級換道決策模型［J］．交通運輸系統(tǒng)工程與信息，2020，20（4）：41-48，70.

PENG Bo，WENG Yu-ting，XIE Ji-ming，et al．Multi-stage lane changing decision model of urban trunk road’s short weaving area based on cellular automata［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（4）：41-48，70.

［12］ 張?zhí)m芳，陳程，張佳妍，等．基于自然駕駛數(shù)據(jù)的高速公路出口換道決策模型［J］．同濟(jì)大學(xué)學(xué)報（自然科學(xué)版），2018，46（3）：318-325，333.

ZHANG Lan-fang，CHEN Cheng，ZHANG Jia-yan，et al．Modeling lane-changing behavior in freeway off-ramp areas using naturalistic driving data［J］．Journal of Tongji University（Natural Science），2018，46（3）：318-325，333.

［13］ 張青周，李振龍，曹政，等．高速公路濃霧環(huán)境下?lián)Q道決策規(guī)則提取及決策算法［J］.科學(xué)技術(shù)與工程，2019，19（21）：303-308.

ZHANG Qing-zhou，LI Zhen-long，CAO Zheng，et al．Decision-making rule extraction and decision-making algorithm for lane change in dense fog environment［J］．Science Technology and Engineering，2019，19（21）：303-308.

［14］ 李立，徐志剛，趙祥模，等．智能網(wǎng)聯(lián)汽車運動規(guī)劃方法研究綜述［J］．中國公路學(xué)報，2019，32（6）：20-33.

LI Li，XU Zhi-gang，ZHAO Xiang-mo，et al．Review of motion planning methods of intelligent connected vehicles［J］．China Journal of Highway and Transport，2019，32（6）：20-33.

［15］ WANG H，HUANG Y，KHAJEPOUR A，et al．Local path planning for autonomous vehicles： crash mitigation［C］∥ Proceeding of 2018 IEEE Intelligent Vehicles Symposium （IV）．Changshu：IEEE，1602-1606.

［16］ FENG Z，F(xiàn)U M，SONG W，et al．Decision making and local trajectory planning for autonomous driving in off-road environment［C］∥ Proceeding of 2020 3rd International Conference on Unmanned Systems （ICUS）．Harbin：IEEE，1180-1186.

［17］ FENG Z，SONG W，F(xiàn)U M，et al．Decision-making and path planning for highway autonomous driving based on spatio-temporal lane-change gaps［J］．IEEE Systems Journal，2021：1-11.

［18］ KUEFLER A，MORTON J，WHEELER T，et al．Imitating driver behavior with generative adversarial networks［C/OL］∥ Proceedings of 2017 IEEE Intelligent Vehicles Symposium （IV）．Redondo Beach：IEEE，2017：204-211.

［19］ 陳大飛．基于社會力的城市道路混合交通流建模與分析［D］．長沙：中南大學(xué)，2011.

［20］ DENG J-H，F(xiàn)ENG H-H．A multilane cellular automaton multi-attribute lane-changing decision model［J］．Physica A：Statistical Mechanics and its Applications，2019，529：121545.

［21］ 楊達(dá)，蘇剛，吳丹紅．基于社會力模型的無車道劃分異質(zhì)交通流研究［J］．交通運輸系統(tǒng)工程與信息，2018，18（3）：94-100.

YANG Da，SU Gang，WU Dan-hong．Non-lane-based heterogeneous traffic flow research based on social force model［J］．Journal of Transportation Systems Engineering and Information Technology，2018，18（3）：94-100.

［22］ 邱小平，孫若曉，馬麗娜，等．基于社會力的信號交叉口施工區(qū)交通流建模［J］．交通運輸系統(tǒng)工程與信息，2016，16（1）：99-104.

QIU Xiao-ping，SUN Ruo-xiao，MA Li-na，et al．Modeling and analyzing of traffic flow on the work zone of urban signalized intersection based on social force［J］．Journal of Transportation Systems Engineering and Information Technology，2016，16（1）：99-104.

［23］ YANG X，YANG X，LI Y，et al．Obstacle avoidance in the improved social force model based on ant colony optimization during pedestrian evacuation［J］．Physica A：Statistical Mechanics and Its Applications，2021，583：126256/1-15.

［24］ LI G，MA J，YANG Z．Characteristics of heavy vehicle discretionary lane changing based on trajectory Data［J］?．Transportation Research Record，2022，2676（3），258-275.

［25］ ZHU M，WANG X，TARKO A，et al．Modeling car-following behavior on urban expressways in Shanghai：a naturalistic driving study［J］．Transportation Research Part C：Emerging Technologies，2018，93：425-445.

［26］ YANG D，ZHOU X，SU G，et al．Model and simulation of the heterogeneous traffic flow of the urban signalized intersection with an island work zone［J］．IEEE Transactions on Intelligent Transportation Systems，2019，20（5）：1719-1727.

［27］ LIU S，WANG X，HASSANIN O，et al．Calibration and evaluation of responsibility-sensitive safety （RSS） in automated vehicle performance during cut-in scenarios［J］．Transportation Research Part C：Emerging Technologies，2021，125：103037.

［28］ 余朝軍，江駒，徐海燕，等．基于改進(jìn)遺傳算法的航班-登機(jī)口分配多目標(biāo)優(yōu)化［J］．交通運輸工程學(xué)報，2020，20（2）：121-130.

YU Chao-jun，JIANG Ju，XU Hai-yan，et al．Multi-objective optimization of flight-gate assignment based on improved genetic algorithm ［J］．Journal of Traffic and Transportation Engineering，2020，20（2）：121-130.

［29］ 禚保玲．基于社會力的同伴群走行模型研究［D］．北京：北京交通大學(xué)．2014.

［30］ 王建強(qiáng)，吳劍，李洋．基于人-車-路協(xié)同的行車風(fēng)險場概念、原理及建模［J］．中國公路學(xué)報，2016，29（1）：105-114.

WANG Jian-qiang，WU Jian，LI Yang．Concept，principle and modeling of driving risk field based on driver-vehicle-road interaction［J］．China Journal of Highway and Transport，2016，29（1）：105-114.

［31］ SAIFUZZAMAN M，ZHENG Z，MAZHARUL HAQUE M，et al．Revisiting the task-capability interface model for incorporating human factors into car-following models［J/OL］．Transportation Research Part B：Methodological，2015，82：1-19.

［32］ LI L X，WANG F Y．The automated lane-changing model of intelligent vehicle highway systems［C］∥ Proceedings of the IEEE 5th International Conference on Intelligent Transportation Systems．Singapore：IEEE，2002.

［33］ LI A，JIANG H，LI Z，et al．Human-like trajectory planning on curved road：learning from human drivers［J］．IEEE Transactions on Intelligent Transportation Systems，2020，21（8）：3388-3397.

［34］ 孫秦豫，付銳，王暢，等．人機(jī)協(xié)作系統(tǒng)中車輛軌跡規(guī)劃與軌跡跟蹤控制研究［J］．中國公路學(xué)報，2021，34（9）：146-160.

SUN Qin-yu，F(xiàn)U Rui，WANG Chang，et al．Vehicle trajectory-planning and trajectory-tracking control in human-autonomous collaboration system ［J］．China Journal of Highway and Transport，2021，34（9）：146-160.

Cooperative Lane Change Decision-Making Model of Bottleneck Emergency Section in Weaving Area Based on Social Force

QIN Yaqin1QIAN Zhengfu1XIE Jiming1LIU Bing2ZHAO Rongda2WANG Yueran3HUANG Lei3

（1. Faculty of Transportation Engineering，Kunming University of Science and Technology，Kunming 650500，Yunnan，China；2. Yunnan Communications Investment & Construction Group Co.，Ltd.，Kunming 650103，Yunnan，China；3. Yunnan Science Research Institute of Communication Co.，Ltd.，Kunming 650011，Yunnan，China）

To describe the lane-changing decision mechanism of vehicles in the bottleneck section of weaving area and provide a lane-changing decision model in the emergency environment, this paper constructed a collaborative lane-changing decision model of vehicles facing bottleneck section based on the micro-trajectory information of vehicles and the human traffic flow model of social force. This model can provide a lane-changing decision method for the sudden bottleneck environment of intelligent network connection. Firstly, based on the characteristics of lane-changing decision of vehicles in the sudden bottleneck section, the vehicle equivalent mass model was constructed to improve the social force model by considering the types of vehicles and drivers. On this basis, the factors driving vehicle lane-changing were described as automatic driving force, repulsive force among vehicles and repulsive force of obstacles, and the collaborative lane-changing decision model was constructed. Then, 832 microscopic trajectory data of lane change decisions were selected and divided into calibration set and verification set. The model was calibrated using genetic algorithm with acceleration as index and Manhattan distance as objective function. The validity of the calibration method was verified based on simulated data and measured data. Finally, this model was compared with the active lane changing decision model in lane changing direction identification, lane changing intention intensity and model prediction error. The results show that the success rate of lane change direction recognition of the proposed model is 92.6%, the output lane change intention intensity is basically consistent with the measured data, and the predicted RMSPE value decreases by 0.825 on average and RE value decreases by 1.379 on average, which are significantly better than those of the active lane change decision model. The research results can provide a theoretical basis for the identification of vehicle lane change intention in the bottleneck section of intelligent network environment and traffic management and control under emergencies.

weaving area；emergency；lane changing decision；social force；genetic algorithm；micro-trajectory data； lane change intention recognition

Supported by the National Natural Science Foundation of China （71861016） and the National Key Research and Development Program of China （2018YFB1600500）

U491

1000-565X（2022）07-0066-10

10.12141/j.issn.1000-565X.210787

2021-12-10

國家自然科學(xué)基金資助項目（71861016）；國家重點研發(fā)計劃項目（2018YFB1600500）

秦雅琴（1972-），女，博士，教授，主要從事交通系統(tǒng)安全與仿真研究。E-mail： qinyaqin@kust.edu.cn

謝濟(jì)銘（1994-），男，博士，主要從事城市干道交通狀態(tài)識別與演變研究。E-mail： xiejiming@stu.kust.edu.cn