周立宸，鄧建華

(蘇州科技大學(xué)土木工程學(xué)院，江蘇 蘇州 215011)

1 引 言

近年來，我國城鎮(zhèn)化的進(jìn)程加快，城鎮(zhèn)人口數(shù)量隨之急速增長，與此同時，汽車保有量也大幅增加，從而不斷影響著城市交通的運行安全，而換道行為作為主要因素之一致使交通事故頻發(fā)[1]。換道行為發(fā)生時，易引發(fā)與周圍車輛駕駛者駕駛行為的沖突，若能提前預(yù)測車輛是否會發(fā)生換道行為，就能有效降低由于車輛換道導(dǎo)致交通事故的概率，因此對車輛換道行為的預(yù)測研究成為熱點。

2 車輛行為特性分析及指標(biāo)選取

2.1 數(shù)據(jù)介紹

圖1 US-101公路段示意圖

選取的US-101公路段行車軌跡數(shù)據(jù)來自于美國NGSIM研究項目，它提供了大量可供換道行為研究的車輛軌跡數(shù)據(jù)。該公路基本情況如圖1所示，道路1#至5#為主干道，6#為集散車道，7#以及8#為出入匝道。Thiemann等人[2]認(rèn)為NGSIM中的換道軌跡數(shù)據(jù)為研究換道提供了良好的基礎(chǔ)的結(jié)論，Yang等人[3]與Dou等人[4]基于NGSIM數(shù)據(jù)完成了換道模型的校準(zhǔn)和驗證。由此，NGSIM數(shù)據(jù)滿足本文對車輛換道行為預(yù)測的研究。

2.2 數(shù)據(jù)平滑處理

由于車輛軌跡數(shù)據(jù)采集與提取過程中會出現(xiàn)一定的波動，有必要對其進(jìn)行平滑處理。本文利用LOESS局部加權(quán)回歸法，且選擇降速更快，平滑效果更好的權(quán)重函數(shù)tricube[5]，公式如下

(1)

ω(t0,ti)=(1-μ3)3

(2)

式中：Δ(t0)為t0點在平滑范圍內(nèi)與其最近一點的距離。μ(t0,ti)為ti到t0的歸一化距離。ω(t0,ti)為以t0為中點時ti的權(quán)重。

2.3 換道過程分析

將整個換道過程分為換道準(zhǔn)備階段、換道實施階段、調(diào)整恢復(fù)階段，如圖2所示。

圖2 換道階段劃分

換道決策階段：駕駛者產(chǎn)生換道意圖并在車內(nèi)感知周圍交通信息，信息主要有自身車輛車速、加速度、與前后車間距等。此時駕駛者會評估換道的可行性，若存在換道時機(jī)，則準(zhǔn)備開始換道操作。

換道實施階段：車輛持續(xù)發(fā)生換道行為，駕駛者觀察周圍交通狀況，保持方向盤轉(zhuǎn)動以及加減速踏板的使用，完成并線、壓線、越線的操作。

調(diào)整恢復(fù)階段：駕駛者完成車輛變道行為，在目標(biāo)車道上穩(wěn)定行駛。

2.4 車輛換道起止點截取

換道行為實質(zhì)是車輛在行駛過程中發(fā)生的連續(xù)橫向位移，通過程序設(shè)計對車輛換道前后的橫向位移量進(jìn)行遍歷，將換道前后發(fā)生連續(xù)橫向位移的數(shù)據(jù)段進(jìn)行截取并進(jìn)行統(tǒng)計，隨機(jī)選取車輛，對其橫向位移數(shù)據(jù)進(jìn)行展示，如表1所示。

表1 車輛部分橫向位移數(shù)據(jù)

在截取完成后，計算出車輛在換道時的平均橫向位移量為3.26 m，觀測路段車道寬度為3.5 m，基本符合換道位移距離的實際情況，截取效果如圖3所示。

圖3 換道起止點截取效果

2.5 換道車輛橫向速度分析

NGSIM原始數(shù)據(jù)統(tǒng)計的車速為車輛行駛時的瞬時速度，對其分解得到換道車輛換道起點處的橫向速度，其分布如圖4所示，范圍處于6～14 m/s的車輛占總體換道樣本的84.8%，分布較分散。

圖4 換道起點處車輛橫向速度分布

2.6 換道車輛偏角分析

車輛換道時最直觀的表現(xiàn)是車輛的偏角，本文設(shè)定轉(zhuǎn)角為車身豎直方向與垂直于車道方向的夾角，而未發(fā)生換道行為車輛偏角趨近于90°，車輛行駛過程中偏角θ如圖5所示。

圖5 車輛偏角示意圖

計算出換道起點處車輛的偏角，其分布如圖6所示，偏角分布集中于85°～89°，頻率為86.4%，換道起點處車輛角度偏轉(zhuǎn)明顯。

圖6 換道起點處車輛偏角分布

2.7 換道車輛車頭間距分析

車輛在行駛過程中進(jìn)行換道受自身車輛與前方車輛的相對距離的直接影響。如圖7所示，換道車輛在換道起點處車頭間距集中于5～25 m之間，占比69.5%，表明大部分車輛愿意在于前車距離較為安全時進(jìn)行換道。

圖7 換道起點處車頭間距分布

2.8 隨機(jī)森林參數(shù)指標(biāo)選取

隨機(jī)森林由Leo Breiman(2001)[6]提出的一種分類算法。隨機(jī)森林將多個決策樹合并，每一個需要測試的數(shù)據(jù)集可以被每一棵樹進(jìn)行分類，分類的結(jié)果再經(jīng)過統(tǒng)計后匯總得到最可能的分類。使用python中的sklearn模塊進(jìn)行，建立隨機(jī)森林模型。

輸入指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練，對換道和未換道數(shù)據(jù)進(jìn)行擬合，根據(jù)特征重要性排序進(jìn)行篩選，最終選取的指標(biāo)為：橫向速度，偏角，車頭時距，加速度，縱向速度，車頭間距。

3 換道預(yù)測研究

3.1 級聯(lián)LSTM模型構(gòu)建

對于換道預(yù)測的研究，Pentland[7]等構(gòu)建并訓(xùn)練隱馬爾科夫模型，預(yù)測了駕駛者換道意圖。谷新平等[8]提出了一種優(yōu)化的支持向量機(jī)模型，對換道行為擁有較高的識別率。然而換道行為是一個連續(xù)的過程，LSTM能很好的解決這類時序問題，本文提出一種級聯(lián)LSTM模型，由前一個LSTM網(wǎng)絡(luò)提取特征，輸出特征序列傳輸給后一個LSTM網(wǎng)絡(luò)，最終輸出預(yù)測結(jié)果，結(jié)構(gòu)如圖8所示。

圖8 級聯(lián)LSTM預(yù)測模型結(jié)構(gòu)

3.2 預(yù)測結(jié)果分析

對于換道行為預(yù)測結(jié)構(gòu)的分析，采用Acc、Recall以及Precision三種評價指標(biāo)對級聯(lián)LSTM以及單一LSTM進(jìn)行對比，對比結(jié)果如表2所示。

表2 預(yù)測結(jié)果對比

可以看出，級聯(lián)LSTM模型預(yù)測換道行為的發(fā)生準(zhǔn)確率達(dá)到93.6%，證明本文構(gòu)造級聯(lián)LSTM模型對換道行為進(jìn)行預(yù)測的方法可行，同時，在準(zhǔn)確率、召回率以及精確率三個評價指標(biāo)方面都高于普通LSTM模型。

4 結(jié) 論

通過對行駛車輛軌跡數(shù)據(jù)的研究，分析了換道車輛在換道行為發(fā)生時刻的部分行為特性，通過建立隨機(jī)森林模型對參數(shù)指標(biāo)進(jìn)行選取，并提出一種級聯(lián)LSTM模型對換道行為進(jìn)行預(yù)測，結(jié)果表明級聯(lián)LSTM預(yù)測準(zhǔn)確率達(dá)到93.6%，高于單一LSTM預(yù)測模型。研究可應(yīng)用于行駛車輛的換道預(yù)警，也可為自動駕駛深度學(xué)習(xí)提供一定的參考。

同時，研究仍存在不足，受限于數(shù)據(jù)內(nèi)容，沒有考慮車輛與駕駛者自身相關(guān)的因素如情緒、性格偏好等，未來會進(jìn)一步結(jié)合其它影響換道行為發(fā)生的因素進(jìn)行更深入的研究。