陸金輝，鮑楠，胡晗，左加闊，師曉曄，潘甦

（南京郵電大學(xué)，江蘇 南京 210003）

0 引言

分析和識(shí)別車輛的各種行為是智慧交通系統(tǒng)發(fā)展中必須研究和解決的重要任務(wù)。根據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2021 年全國(guó)共發(fā)生道路交通事故273 098 起，其中涉及車輛變道的事故共7 370 起，占比2.7%[1]。駕駛員操作不規(guī)范、存在視線盲區(qū)、車輛間安全距離不足等都有可能造成事故的發(fā)生，因此需要駕駛員能夠準(zhǔn)確判斷目標(biāo)車輛的行為，例如左轉(zhuǎn)或換道等。如果主車輛能夠及時(shí)識(shí)別目標(biāo)車輛的危險(xiǎn)動(dòng)作，則可以避免嚴(yán)重事故。

近年來(lái)，車輛行為識(shí)別得到了廣泛地關(guān)注。準(zhǔn)確識(shí)別或預(yù)測(cè)目標(biāo)車輛行為有助于提高道路交通安全性，降低事故發(fā)生率，為此國(guó)內(nèi)外學(xué)者做了大量的研究。文獻(xiàn)[2] 提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN) 的駕駛?cè)诵袨樽R(shí)別方法，通過(guò)多層卷積和全連接層完成對(duì)車輛行為的分類。文獻(xiàn)[3] 利用隱馬爾科夫模型(Hidden Markov Model，HMM) 的時(shí)序性和支持向量機(jī)(Support Vector Machine,SVM) 的分類特性以達(dá)到提高準(zhǔn)確率的效果，提出了一種基于HMM 和SVM級(jí)聯(lián)算法的車輛駕駛行為識(shí)別方法。文獻(xiàn)[4] 比較分析了不同變道策略下的變道時(shí)間以及方向盤角度、相對(duì)距離和相對(duì)速度等特征參數(shù)，采用隨機(jī)森林（Random Forest,RF）分類器來(lái)構(gòu)建車輛行為識(shí)別模型。文獻(xiàn)[5]提出了一種基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）的車輛行為識(shí)別方法，通過(guò)引入注意力機(jī)制，利用網(wǎng)絡(luò)中自學(xué)習(xí)過(guò)程產(chǎn)生的權(quán)重，對(duì)LSTM 在不同時(shí)間的輸出結(jié)果進(jìn)行了權(quán)重求和，以便于有效使用編碼信息從而提高對(duì)車輛變道行為的辨識(shí)性能。文獻(xiàn)[6] 提出了一種基于SVM 的變道車輛軌跡預(yù)測(cè)方法，利用當(dāng)前駕駛員在變道過(guò)程中的行為和車輛的完整軌跡，結(jié)合SVM 識(shí)別縱向和橫向的預(yù)測(cè)誤差。文獻(xiàn)[7] 將K 鄰近分類算法（K-NearestNeighbor，KNN）引入異常激進(jìn)駕駛預(yù)警系統(tǒng)以幫助診斷識(shí)別駕駛員不規(guī)則車輛行為。文獻(xiàn)[8] 利用LSTM 可以捕獲和建模時(shí)間序列數(shù)據(jù)中的長(zhǎng)期相關(guān)性的性質(zhì)，以推斷接近十字路口的車輛的駕駛意圖。文獻(xiàn)[9] 用語(yǔ)義定義的車輛行為適應(yīng)各種駕駛場(chǎng)景，并結(jié)合神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）對(duì)周圍車輛的運(yùn)動(dòng)狀態(tài)信息進(jìn)行估計(jì)以推斷車輛行為。

由此可見(jiàn)傳統(tǒng)的道路車輛行為識(shí)別方法主要是基于機(jī)器學(xué)習(xí)算法，例如SVM、KNN、RF、LSTM 和HMM 等。然而上述方法通常需要手動(dòng)選擇特征，過(guò)程繁瑣，自適應(yīng)較差。此外，傳統(tǒng)的行為識(shí)別方法還面臨難以處理時(shí)序數(shù)據(jù)、模型復(fù)雜度過(guò)高等問(wèn)題。因此，本文提出一種基于混合高斯隱馬爾科夫模型（Mixed Gaussian Hidden Markov model,GM-HMM）的城市道路車輛行為識(shí)別方法，通過(guò)使用高斯混合模型（Gaussian Mixture Model,GMM）對(duì)特征數(shù)據(jù)進(jìn)行建模，同時(shí)使用HMM 對(duì)整個(gè)車輛行為序列進(jìn)行建模。與傳統(tǒng)方法相比，這種方法無(wú)需手動(dòng)選擇特征，具有自適應(yīng)性和對(duì)時(shí)序數(shù)據(jù)的優(yōu)秀處理能力。此外，該方法具有較高的準(zhǔn)確性和魯棒性，能夠有效地應(yīng)用于實(shí)際道路交通場(chǎng)景中，預(yù)防交通事故的發(fā)生。本文的創(chuàng)新點(diǎn)在于將GM-HMM 與城市道路車輛行為識(shí)別相結(jié)合，并通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了該方法的有效性。

1 數(shù)據(jù)采集和處理

本文通過(guò)仿真平臺(tái)模擬城市道路交通場(chǎng)景，獲取了城市三車道道路車輛行駛場(chǎng)景的車輛運(yùn)動(dòng)數(shù)據(jù)。在仿真過(guò)程中，需建立仿真基礎(chǔ)場(chǎng)景，包括車輛、道路和交通設(shè)備等，提供仿真交通控制模塊，包括周圍車輛的運(yùn)行狀態(tài)等[10]。研究對(duì)象為典型的城市三車道道路車輛行為，行駛場(chǎng)景如圖1 所示，目標(biāo)車輛與主車行駛在同一車道，車輛1、車輛2、車輛3、車輛4 是周圍參考車輛，分布在中間車道的兩邊。在該場(chǎng)景中，目標(biāo)車輛可以直行或左換道，為保證主車的駕駛安全性和舒適性，需要預(yù)測(cè)識(shí)別目標(biāo)車輛的行為，本文主要識(shí)別的是目標(biāo)車輛直行，左換道，右換道三種行為。

圖1 城市三車道道路車輛行駛場(chǎng)景圖

換道是駕駛員根據(jù)具體交通場(chǎng)景需要改善行車環(huán)境或節(jié)省時(shí)間，將車輛從一個(gè)車道移動(dòng)到另一個(gè)的過(guò)程的操作。一般換道過(guò)程中，車輛的變化可以描述成如下幾個(gè)階段：

（1）初始階段：在換道開(kāi)始時(shí)，車輛通常保持正常行駛速度，并開(kāi)始觀察適當(dāng)?shù)臅r(shí)機(jī)和間隙來(lái)進(jìn)行換道。

（2）加速階段：一旦駕駛員決定進(jìn)行換道，車輛將開(kāi)始加速以到達(dá)目標(biāo)車道，加速過(guò)程中，車輛逐漸增加速度，直到達(dá)到目標(biāo)位置，同時(shí)駕駛員需要確保本車輛與其他車輛保持安全的距離。

（3）恒速行駛階段：恒速行駛階段是車輛換道過(guò)程中速度保持穩(wěn)定的階段，一旦車輛行駛至目標(biāo)位置，它將保持恒定的速度，從而維持與周圍車輛的安全距離。

（4）減速階段：在車輛到達(dá)目標(biāo)車道一段時(shí)間后，需要減速到原來(lái)正常行駛速度并注意后方車輛的反應(yīng)和響應(yīng)時(shí)間。減速階段中，車輛速度逐漸減小，直到與初始階段速度相同。

在特征參數(shù)選擇上，其需要具有良好的區(qū)分度并且能夠有效地反映目標(biāo)車輛的行為，以提高識(shí)別的準(zhǔn)確度。但是過(guò)多的特征參數(shù)反而會(huì)極大地增加計(jì)算量，為了在車輛行為識(shí)別過(guò)程中減少計(jì)算復(fù)雜度，應(yīng)選擇較少的并具有代表性的特征參數(shù)以提高算法的效率[11]。在目標(biāo)車輛進(jìn)行車道變換時(shí)，它的縱向速度Vx、橫向速度Vy以及其車頭中心與初始時(shí)刻所在車道右側(cè)車道線的距離dr這3 個(gè)可測(cè)量信號(hào)相對(duì)于直行時(shí)會(huì)發(fā)生對(duì)應(yīng)的明顯變化。因此，將Vx、Vy和dr作為識(shí)別目標(biāo)車輛行為的特征參數(shù)。

為了訓(xùn)練HMM 模型的參數(shù)，往往需要充分的數(shù)據(jù)支持。本文通過(guò)使用仿真平臺(tái)模擬城市道路場(chǎng)景下的車輛行駛狀態(tài)，以實(shí)現(xiàn)車輛行為的識(shí)別。考慮到車輛行為的連續(xù)性，每秒內(nèi)進(jìn)行了10 次數(shù)據(jù)采集，以獲取目標(biāo)車輛的Vx、Vy和dr等特征參數(shù)形成觀測(cè)序列?？傆?jì)記錄了390 組目標(biāo)車輛的行駛狀態(tài)參數(shù)數(shù)據(jù)。這些數(shù)據(jù)被分為兩個(gè)部分，其中一部分用于模型的訓(xùn)練，分析目標(biāo)車輛在不同車輛行為下特征參數(shù)的變化規(guī)律，并訓(xùn)練相應(yīng)的車輛行為識(shí)別模型；其余的數(shù)據(jù)用于模型測(cè)試，來(lái)評(píng)估所建立的車輛行為識(shí)別模型的準(zhǔn)確率。

2 混合高斯隱馬爾科夫模型

2.1 HMM基本理論

HMM 是一種統(tǒng)計(jì)模型，可以用于建模時(shí)間序列數(shù)據(jù)。它假設(shè)觀測(cè)數(shù)據(jù)是由一系列未知的狀態(tài)序列生成的，并通過(guò)狀態(tài)轉(zhuǎn)移和觀測(cè)概率矩陣來(lái)對(duì)觀測(cè)數(shù)據(jù)進(jìn)行建模和識(shí)別，可以將序列的每個(gè)位置看作一個(gè)時(shí)刻[12]。狀態(tài)序列中每個(gè)狀態(tài)都是隱藏的，即不可觀測(cè)到的，故被稱為隱狀態(tài)，例如車輛行為識(shí)別中的左換道，右換道，直行等狀態(tài)，它們對(duì)于傳感器來(lái)說(shuō)是無(wú)法直接觀測(cè)到的。觀測(cè)序列是可觀測(cè)的數(shù)據(jù)序列，它們是根據(jù)相應(yīng)的狀態(tài)序列生成的，例如車輛行為識(shí)別中傳感器能夠直接采集到的位移、速度等車輛數(shù)據(jù)。HMM 對(duì)觀測(cè)事件的概率建?；趦蓚€(gè)假設(shè)：(1) 齊次馬爾科夫假設(shè)：t時(shí)刻隱狀態(tài)僅受t-1 時(shí)刻的狀態(tài)影響；(2) 觀測(cè)獨(dú)立性假設(shè)：任何時(shí)刻的觀測(cè)僅依賴于當(dāng)前時(shí)刻的狀態(tài)[13]。

通常情況下，一個(gè)HMM 模型可由以下參數(shù)進(jìn)行描述：λ＝{E,F,A,B,π}，π和A決定狀態(tài)序列、B決定觀測(cè)序列，通常簡(jiǎn)記為λ＝{A,B,π}，各參數(shù)意義如表1 所示。

表1 HMM參數(shù)表

HMM 每個(gè)時(shí)間步都存在著兩組相應(yīng)的變量。如圖2所示，其中上面的是隱狀態(tài)變量，其會(huì)隨時(shí)間按一定概率變化，下面的是觀測(cè)狀態(tài)變量，其可以是離散或連續(xù)的且只取決于當(dāng)前時(shí)刻隱狀態(tài)變量。St表示系統(tǒng)在t時(shí)刻的狀態(tài)，其對(duì)應(yīng)狀態(tài)可表示為St=qi，其取值集合記為S。Ot表示系統(tǒng)在t時(shí)刻的觀測(cè)，其對(duì)應(yīng)觀測(cè)值可表示為Ot=vk，其取值集合記為O[14]。

圖2 HMM結(jié)構(gòu)示意圖

已知HMM 模型λ，觀測(cè)序列長(zhǎng)度為T，S={S1,S2,…,ST}是長(zhǎng)度為T的狀態(tài)序列，O={O1,O2,…,OT} 是對(duì)應(yīng)的觀測(cè)序列，則觀測(cè)序列O的生成過(guò)程可以描述如下：

（1）初始狀態(tài)設(shè)置：由初始狀態(tài)分布π產(chǎn)生狀態(tài)S1=qi，其中qi是隱狀態(tài)的取值之一；

（2）時(shí)間步t的設(shè)置：令t=1；

（3）觀測(cè)生成：根據(jù)狀態(tài)St=qi的觀測(cè)概率分布bi(k) 生成Ot=vk；

（4）狀態(tài)轉(zhuǎn)移：根據(jù)狀態(tài)St的狀態(tài)轉(zhuǎn)移概率分布aij產(chǎn)生下一個(gè)狀態(tài)St+1=qj；

（5）更新時(shí)間步：令t=t+1，如果t＜T，轉(zhuǎn)到（3）；否則終止生成并輸出O。

2.2 GM-HMM模型構(gòu)建

高斯混合模型（GMM）能夠無(wú)限逼近任意連續(xù)型變量的分布，考慮到車輛的機(jī)動(dòng)行為通常被視為連續(xù)、時(shí)變和動(dòng)態(tài)過(guò)程，故車輛運(yùn)行數(shù)據(jù)為連續(xù)型變量，因此采用GMM 建立狀態(tài)輸出事件的隨機(jī)分布函數(shù)[10]。GMHMM 模型參數(shù)可用一個(gè)五元組表示：λ＝{π,A,c,μ,G}，其中π為初始狀態(tài)概率向量；A為狀態(tài)轉(zhuǎn)移矩陣；c為高斯分量權(quán)重系數(shù)；μ為高斯均值矩陣；G為高斯協(xié)方差矩陣。對(duì)于一個(gè)GM-HMM 模型，與HMM 相比而言，每一個(gè)隱狀態(tài)所對(duì)應(yīng)的觀測(cè)值由多個(gè)多維高斯函數(shù)生成，輸出的觀測(cè)值B經(jīng)由GMM 擬合并且不再是一個(gè)混淆矩陣，而是一組觀測(cè)變量的連續(xù)概率密度函數(shù)，可以表示為：

其中，F(xiàn)表示隱狀態(tài)j包含的高斯混合數(shù)，Cjf表示隱狀態(tài)j下第f個(gè)混合高斯元的權(quán)重，Cjf≥0，權(quán)重之和為1，μjf表示隱狀態(tài)j下第f個(gè)混合高斯元的均值矩陣，Gjf表示隱狀態(tài)j下第f個(gè)混合高斯元的協(xié)方差矩陣，N表示多維高斯概率密度函數(shù)[15]。

多維高斯概率密度函數(shù)N表達(dá)如下：

2.3 參數(shù)訓(xùn)練

HMM 主要涉及3 大問(wèn)題，分別為隱狀態(tài)概率計(jì)算、參數(shù)學(xué)習(xí)和隱狀態(tài)過(guò)程求解問(wèn)題。在車輛行為識(shí)別領(lǐng)域中，一般使用前后向(Forward-backward) 算法來(lái)實(shí)現(xiàn)對(duì)已收集到的車輛觀測(cè)數(shù)據(jù)進(jìn)行隱狀態(tài)概率計(jì)算，根據(jù)鮑姆-韋爾奇(Baum-Welch) 算法來(lái)進(jìn)行參數(shù)學(xué)習(xí)[16]。

在本文中車輛行為被分為3 類，即直行、左換道和右換道。GM-HMM 的參數(shù)學(xué)習(xí)也稱為參數(shù)訓(xùn)練，即給定觀測(cè)序列O＝{O1,O2,...,OT}，學(xué)習(xí)模型參數(shù)λ＝{π,A,c,μ,G}，需要訓(xùn)練參數(shù)，使得在該參數(shù)下，觀測(cè)序列概率P(O|λ)最大[17]。

GM-HMM 參數(shù)訓(xùn)練的過(guò)程如下：首先為每個(gè)車輛行為子模型設(shè)定初始參數(shù)，再?gòu)挠糜谟?jì)算初始均值矩陣μ0和協(xié)方差矩陣G0的訓(xùn)練數(shù)據(jù)中選取一組樣本數(shù)據(jù)并進(jìn)行輸入，根據(jù)前后向算法計(jì)算內(nèi)部狀態(tài)的前向和后向概率。其次計(jì)算每個(gè)觀測(cè)值的中間輔助變量，根據(jù)鮑姆-韋爾奇算法迭代地更新模型參數(shù)，使其最大化訓(xùn)練數(shù)據(jù)樣本的似然性。在每次迭代的過(guò)程中，依據(jù)當(dāng)前參數(shù)計(jì)算前向概率、后向概率和輔助變量，并不斷更新模型參數(shù)。重復(fù)執(zhí)行該過(guò)程，直到模型參數(shù)收斂，最后保存并得到3 個(gè)車輛行為子模型的最終參數(shù)[18-19]。

一般情況下，參數(shù)π和A對(duì)最終訓(xùn)練結(jié)果的影響十分微小，故能夠任意設(shè)置其初始值，因此，將π和A用式（3）和（4）進(jìn)行初始化。然而，C，u和G的初始值對(duì)最終訓(xùn)練結(jié)果有顯著影響，可以采用自動(dòng)聚類算法對(duì)其進(jìn)行初始化。

本文通過(guò)使用Python 中的編寫程序來(lái)訓(xùn)練相應(yīng)模型，以建立獨(dú)立的HMM 來(lái)描述目標(biāo)車輛的3 種車輛行為。

2.4 城市道路車輛行為識(shí)別

如圖3 所示，將測(cè)試數(shù)據(jù)樣本依次輸入3 個(gè)子模型（直行GM-HMM、左換道GM-HMM、右換道GM-HMM）中，通過(guò)前后向算法分別計(jì)算3 個(gè)子模型產(chǎn)生該觀測(cè)序列的概率P(O|λ) 并進(jìn)行比較。如果某一個(gè)模型的輸出概率值最大，則表示該子模型與給定觀測(cè)數(shù)據(jù)的匹配度最高，其對(duì)應(yīng)車輛行為即為待識(shí)別狀態(tài)結(jié)果[20]。

圖3 城市道路車輛行為識(shí)別過(guò)程

為了解決數(shù)值下溢問(wèn)題、簡(jiǎn)化計(jì)算和方便參數(shù)估計(jì)，提高HMM 中概率計(jì)算的效率和穩(wěn)定性，本文對(duì)計(jì)算識(shí)別概率結(jié)果取對(duì)數(shù)，對(duì)應(yīng)的3 個(gè)車輛行為模型計(jì)算部分樣本結(jié)果如表2 所示。根據(jù)最大似然估計(jì)原理，需要選擇能夠使觀測(cè)數(shù)據(jù)出現(xiàn)概率最大的模型作為最可能匹配的模型，故將每行最大數(shù)值對(duì)應(yīng)的車輛行為作為識(shí)別結(jié)果，并標(biāo)出識(shí)別正誤。

表2 車輛行為識(shí)別結(jié)果

3 實(shí)驗(yàn)結(jié)果分析

通過(guò)仿真平臺(tái)構(gòu)建城市三車道道路場(chǎng)景，在場(chǎng)景項(xiàng)目中以圖1 的目標(biāo)車輛左換道為例。添加目標(biāo)車輛和周圍參考車輛，將目標(biāo)車輛放置在所需車道和位置上，確保目標(biāo)車輛與主車行駛在同一車道，將車輛1、車輛2、車輛3 和車輛4 分布在其他車道，以模擬周圍參考車輛的行駛。所有車輛按照預(yù)定義規(guī)則進(jìn)行路徑規(guī)劃，并遵守交通規(guī)則。

目標(biāo)車輛左換道場(chǎng)景具有以下屬性：

（1）車輛1、車輛2、車輛3、車輛4 和主車均以V=15 m/s 勻速行駛，且與目標(biāo)車輛保持一定的安全距離。

（2）設(shè)置每個(gè)車道寬均為3.6 m,車輛尺寸為所選擇仿真車輛模塊設(shè)定尺寸,每一路段距離為200 m。

（3）目標(biāo)車輛起始以15 m/s 勻速行駛，其進(jìn)行左換道時(shí)先加速至20 m/s，當(dāng)穿越車道線到達(dá)目標(biāo)位置后將保持恒定的速度行駛t0時(shí)間，從而維持與周圍車輛的安全距離。經(jīng)過(guò)t0后目標(biāo)車輛減速至初速度15 m/s 后繼續(xù)勻速行駛，并根據(jù)其位置坐標(biāo)記錄其車頭中心與初始所在車道右側(cè)車道線的距離。

（4）當(dāng)目標(biāo)車輛完成換道后，所有車輛均繼續(xù)直行到路段終點(diǎn)，場(chǎng)景結(jié)束。

（5）完成之前的場(chǎng)景后，所有車輛行駛到新的路段，新場(chǎng)景立即重新啟動(dòng)，以確保駕駛場(chǎng)景之間的連續(xù)性。

（6）每次換道過(guò)程至少持續(xù)4 s，以確保完全改變車道或保持車道。

時(shí)間窗口大小的選取對(duì)于識(shí)別準(zhǔn)確率具有重要影響，較短的時(shí)間窗口可能無(wú)法捕捉到足夠的行為特征，導(dǎo)致識(shí)別準(zhǔn)確性降低，而較長(zhǎng)的時(shí)間窗口可能引入過(guò)多的上下文信息，并且需要更長(zhǎng)的計(jì)算時(shí)間[21]。本文研究了不同時(shí)間窗口大小下的行為識(shí)別準(zhǔn)確率，如圖4 所示，包括0.5 s、1 s、1.5 s、2.0 s、2.5 s 和3.0 s。比較發(fā)現(xiàn)，在2.0 s 時(shí)間窗口下，對(duì)應(yīng)的三種車輛行為的識(shí)別準(zhǔn)確率最高，故2 s 的時(shí)間窗口大小能夠在捕捉目標(biāo)車輛行為細(xì)節(jié)的同時(shí)保持較高的識(shí)別準(zhǔn)確性，為最優(yōu)選擇。因此本文使用2.0 s 的時(shí)間窗口進(jìn)行連續(xù)識(shí)別，每次移動(dòng)間隔設(shè)置為1.0 s，由此產(chǎn)生的每個(gè)觀測(cè)序列長(zhǎng)度為20，其中每個(gè)時(shí)間點(diǎn)都記錄了目標(biāo)車輛的特征參數(shù)值數(shù)據(jù)。

圖4 不同時(shí)間窗口下的識(shí)別準(zhǔn)確率

為檢驗(yàn)所建立的車輛行為識(shí)別模型的效果，采用識(shí)別精度來(lái)評(píng)估模型識(shí)別任務(wù)中的性能。它反映了模型正確識(shí)別的樣本在總樣本中的比例。通過(guò)仿真平臺(tái)收集的樣本數(shù)據(jù)進(jìn)行車輛行為識(shí)別精度檢驗(yàn)，如表3 所示，在2.0s時(shí)間窗口大小下的樣本檢驗(yàn)中，150 個(gè)直行樣本有139 個(gè)被準(zhǔn)確識(shí)別，識(shí)別精度達(dá)到92.7%，120 個(gè)左換道樣本有108 個(gè)被準(zhǔn)確識(shí)別，識(shí)別精度達(dá)到90%，120 個(gè)右換道樣本檢驗(yàn)有109 個(gè)正確樣本數(shù)，識(shí)別精度達(dá)到90.8%，表明預(yù)測(cè)模型的識(shí)別性能良好。

表3 車輛行為識(shí)別精度

同時(shí)，本文還對(duì)比了不同算法下對(duì)車輛行為識(shí)別的準(zhǔn)確率，例如本文中的直行、左換道、右換道三種行為的混合，如表4 所示，包括SVM、K-NN、HMM 和GMHMM，通過(guò)分析車輛行駛特征數(shù)據(jù)來(lái)判斷當(dāng)前的行為。在車輛行為識(shí)別方面，SVM 達(dá)到了較高的準(zhǔn)確率，為87.2%；由于KNN 的預(yù)測(cè)速度較慢，對(duì)異常值敏感等缺陷，KNN 準(zhǔn)確率相對(duì)較低，為77.8%；HMM 的準(zhǔn)確率為88%；GM-HMM 實(shí)現(xiàn)了最高的準(zhǔn)確率，達(dá)到91.2%。

表4 不同算法下的車輛行為識(shí)別準(zhǔn)確率

綜上所述，相對(duì)于其他算法，GM-HMM 結(jié)合了HMM 和GMM 的優(yōu)勢(shì)，能夠更準(zhǔn)確地對(duì)車輛行為進(jìn)行建模和識(shí)別，提高了準(zhǔn)確率。由此可見(jiàn)，本文提出的GMHMM 算法在車輛行為識(shí)別領(lǐng)域具有較高的精度和魯棒性。

4 結(jié)束語(yǔ)

根據(jù)對(duì)GM-HMM 的應(yīng)用和仿真結(jié)果的分析，本文成功地提出了一種基于該模型的車輛行為識(shí)別方法。通過(guò)仿真獲取城市道路場(chǎng)景下車輛運(yùn)動(dòng)軌跡信息和車輛信息，并對(duì)這些信息進(jìn)行了數(shù)據(jù)處理和特征參數(shù)選取。通過(guò)對(duì)模型參數(shù)進(jìn)行訓(xùn)練迭代更新，結(jié)合前后向算法，成功實(shí)現(xiàn)了對(duì)城市道路車輛行為的準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果表明，相較于其他算法，采用GM-HMM 進(jìn)行車輛行為識(shí)別具有較高的精度。該方法的應(yīng)用可以幫助提高城市道路駕駛的安全性，為交通管理和智能交通系統(tǒng)等領(lǐng)域提供重要的數(shù)據(jù)支持，具有重要的實(shí)際應(yīng)用價(jià)值，并為進(jìn)一步研究和發(fā)展交通安全和智能交通技術(shù)提供了有益的借鑒和啟示。

然而，該方法仍然存在一些挑戰(zhàn)和改進(jìn)的空間。例如，模型的訓(xùn)練和更新過(guò)程可能受到數(shù)據(jù)噪聲和異常值的影響。此外，對(duì)于復(fù)雜的交通場(chǎng)景或特定的車輛行為，模型的性能可能會(huì)有所下降，需要進(jìn)一步優(yōu)化和改進(jìn)算法以應(yīng)對(duì)更多的駕駛情況。