殷子健， 徐良杰， 劉偉， 馬宇康， 林海

1）武漢理工大學(xué)交通與物流工程學(xué)院，湖北武漢 430063；2）武漢大學(xué)國(guó)家網(wǎng)絡(luò)安全學(xué)院，湖北武漢 430072

交織區(qū)具有道路幾何形狀復(fù)雜、車流密度高及事故風(fēng)險(xiǎn)高的特點(diǎn)，是高速公路上交通流運(yùn)行最復(fù)雜的區(qū)域之一.自動(dòng)駕駛車輛通過(guò)感知周圍車輛狀態(tài)，預(yù)測(cè)其行駛軌跡以提高駕駛行為決策、路徑規(guī)劃與運(yùn)動(dòng)控制的準(zhǔn)確性，確保交通安全.高速公路交織區(qū)軌跡預(yù)測(cè)的準(zhǔn)確性對(duì)于提升道路安全、優(yōu)化交通流量與自動(dòng)駕駛性能至關(guān)重要.

軌跡預(yù)測(cè)旨在根據(jù)交通參與者在給定場(chǎng)景中的過(guò)去狀態(tài)估計(jì)其未來(lái)狀態(tài).傳統(tǒng)的軌跡預(yù)測(cè)模型包括基于物理的方法，如單軌跡法［1］、卡爾曼濾波法［2］及蒙特卡洛法［3］等，其局限性在于僅能進(jìn)行不超過(guò)1 s 的短時(shí)預(yù)測(cè)，且沒(méi)有考慮到相互作用等相關(guān)因素，導(dǎo)致預(yù)測(cè)準(zhǔn)確率不高.另一類基于機(jī)器學(xué)習(xí)的軌跡預(yù)測(cè)方法包括支持向量機(jī)［4］、隱馬爾可夫模型［5］和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)［6］等.這類模型通過(guò)挖掘數(shù)據(jù)特征來(lái)確定概率分布，其局限性在于對(duì)策略制定依賴強(qiáng)，以及泛化能力弱.因此，上述方法在軌跡預(yù)測(cè)中尚無(wú)法取得理想的預(yù)測(cè)性能.

基于深度學(xué)習(xí)的軌跡預(yù)測(cè)方法可以考慮物理、道路及交互相關(guān)因素，對(duì)復(fù)雜場(chǎng)景的適應(yīng)度更高.ALAHI 等［7］首次提出利用長(zhǎng)短時(shí)記憶（long shortterm memory， LSTM）神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)行人一般運(yùn)動(dòng)，并預(yù)測(cè)其未來(lái)軌跡.受行人軌跡預(yù)測(cè)的啟發(fā)，DEO 等［8］使用LSTM 編碼器提取周圍車輛的時(shí)間信息，并將其傳入社交池化層，提出經(jīng)典的卷積社交池化軌跡預(yù)測(cè)方法.隨后眾多學(xué)者運(yùn)用社交池化層，通過(guò)改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)或增加多模態(tài)輸入數(shù)據(jù)，獲得了更優(yōu)秀的軌跡預(yù)測(cè)模型.GUPTA等［9］基于改進(jìn)的社交池化對(duì)抗生成網(wǎng)絡(luò)模型，提出避撞概念并提升了模型準(zhǔn)確性.SONG 等［10］提出一種規(guī)劃知情軌跡預(yù)測(cè)（planning-informed trajectory prediction， PiP）方法，將車輛軌跡規(guī)劃和預(yù)測(cè)軌跡耦合，在車輛交互場(chǎng)景獲得更優(yōu)的預(yù)測(cè)效果.李立等［11］在原始社交池化模型基礎(chǔ)上引入速度差，提高了預(yù)測(cè)精度.CHEN 等［12］提出一種新型時(shí)空動(dòng)態(tài)注意網(wǎng)絡(luò)，能夠綜合捕捉時(shí)間和社會(huì)交互特征，并降低誤差.CHEN等［13］提出一種基于多損失函數(shù)的混合條件自動(dòng)編碼器生成對(duì)抗網(wǎng)絡(luò)（convolutional autoencoder - generative adversarial network，CAE-GAN）模型，提升了預(yù)測(cè)精度.韓皓等［14］在交織區(qū)車輛軌跡預(yù)測(cè)中加入注意力機(jī)制，并引入碰撞時(shí)間和避免碰撞減速度用于預(yù)測(cè)交織區(qū)換道車輛軌跡.

盡管上述改進(jìn)模型已能夠取得較優(yōu)性能，但隨著模型的不斷改進(jìn)，模型復(fù)雜程度和計(jì)算量均顯著增大，為智能車實(shí)時(shí)決策的計(jì)算能力帶來(lái)挑戰(zhàn).針對(duì)交織區(qū)復(fù)雜場(chǎng)景，遷移學(xué)習(xí)能夠快速準(zhǔn)確預(yù)測(cè)車輛未來(lái)軌跡，大幅提高預(yù)測(cè)計(jì)算效率.因此，本研究采用經(jīng)典的社交卷積池化神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證遷移學(xué)習(xí)［15］在高速公路交織區(qū)軌跡預(yù)測(cè)中的有效性.

1 交織區(qū)交通流運(yùn)行狀態(tài)分析

高速公路交織區(qū)通常包括入口匝道、出口匝道、主線車道和集散車道等，車輛在此區(qū)域需要進(jìn)行換道、合流、分流、加速及減速等復(fù)雜操作，以確保順利進(jìn)入或離開(kāi)高速公路，如圖1.其中，車道7 為進(jìn)口匝道，車道8 為出口匝道.由于交織區(qū)內(nèi)車流的復(fù)雜性和不確定性，分析其交通流運(yùn)行狀態(tài)具有重要意義.NGSIM（next generation simulation）數(shù)據(jù)集［16］是一組高度詳細(xì)的交通微觀數(shù)據(jù)，用于研究交通流特征和建立交通模型.本研究采用高速公路直線路段I-80 和高速公路交織區(qū)US-101 詳細(xì)車輛軌跡數(shù)據(jù)集對(duì)模型進(jìn)行遷移訓(xùn)練與驗(yàn)證.

圖1 交織區(qū)US-101車道示意Fig.1 Schematic diagram of weaving area US-101 lane.

1.1 交通流量及速度分析

交織區(qū)內(nèi)各車道的交通流量是評(píng)估交通流運(yùn)行狀態(tài)的關(guān)鍵指標(biāo).通過(guò)統(tǒng)計(jì)不同時(shí)間段內(nèi)的交通流量，可以獲取交織區(qū)的擁堵情況、交通需求變化等信息.車輛在交織區(qū)內(nèi)的速度分布與行駛安全和通行效率密切相關(guān).由于NGSIM 數(shù)據(jù)集在采集過(guò)程中受到傳感器誤差與環(huán)境干擾等因素影響存在噪音，為提高數(shù)據(jù)質(zhì)量，采用Savitzky-Golay濾波法對(duì)速度與坐標(biāo)等關(guān)鍵信息進(jìn)行平滑處理.基于高速公路交織區(qū)US-101 路段的45 min 數(shù)據(jù)，以5 min 為1 個(gè)時(shí)間窗口描述空間平均速度和流量關(guān)系，如圖2.依據(jù)最大流量Qm和臨界速度Vm將交通流狀況分為擁擠或不擁擠，所研究路段從08∶00開(kāi)始處于擁擠狀態(tài).

圖2 空間平均速度與流率關(guān)系Fig.2 Relationship of space-mean speed and flow.

1.2 交織區(qū)車輛軌跡穩(wěn)定性分析

在匝道與主線交匯的合流區(qū)和分流區(qū)，車輛需要完成合流與分流行為，這將對(duì)主線上直行的車輛產(chǎn)生干擾.由于合流區(qū)和分流區(qū)的交通特征復(fù)雜，因此，重點(diǎn)關(guān)注這些區(qū)域的車輛軌跡.由濾波處理過(guò)的車輛軌跡數(shù)據(jù)得到圖3.可見(jiàn)，匝道影響區(qū)包括車道4～8.交織區(qū)影響區(qū)的縱坐標(biāo)范圍為180～400 m.在進(jìn)入交織區(qū)前，車道4和車道5的車輛速度較低.在影響區(qū)的中間路段，車輛有明顯減速行為，車道5受交織合流影響更為顯著，車輛會(huì)加速離開(kāi)交織區(qū)影響區(qū).從車道6、7和8的時(shí)空軌跡速度圖中可見(jiàn)，其整體速度相對(duì)于直線行駛路段更低；進(jìn)入匝道的車輛在進(jìn)入集散車道6后，會(huì)有更急劇的減速行為.部分車輛選擇在進(jìn)入集散車道6后立即換道至車道5，從而導(dǎo)致車道6 中的軌跡出現(xiàn)中斷，這種行為對(duì)交織區(qū)影響區(qū)內(nèi)的車輛軌跡決策造成顯著影響，從而破壞了車輛軌跡穩(wěn)定性.

圖3 （a）車道4、 （b）車道5及（c）車道6 ～ 8的時(shí)空軌跡速度分布Fig.3 Spatio-temporal trajectory speed map for (a) lane 4, (b)lane 5, and (c) lanes 6-8 .

2 軌跡數(shù)據(jù)預(yù)處理及特征提取

2.1 軌跡數(shù)據(jù)預(yù)處理

以目標(biāo)車輛為原點(diǎn)，行駛方向?yàn)榭v向，垂直行駛方向?yàn)闄M向，建立平面直角坐標(biāo)系，如圖4中編碼器部分.研究時(shí)間范圍為8 s，車輛軌跡采樣率為10 Hz，每幀時(shí)間為0.1 s，將車輛的前3 s 和后5 s作為縱向軌跡研究范圍，前4 s和后4 s作為橫向軌跡研究范圍.對(duì)于縱向軌跡行為，若目標(biāo)車輛在研究時(shí)間范圍內(nèi)減速至原車速的80%以下，則視為直行制動(dòng)；否則為保持直行.橫向軌跡行為包括保持車道、向左換道及向右換道.進(jìn)一步將縱向行為和橫向行為編碼為獨(dú)熱張量（one-hot vector）.在研究空間范圍上，考慮預(yù)測(cè)車輛在縱向±27.432 m 和兩個(gè)相鄰車道內(nèi)的所有車輛.為此，建立3 × 13的單元網(wǎng)格，用于描述同幀時(shí)刻研究空間范圍內(nèi)的所有車輛位置.在考慮鄰車空間位置時(shí)，將空間劃分為3 × 39的網(wǎng)格單元，左側(cè)車道的車輛信息對(duì)應(yīng)前13 列，當(dāng)前車道的車輛信息對(duì)應(yīng)中間13 列，右側(cè)車道的車輛信息對(duì)應(yīng)后13 列.每個(gè)單元格使用車輛標(biāo)號(hào)進(jìn)行存儲(chǔ)，包含每個(gè)數(shù)據(jù)樣本的編號(hào)，車輛身份標(biāo)識(shí)（identity document， ID）及其所有幀的軌跡信息，通過(guò)這種劃分方式，可以描述各車道中的車輛分布和相互關(guān)系.由于模型使用3 s 的軌跡歷史進(jìn)行預(yù)測(cè)，因此，每個(gè)軌跡的最初3 s 不用于訓(xùn)練或測(cè)試，以確保模型的準(zhǔn)確性.將數(shù)據(jù)按照7∶1∶2劃分為訓(xùn)練集、驗(yàn)證集及測(cè)試集.其中，驗(yàn)證集用于檢驗(yàn)過(guò)擬合和調(diào)整超參數(shù)；測(cè)試集用于評(píng)估性能和繪制預(yù)測(cè)軌跡圖.

圖4 卷積社交池化LSTM軌跡預(yù)測(cè)模型Fig.4 Convolutional social pooling LSTM trajectory prediction model.

2.2 軌跡關(guān)鍵特征提取

對(duì)智能駕駛系統(tǒng)而言，周圍駕駛環(huán)境中存在許多無(wú)法直接獲取的信息，如其他車輛駕駛員的意圖及車輛的運(yùn)動(dòng)特性等.為能做出有效決策，智能駕駛系統(tǒng)需要利用可觀察變量（如位置、所在車道及鄰車信息等），提取車輛運(yùn)動(dòng)信息時(shí)間序列，來(lái)對(duì)這些難以獲取的信息進(jìn)行概率推斷.

目標(biāo)車輛及其附近車輛在特定歷史時(shí)段中的運(yùn)動(dòng)軌跡序列H為

其中，t為當(dāng)前時(shí)刻；Th為t時(shí)刻之前的歷史時(shí)段長(zhǎng)度；hp為t時(shí)刻之前的p時(shí)刻群體中所有車輛的位置；（xi，p，yi，p）為p時(shí)刻車輛i的位置；N為群體中車輛總數(shù).

p時(shí)刻目標(biāo)車輛的位置h0，p為

目標(biāo)車輛在預(yù)測(cè)長(zhǎng)度Tf內(nèi)的軌跡序列F定義為

通過(guò)監(jiān)督學(xué)習(xí)得到目標(biāo)車輛在未來(lái)一段時(shí)間內(nèi)所有時(shí)刻的位置概率分布P( )F|H為

其中，mk為目標(biāo)車輛將來(lái)采取的第k個(gè)行為類型；u為行為類型的總數(shù)；Pθ(F|mk，H)是在已知行為類型mk和已知?dú)v史信息H的條件下，目標(biāo)車輛未來(lái)出現(xiàn)軌跡序列的概率；P(mk|H)是已知?dú)v史信息H下選擇行為類型mk的概率；θ為目標(biāo)車輛在未來(lái)Tf時(shí)間段內(nèi)所有時(shí)刻的位置參數(shù)；θq是q時(shí)刻目標(biāo)車輛的位置參數(shù)；μx，q和μy，q分別表示q時(shí)刻車輛在橫向和縱向位置的期望；σx，q和σy，q是q時(shí)刻車輛在橫向和縱向位置的標(biāo)準(zhǔn)差；ρq是車輛橫向和縱向位置之間的相關(guān)系數(shù).

3 軌跡預(yù)測(cè)模型建立及遷移學(xué)習(xí)

3.1 神經(jīng)網(wǎng)絡(luò)模型的搭建

圖4 為卷積社交池化LSTM 軌跡預(yù)測(cè)模型，由編碼器、社交卷積池化模塊及解碼器組成.模型采用LSTM的序列到序列（seq2seq）網(wǎng)絡(luò)，用于預(yù)測(cè)道路上其他車輛的軌跡.為了學(xué)習(xí)道路上車輛的動(dòng)態(tài)和相互作用，使用兩種不同的編碼策略，分別為車輛動(dòng)態(tài)編碼和卷積社交池化編碼.網(wǎng)絡(luò)還能選擇性地對(duì)車輛的橫向和縱向運(yùn)動(dòng)模式進(jìn)行分類，以便預(yù)測(cè)基于不同運(yùn)動(dòng)模式的車輛軌跡.表1為預(yù)測(cè)模型的主要網(wǎng)絡(luò)結(jié)構(gòu).

表1 神經(jīng)網(wǎng)絡(luò)模型的主要網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Main network structure of neural network model

在模型前向傳播過(guò)程中，首先將輸入的歷史軌跡和周圍車輛信息分別通過(guò)輸入嵌入層和編碼器LSTM 進(jìn)行編碼；利用卷積社交池化層處理周圍車輛的編碼，以捕捉車輛間的相互作用；將車輛動(dòng)態(tài)嵌入和社交嵌入連接在一起，并將組合后的編碼傳遞給解碼器LSTM；根據(jù)解碼器LSTM 的輸出預(yù)測(cè)未來(lái)軌跡，并對(duì)橫向和縱向行為模式進(jìn)行分類.

3.2 訓(xùn)練及預(yù)測(cè)指標(biāo)選取

均方根誤差（root mean squared error，RMSE）衡量預(yù)測(cè)值與實(shí)際值之間的偏差，用以評(píng)估預(yù)測(cè)結(jié)果的準(zhǔn)確性.RMSE計(jì)算為

其中，Rq為q時(shí)刻的RMSE；xj，q和yj，q分別表示第j輛目標(biāo)車輛在q時(shí)刻的橫向和縱向?qū)嶋H位置；xˉj，q和yˉj，q分別表示第j輛目標(biāo)車輛在q時(shí)刻橫向和縱向的預(yù)測(cè)位置；n為所分析目標(biāo)車輛的總數(shù).

在車輛軌跡預(yù)測(cè)中，RMSE 是衡量模型性能的重要指標(biāo).在訓(xùn)練階段，RMSE 損失用于調(diào)整模型參數(shù)，目標(biāo)是縮小預(yù)測(cè)軌跡和實(shí)際軌跡之間的差距；在測(cè)試階段，RMSE 則被用來(lái)評(píng)估模型對(duì)未見(jiàn)過(guò)數(shù)據(jù)的預(yù)測(cè)能力.RMSE 較低意味著模型能準(zhǔn)確預(yù)測(cè)車輛的未來(lái)行駛路徑，具有優(yōu)良的泛化性能.

負(fù)對(duì)數(shù)似然（negative log-likelihood， NLL）是一種常用的損失函數(shù)，用于衡量模型預(yù)測(cè)概率分布與真實(shí)概率分布之間的差異，NLL計(jì)算為

其中，Lq為q時(shí)刻的NLL 值；mture為模型預(yù)測(cè)出現(xiàn)概率最高的動(dòng)作類型.

在訓(xùn)練過(guò)程中，通過(guò)最小化預(yù)測(cè)概率分布與真實(shí)概率分布之間的負(fù)對(duì)數(shù)似然來(lái)優(yōu)化模型參數(shù)，使模型預(yù)測(cè)結(jié)果更接近實(shí)際行駛軌跡的概率分布.在測(cè)試過(guò)程中，NLL可以作為評(píng)估指標(biāo)，用于衡量模型在測(cè)試數(shù)據(jù)上的性能.

雙變量高斯分布是高斯分布在二維空間的推廣，可以表示兩個(gè)隨機(jī)變量之間的關(guān)聯(lián).雙變量高斯分布的概率密度函數(shù)由均值向量和協(xié)方差矩陣決定，計(jì)算為

其中，x和y為隨機(jī)變量；μx和μy是x和y的均值；σx和σy是x和y的標(biāo)準(zhǔn)差；ρ是x和y之間的相關(guān)系數(shù)，-1 ≤ρ≤1.Z計(jì)算為

在目標(biāo)車輛行為預(yù)測(cè)中，采用雙變量高斯分布概率密度函數(shù)估計(jì)不同行為組合的概率.關(guān)注2種橫向行為和3 種縱向行為，即6 種不同行為組合，如圖5.通過(guò)目標(biāo)車輛的歷史軌跡數(shù)據(jù)擬合雙變量高斯分布，獲取其均值向量和協(xié)方差矩陣，從而捕捉橫向和縱向行為之間的相關(guān)性.利用擬合得到的雙變量高斯分布計(jì)算概率密度函數(shù)，用于估計(jì)未來(lái)軌跡上各個(gè)行為組合的概率.雙變量高斯分布概率密度函數(shù)提供了一種直觀且易于計(jì)算的方法，以量化不同行為組合的可能性.

圖5 橫向與縱向行為組合Fig.5 Lateral and longitudinal maneuver combinations.

對(duì)所有可能的行為組合進(jìn)行概率評(píng)估，并選取具有最大概率的組合作為預(yù)測(cè)點(diǎn).能夠在橫向和縱向行為之間找到最有可能發(fā)生的行為組合，從而更準(zhǔn)確預(yù)測(cè)未來(lái)軌跡.預(yù)測(cè)軌跡包含多個(gè)潛在的軌跡，每個(gè)軌跡預(yù)測(cè)對(duì)應(yīng)1 個(gè)縱向和橫向的行駛狀態(tài).根據(jù)橫向和縱向行為的預(yù)測(cè)概率選擇最可能的行為，最終從這6個(gè)行為類別的預(yù)測(cè)結(jié)果中選擇最大概率的軌跡作為最終預(yù)測(cè)結(jié)果.

3.3 模型訓(xùn)練及遷移學(xué)習(xí)

本研究使用NGSIM 數(shù)據(jù)集中的I-80 和US-101軌跡數(shù)據(jù)進(jìn)行遷移訓(xùn)練和軌跡預(yù)測(cè).硬件配置包括i5-12400 CPU 和RTX 3060 GPU，利用基于Python語(yǔ)言的PyTorch框架構(gòu)建神經(jīng)網(wǎng)絡(luò)模型.采用Adam（adaptive moment estimation）梯度下降優(yōu)化算法，設(shè)置學(xué)習(xí)率為0.001，樣本批量為128.訓(xùn)練過(guò)程選用RMSE和NLL作為損失函數(shù)，遷移學(xué)習(xí)過(guò)程采用NLL 作為損失函數(shù).本研究設(shè)計(jì)了4組實(shí)驗(yàn)以驗(yàn)證所提出方法的有效性和可行性，包括直線路段的訓(xùn)練與測(cè)試、交織區(qū)路段的訓(xùn)練與測(cè)試、交織區(qū)的遷移學(xué)習(xí)與測(cè)試，以及改進(jìn)交織區(qū)模型的遷移學(xué)習(xí)與測(cè)試.

預(yù)訓(xùn)練可以改進(jìn)性能、加速收斂、防止過(guò)擬合，為新任務(wù)提供較優(yōu)的初始參數(shù)設(shè)置.在高速公路直線路段I-80 車輛軌跡預(yù)測(cè)項(xiàng)目中，采用RMSE作為深度學(xué)習(xí)的預(yù)訓(xùn)練指標(biāo)，用以衡量模型預(yù)測(cè)軌跡與實(shí)際軌跡之間的差距，為模型提供一個(gè)較好的初始狀態(tài).在正式訓(xùn)練階段，使用NLL作為深度學(xué)習(xí)訓(xùn)練的指標(biāo)，以衡量模型預(yù)測(cè)概率分布與真實(shí)概率分布之間的差異，可以進(jìn)一步提升模型在預(yù)測(cè)概率分布方面的性能.

圖6 為模型損失變化.可見(jiàn)，每100 次訓(xùn)練為1 個(gè)訓(xùn)練周期，共有8 個(gè)訓(xùn)練輪次，模型在I-80 高速公路直線路段有較好的訓(xùn)練參數(shù).訓(xùn)練損失是在訓(xùn)練集上計(jì)算的損失，用于衡量模型在訓(xùn)練數(shù)據(jù)上的擬合程度.模型在正確學(xué)習(xí)過(guò)程中不斷調(diào)整參數(shù)使訓(xùn)練損失不斷減小.驗(yàn)證損失是在驗(yàn)證集上計(jì)算的損失，驗(yàn)證損失用于評(píng)估模型在未見(jiàn)過(guò)數(shù)據(jù)上的性能.在訓(xùn)練過(guò)程中，驗(yàn)證損失不斷減小證明模型沒(méi)有發(fā)生過(guò)擬合.

圖6 直線路段訓(xùn)練損失及驗(yàn)證損失 （a）平均訓(xùn)練損失隨訓(xùn)練周期變化； （b）平均驗(yàn)證損失隨訓(xùn)練輪次變化Fig.6 Training and validation loss for straight-line segment.(a) Average training loss over training epochs and (b) average validation loss over training iterations.

遷移學(xué)習(xí)是一種高效的深度學(xué)習(xí)方法，適用于新的、與原任務(wù)相似但難度更高且更復(fù)雜的目標(biāo)任務(wù)上.本研究預(yù)訓(xùn)練的模型參數(shù)（權(quán)值和偏置）從I-80 高速公路的直線路段遷移至復(fù)雜度更高的US-101高速公路交織區(qū)任務(wù)中，這種策略稱為預(yù)訓(xùn)練策略.此外，模型在新任務(wù)上還進(jìn)行了微調(diào)，以適應(yīng)US-101 高速公路交織區(qū)的特性，這種策略稱為微調(diào)策略.通過(guò)使用NLL指標(biāo)引導(dǎo)微調(diào)過(guò)程，提升計(jì)算速度與效率.遷移學(xué)習(xí)提升了模型的泛化能力，使其在US-101 交織區(qū)車輛軌跡預(yù)測(cè)任務(wù)中表現(xiàn)優(yōu)異.

將US-101高速公路交織區(qū)3個(gè)時(shí)間段共45 min的軌跡數(shù)據(jù)用于遷移學(xué)習(xí)，其中，將入口匝道、出口匝道和集散車道視為同一車道.表2為直接訓(xùn)練和遷移學(xué)習(xí)的指標(biāo)對(duì)比.可見(jiàn)，在US-101 交織區(qū)數(shù)據(jù)上訓(xùn)練同樣的神經(jīng)網(wǎng)絡(luò)模型，使用遷移學(xué)習(xí)能減少61.1%的訓(xùn)練時(shí)間.同時(shí)，遷移學(xué)習(xí)模型在預(yù)測(cè)橫向和縱向行為的準(zhǔn)確率上均有提升，其訓(xùn)練損失和驗(yàn)證損失也低于直接訓(xùn)練.隨著訓(xùn)練次數(shù)的增加，損失逐漸減小并趨于穩(wěn)定，驗(yàn)證損失降低了5%，預(yù)測(cè)準(zhǔn)確率提高了0.3%，表明遷移學(xué)習(xí)能在節(jié)省計(jì)算資源的同時(shí)，提升模型的準(zhǔn)確率和泛化能力.

表2 直接訓(xùn)練和遷移學(xué)習(xí)指標(biāo)對(duì)比Table 2 Comparison of direct training and transfer learning metrics

然而，在將模型從直線路段遷移到交織區(qū)路段時(shí)，未考慮入口匝道和出口匝道在跟馳換道時(shí)與直線路段的交互問(wèn)題.因此，在數(shù)據(jù)處理階段，本研究將入口匝道7 和出口匝道8 視為獨(dú)立車道，提出了改進(jìn)后的遷移預(yù)測(cè)模型.此模型能夠正確提取交織區(qū)匝道的幾何形狀，其遷移訓(xùn)練結(jié)果如圖7.可見(jiàn)，訓(xùn)練時(shí)長(zhǎng)、平均驗(yàn)證損失以及預(yù)測(cè)準(zhǔn)確率等性能指標(biāo)均得到進(jìn)一步提升.

圖7 平均訓(xùn)練損失隨訓(xùn)練周期變化Fig.7 Average training loss varies with the training period.

4 模型評(píng)估及軌跡滾動(dòng)預(yù)測(cè)

根據(jù)上述4種實(shí)驗(yàn)方案，引入測(cè)試集來(lái)計(jì)算未來(lái)5 s 軌跡預(yù)測(cè)位置，利用RMSE 和NLL 指標(biāo)評(píng)估預(yù)測(cè)偏差，結(jié)果見(jiàn)圖8.可見(jiàn)，由于交織區(qū)路段相較直線路段交通流運(yùn)行狀態(tài)更復(fù)雜，4 s 后交織區(qū)路段直接訓(xùn)練方案相較于直線路段直接訓(xùn)練方案的預(yù)測(cè)誤差更大，但短時(shí)間內(nèi)基于遷移學(xué)習(xí)的交織區(qū)軌跡預(yù)測(cè)誤差更小.基于遷移學(xué)習(xí)訓(xùn)練的交織區(qū)坐標(biāo)預(yù)測(cè)誤差顯著降低，車輛行為預(yù)測(cè)準(zhǔn)確率得到提升.表明遷移學(xué)習(xí)訓(xùn)練不僅能大幅縮短訓(xùn)練時(shí)間，還能提高模型預(yù)測(cè)準(zhǔn)確率與泛化能力.

圖8 采用（a）RMSE指標(biāo)與（b）NLL指標(biāo)對(duì)于未來(lái)5 s的軌跡預(yù)測(cè)結(jié)果對(duì)比. 插圖為局部放大細(xì)節(jié)Fig.8 Comparison of future 5 s trajectory prediction results using (a) RMSE metric and (b) NLL metric across different training schemes. The figure includes a zoomed-in detail. Blue line with circle represents direct line segment I80, orange line with square represents direct training US101, green line with spindle shape represents transfer learning US101, and red line with triangle represents improved transfer learning US101.

采用圖9 的滾動(dòng)預(yù)測(cè)法（rolling prediction）實(shí)時(shí)更新車輛軌跡預(yù)測(cè)，以應(yīng)對(duì)動(dòng)態(tài)變化的交通場(chǎng)景，并提供較為準(zhǔn)確的預(yù)測(cè)結(jié)果.模型根據(jù)前3 s 的歷史軌跡、鄰車位置信息、掩碼信息、橫向及縱向行為數(shù)據(jù)，預(yù)測(cè)未來(lái)5 s 內(nèi)的車輛軌跡.模型選取前0.1 s 軌跡位置的最大概率點(diǎn)作為預(yù)測(cè)軌跡開(kāi)始，以0.1 s為步長(zhǎng)，逐步進(jìn)行滾動(dòng)預(yù)測(cè).0.1 s對(duì)應(yīng)于NGSIM 的數(shù)據(jù)采樣率，確保預(yù)測(cè)和實(shí)際情況同步.通過(guò)這種方式，模型能夠逐步繪制出車輛在一段時(shí)間內(nèi)的預(yù)測(cè)軌跡，從而實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè).

圖9 滾動(dòng)預(yù)測(cè)的原理及方法Fig.9 Principle and method of rolling prediction.

以歷史軌跡最后一幀的坐標(biāo)為原點(diǎn)，將縱向相對(duì)位置設(shè)為橫坐標(biāo)，橫向相對(duì)位置設(shè)為縱坐標(biāo)，構(gòu)建車輛軌跡坐標(biāo)圖，可以直觀對(duì)比車輛在一段時(shí)間內(nèi)預(yù)測(cè)軌跡與真實(shí)軌跡之間的擬合程度.圖10 為交織區(qū)換道的兩條不同車輛的真實(shí)軌跡與預(yù)測(cè)軌跡，使用LSTM 神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)預(yù)測(cè)模型與滾動(dòng)預(yù)測(cè)法，交織區(qū)換道車輛的軌跡預(yù)測(cè)值與真實(shí)值的RMSE 為2.04 cm，表明遷移學(xué)習(xí)結(jié)合滾動(dòng)預(yù)測(cè)法在高速公路交織區(qū)的預(yù)測(cè)可靠性，進(jìn)一步證實(shí)在復(fù)雜交織區(qū)場(chǎng)景下，遷移學(xué)習(xí)能夠在大幅減少計(jì)算時(shí)間，并精準(zhǔn)預(yù)測(cè)車輛軌跡.

圖10 （a）交織區(qū)匯入車輛與（b）匯出車輛的真實(shí)軌跡與預(yù)測(cè)軌跡對(duì)比Fig.10 Comparison of real and predicted trajectories for (a) vehicles on-ramp and (b) off-ramp the weaving area. The blue line with circle and the red line with triangle are for the real trace and predicted trace, respectively.

5 結(jié) 論

本研究所取得的結(jié)論如下：

1）相較于直接使用交織區(qū)車輛軌跡數(shù)據(jù)進(jìn)行訓(xùn)練，遷移學(xué)習(xí)在計(jì)算效率、穩(wěn)定性等多方面展現(xiàn)出顯著優(yōu)勢(shì).首先，遷移學(xué)習(xí)能夠減少61.10%的訓(xùn)練時(shí)間，降低計(jì)算機(jī)運(yùn)算負(fù)擔(dān)；其次，遷移學(xué)習(xí)有助于增強(qiáng)模型的泛化能力，使其在不同場(chǎng)景中具有更好的適應(yīng)性和魯棒性.遷移學(xué)習(xí)能夠在有效降低計(jì)算成本的同時(shí)，進(jìn)行更精準(zhǔn)的軌跡預(yù)測(cè)，橫向和縱向行為預(yù)測(cè)準(zhǔn)確率可提升至98.35% 和93.00%.在未來(lái)復(fù)雜交織區(qū)場(chǎng)景中，采用遷移學(xué)習(xí)的方法可以顯著提高智能車的決策效率.

2）滾動(dòng)預(yù)測(cè)法能夠?qū)崿F(xiàn)精準(zhǔn)的車輛軌跡預(yù)測(cè)，但由于其預(yù)測(cè)滾動(dòng)步長(zhǎng)較小，計(jì)算量隨之顯著增加.在實(shí)時(shí)算力有限的情況下，遷移學(xué)習(xí)能夠有效降低計(jì)算成本，結(jié)合滾動(dòng)預(yù)測(cè)法可以實(shí)現(xiàn)快速高效且精準(zhǔn)的軌跡預(yù)測(cè)，其每個(gè)滾動(dòng)步長(zhǎng)的RMSE 為2.04 cm.遷移學(xué)習(xí)軌跡預(yù)測(cè)可為智能車在復(fù)雜交織區(qū)場(chǎng)景中的行為決策提供可靠依據(jù)，有助于提高智能車在復(fù)雜交織區(qū)場(chǎng)景中的軌跡預(yù)測(cè)效率，值得在類似場(chǎng)景中廣泛應(yīng)用.