張 昆，浦同林，張倩兮，聶枝根

（昆明理工大學(xué)交通工程學(xué)院，昆明 650500）

0 引言

行為決策模塊是智能網(wǎng)聯(lián)汽車(chē)在復(fù)雜、動(dòng)態(tài)的交通環(huán)境中安全行駛的關(guān)鍵，能夠更安全、有效地實(shí)現(xiàn)駕駛意圖［1］。換道行為是車(chē)輛行駛過(guò)程中最為常見(jiàn)的行為，分為自由換道［2］、協(xié)同換道［3］和強(qiáng)制換道［4］，相比于車(chē)道保持行為而言，具有更高的風(fēng)險(xiǎn)。智能網(wǎng)聯(lián)汽車(chē)根據(jù)交通規(guī)則和其他交通參與者的運(yùn)動(dòng)狀態(tài)做出換道或保持車(chē)道的行為決策，如果在換道條件不滿(mǎn)足的情況下執(zhí)行換道，將嚴(yán)重影響交通安全，因此，準(zhǔn)確的換道決策對(duì)于交通安全至關(guān)重要。

目前，針對(duì)車(chē)輛換道決策的研究已有較多成果，Gipps等［5］最早對(duì)換道行為進(jìn)行建模，從換道必要、意向和安全三方面分析，提出了一種基于規(guī)則的換道決策方法，但難以確定模型的參數(shù)。隨著人工智能技術(shù)的進(jìn)步，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)被廣泛應(yīng)用于換道行為決策［6－10］。Motamedidehkordi等［11］提出傳統(tǒng)的規(guī)則模型不能精確地表示駕駛員在換道決策時(shí)考慮的諸多因素，提出了基于隨機(jī)森林（Random Forest，RF）的換道決策模型，其具有良好的預(yù)測(cè)精度。鄧建華等［12］分析了駕駛員換道決策的內(nèi)外因子，引入基于換道決策機(jī)理的多車(chē)道元胞自動(dòng)機(jī)模型，其在不同的V／C條件下均具有良好的適應(yīng)性。徐兵等［13］分析了換道場(chǎng)景中各特征變量與換道決策之間的關(guān)系，提出了基于梯度提升決策樹(shù)（gradient boosting decision tree，GBDT）換道決策模型，引入新的特征變量，提高了決策模型的預(yù)測(cè)性能。賈寒冰等［14］針對(duì)智能車(chē)輛在道路上的換道決策問(wèn)題，利用新增的特征變量增廣原訓(xùn)練集，提高了模型預(yù)測(cè)準(zhǔn)確率。Lopez等［15］提出了結(jié)合深度學(xué)習(xí)與博弈論的換道決策算法，設(shè)計(jì)了智能算法調(diào)整博弈參數(shù)，可快速、可靠地進(jìn)行決策。Feng等［16］在給定相對(duì)位置和速度信息的情況下，通過(guò)綜合考慮時(shí)空分布、交通規(guī)則等因素，建立了基于時(shí)空間隙的換道決策模型。Feng等［17］針對(duì)不同的換道工況，從車(chē)輛的物理特性、交互感知和道路結(jié)構(gòu)三方面選取特征變量，以此建立換道決策模型。Peng等［18］采用雙層深度強(qiáng)化學(xué)習(xí)算法對(duì)狀態(tài)空間進(jìn)行處理，使用D3QN算法分析場(chǎng)景中潛在的換道價(jià)值并進(jìn)行決策。張羽翔等［19］通過(guò)強(qiáng)化學(xué)習(xí)來(lái)求解車(chē)道變換過(guò)程中的精確決策參數(shù)，從而提高安全性能，并可在變道場(chǎng)景中模仿真實(shí)的駕駛行為。

目前，關(guān)于智能網(wǎng)聯(lián)汽車(chē)自由換道決策的研究較少，且預(yù)測(cè)精度較低，在復(fù)雜多變的交通環(huán)境下，如何安全、準(zhǔn)確地做出換道決策，還有待進(jìn)一步研究。因此，在上述研究的基礎(chǔ)上，引入一種基于換道場(chǎng)景與決策規(guī)則的智能網(wǎng)聯(lián)汽車(chē)換道決策模型，進(jìn)一步提升模型訓(xùn)練分類(lèi)的準(zhǔn)確率。本文的主要工作如下：

1）對(duì)NGSIM數(shù)據(jù)集進(jìn)行濾波，提取了真實(shí)駕駛環(huán)境下的換道數(shù)據(jù)，包括自車(chē)和周?chē)?chē)輛的行駛狀態(tài)變量。

2）NGSIM數(shù)據(jù)集存在樣本數(shù)量過(guò)少、目標(biāo)數(shù)據(jù)提取繁瑣、數(shù)據(jù)質(zhì)量不佳等問(wèn)題，根據(jù)NGSIM的狀態(tài)變量提取原則，建立了樣本容量更大、換道特征變量取值更為直觀準(zhǔn)確、符合真實(shí)駕駛場(chǎng)景的換道場(chǎng)景數(shù)據(jù)集，擴(kuò)充了NGSIM 換道場(chǎng)景數(shù)據(jù)集。

3）建立了基于決策規(guī)則的自由換道決策模型，從換道安全、換道收益、換道必要性3個(gè)方面分析了換道行為決策，將決策規(guī)則用于換道場(chǎng)景數(shù)據(jù)集，得出正負(fù)樣本。

4）將換道場(chǎng)景數(shù)據(jù)集與從NGSIM數(shù)據(jù)集中提取出的換道樣本融合，基于貝葉斯優(yōu)化核函數(shù)的支持向量機(jī)模型對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練分類(lèi)，對(duì)不同樣本容量和不同機(jī)器學(xué)習(xí)模型的訓(xùn)練結(jié)果進(jìn)行了對(duì)比分析。

1 數(shù)據(jù)處理

NGSIM US-101和I-80車(chē)輛軌跡數(shù)據(jù)被廣泛應(yīng)用于車(chē)輛換道行為研究［20］。該數(shù)據(jù)集通過(guò)視頻分析得到車(chē)輛的位置、速度、加速度等狀態(tài)信息，存在一定的噪聲，本文中使用滑動(dòng)平均濾波方法［21］對(duì)原始數(shù)據(jù)進(jìn)行處理，之后對(duì)數(shù)據(jù)集中的自由換道數(shù)據(jù)進(jìn)行提取，根據(jù)文獻(xiàn)［7－9］對(duì)換道決策過(guò)程的分析提取規(guī)則。具體規(guī)則如下：

1）NGSIM數(shù)據(jù)集中包含多種車(chē)輛類(lèi)型，包括摩托車(chē)、商用車(chē)、乘用車(chē)等，由于換道方式及動(dòng)力學(xué)特性的差異和本文中的決策模型主要針對(duì)乘用車(chē)，因此僅保留乘用車(chē)數(shù)據(jù)。

2）數(shù)據(jù)集包含6條車(chē)道，第6車(chē)道為匯入匝道，本文中研究的內(nèi)容為自由換道，不考慮匝道匯入的強(qiáng)制換道行為，故不考慮第6車(chē)道的換道行為。

3）換道車(chē)輛換道意圖開(kāi)始時(shí)刻前、后4 s內(nèi)車(chē)輛的狀態(tài)能夠較好地覆蓋整個(gè)換道過(guò)程［22］，最終選?。踭0－4，t0＋1］時(shí)間段內(nèi)的狀態(tài)信息，其中t0為換道初始時(shí)刻。

4）換道初始時(shí)刻t0的提取尤為重要，將橫向速度大于0.2 m／s的時(shí)刻作為t0［23］，數(shù)據(jù)集中存在橫向速度波動(dòng)但未進(jìn)行換道操作的數(shù)據(jù)，采集［t0，t0＋1］］時(shí)間段內(nèi)的數(shù)據(jù)，提取橫向速度大于0.2 m／s且1 s后橫向位移大于0.3 m的數(shù)據(jù)作為換道數(shù)據(jù)，同時(shí)剔除連續(xù)換道數(shù)據(jù)。

5）提取出的換道數(shù)據(jù)為正樣本，記為＋1，未換道數(shù)據(jù)為負(fù)樣本，記為－1。

按照上述規(guī)則提取數(shù)據(jù)后，提取出529條換道數(shù)據(jù)和870條未換道數(shù)據(jù)。

車(chē)輛的自由換道行為涉及周?chē)?chē)輛的運(yùn)動(dòng)狀態(tài)，換道決策需要考慮各種交通因素的影響，不考慮彎道換道行為，建立兩車(chē)道直道自由換道模型，道路分為初始車(chē)道和目標(biāo)車(chē)道，交通環(huán)境包含換道車(chē)輛SV，初始車(chē)道前車(chē)PV，目標(biāo)車(chē)道前車(chē)TP和目標(biāo)車(chē)道后車(chē)TF，如圖1所示。

圖1 換道場(chǎng)景示意圖

對(duì)能從NGSIM數(shù)據(jù)集中直接獲得的原始狀態(tài)變量（位置、速度、加速度等）進(jìn)行處理，得到反映各車(chē)相互關(guān)系的狀態(tài)變量，并進(jìn)行編號(hào)：

1）vSV：換道車(chē)輛的速度；

2）ΔvPV＝vPV－vSV：初始車(chē)道前車(chē)與換道車(chē)輛速度差；

3）ΔvTP＝vTP－vSV：目標(biāo)車(chē)道前車(chē)與換道車(chē)輛速度差；

4）ΔvTF＝vSV－vTF：目標(biāo)車(chē)道后車(chē)與換道車(chē)輛速度差；

5）SPV：初始車(chē)道前車(chē)與換道車(chē)輛車(chē)距；

6）STP：目標(biāo)車(chē)道前車(chē)與換道車(chē)輛車(chē)距；

7）STF：目標(biāo)車(chē)道后車(chē)與換道車(chē)輛車(chē)距；

8）ΔaPV＝aPV－aSV：初始車(chē)道前車(chē)與換道車(chē)輛加速度差；

9）ΔaTP＝aTP－aSV：目標(biāo)車(chē)道前車(chē)與換道車(chē)輛加速度差；

10）ΔaTF＝aSV－aTF：目標(biāo)車(chē)道后車(chē)與換道車(chē)輛加速度差。

這些特征變量反映了在換道初始時(shí)刻交通場(chǎng)景中各車(chē)輛的相互關(guān)系，忽略了換道之后的交通行駛狀況對(duì)自由換道決策的影響，引入新的特征變量：

11）vdesired：換道車(chē)輛的期望車(chē)速，在NGSIM數(shù)據(jù)集中的提取規(guī)則為換道車(chē)輛在［tf－2，tf＋2］時(shí)間段內(nèi)的平均車(chē)速，tf為換道終止時(shí)刻；

12）ΔS＝STP－SPV：換道前后換道車(chē)輛與前車(chē)的車(chē)距變化。

在提取出特征變量后，從互信息（mutual information，MI）的觀點(diǎn)出發(fā)，在NGSIM數(shù)據(jù)集中研究各特征變量與換道決策之間的關(guān)系［24］?；バ畔⒈硎緸椋?/p>

式中：p（a，b）為聯(lián)合分布，p（a）、p（b）為邊緣分布。

最大信息系數(shù)（maximal information coefficient，MIC）［25］是互信息在一定條件下的估值，利用互信息和網(wǎng)格劃分方法計(jì)算［26］，用于衡量變量間相互依存的程度，能夠較好地表現(xiàn)特征變量間的線性和非線性關(guān)系，具有優(yōu)異的普適性。MIC計(jì)算公式如下：

式中：x、y為劃分網(wǎng)格的數(shù)量，B為網(wǎng)格劃分的上限值。

圖2展現(xiàn)了各特征變量與換道結(jié)果的MIC數(shù)值。

圖2 特征變量與換道結(jié)果的MIC值

2 換道規(guī)則模型

換道車(chē)輛SV自身的行駛狀態(tài)及周?chē)?chē)輛的行駛狀態(tài)都將影響SV是否換道，基于上文評(píng)估出的MIC值較高的特征變量，從換道安全、換道收益和換道必要性3個(gè)方面建立換道決策模型［27］。

2.1 換道安全

車(chē)輛換道的前提是保證換道過(guò)程的安全性，不與其他車(chē)輛發(fā)生碰撞。換道車(chē)輛SV在換道過(guò)程中與PV、TP及TF皆存在碰撞風(fēng)險(xiǎn)，換道安全性體現(xiàn)為換道車(chē)輛與環(huán)境中其他車(chē)輛的距離及速度差，因此引入碰撞時(shí)間（time to collision，TTC）來(lái)表示換道安全性。

安全換道的條件為換道車(chē)輛與環(huán)境中其他車(chē)輛的碰撞時(shí)間都大于最小換道時(shí)間，在車(chē)距較小且速度差較小的工況下，碰撞時(shí)間同樣大于閾值，此外，安全換道需要最小安全車(chē)距，由此建立安全模型。

2.2 換道收益

車(chē)輛換道的目的在于獲得更高的行駛車(chē)速或與前后車(chē)更大的行駛車(chē)距，換道車(chē)輛在換道前后都與其所在車(chē)道的前車(chē)保持跟馳關(guān)系，換道車(chē)輛SV在初始車(chē)道所能達(dá)到的最大車(chē)速為vPV，在目標(biāo)車(chē)道所能達(dá)到的最大車(chē)速為vTP，由此建立換道收益函數(shù)，速度收益表示為

式中：vdesired為換道車(chē)輛期望的行駛車(chē)速，vdesiredvPV為期望速度收益，vTP－vPV為實(shí)際速度收益。

目標(biāo)車(chē)道的更快的行駛車(chē)速和更大的行駛空間促使駕駛員產(chǎn)生換道動(dòng)機(jī)，空間收益表示為

由此，換道收益模型建立為

2.3 換道必要性

換道車(chē)輛與初始車(chē)道前車(chē)的行駛狀況決定了換道必要性，車(chē)距越小、速度差越小，換道必要性越大，此外，當(dāng)滿(mǎn)足了換道安全和收益條件，但車(chē)距相當(dāng)大時(shí)，仍進(jìn)行換道操作會(huì)導(dǎo)致車(chē)輛頻繁換道，增加換道風(fēng)險(xiǎn)，因此，引入車(chē)頭時(shí)距（time headway，THW）表示換道必要性：

蕭飛羽收回目光咽了一口唾沫，他緩緩?fù)苿?dòng)鋼環(huán)沉吟了好一會(huì)才道：“我如同懸崖走馬，稍微的變故都會(huì)草木皆兵，所以昨夜見(jiàn)你在門(mén)前徘徊我并沒(méi)有感知?dú)C(jī)也猝然出手?！彼p描淡寫(xiě)地告訴柳含煙安和莊與黑旗會(huì)漢口分壇起爭(zhēng)端，因?yàn)樗幌胱屚馊酥獣?，又不僅僅有人知道她被囚禁在黑旗會(huì)漢口分壇，所以她指認(rèn)這里是安和莊就只有留下她。他歉疚地道：“昨天你要見(jiàn)我，我想不出是什么原因，可我實(shí)在不想見(jiàn)你，因?yàn)槌舜饝?yīng)你在后院可以像在家里一樣自由我不能答應(yīng)你任何要求。稍安勿躁，如果沒(méi)有意外，短則數(shù)月，長(zhǎng)則一載就會(huì)還你自由?！?/p>

式中：tTHW為車(chē)頭時(shí)距。

3 換道場(chǎng)景數(shù)據(jù)集及支持向量機(jī)模型

3.1 換道場(chǎng)景數(shù)據(jù)集

NGSIM數(shù)據(jù)集采樣時(shí)間短，存在噪聲，不同的濾波方法對(duì)狀態(tài)信息的處理效果不同，不同的換道數(shù)據(jù)提取規(guī)則提取出的數(shù)據(jù)不同，且符合換道訓(xùn)練集標(biāo)準(zhǔn)的樣本量偏少，對(duì)于非換道樣本的目標(biāo)數(shù)據(jù)提取，從車(chē)道保持?jǐn)?shù)據(jù)中隨機(jī)選取時(shí)長(zhǎng)為4 s的軌跡作為目標(biāo)數(shù)據(jù)［23］，且正負(fù)樣本比例固定，這些因素都會(huì)影響模型的分類(lèi)效果。

在已有換道決策研究的基礎(chǔ)上，建立換道場(chǎng)景數(shù)據(jù)集。建立數(shù)據(jù)集選取的特征變量應(yīng)是能從NGSIM數(shù)據(jù)集中可獲得的，訓(xùn)練集的建立原則為

1）在［t0－5，t0＋1］時(shí)間段內(nèi)，交通環(huán)境中同車(chē)道前后車(chē)無(wú)碰撞風(fēng)險(xiǎn)。

2）交通環(huán)境中的車(chē)輛前后車(chē)之間保持跟馳關(guān)系，但又存在隨機(jī)性。

3）假設(shè)周?chē)?chē)輛PV、TP、TF保持直道行駛，不考慮其換道行為。

4）換道車(chē)輛在t0時(shí)刻的期望速度總是大于當(dāng)前速度。

換道場(chǎng)景選取的特征變量在t0－4時(shí)刻的取值范圍如表1所示。

在所設(shè)定的取值區(qū)間內(nèi)產(chǎn)生n個(gè)均勻分布的數(shù)據(jù)，產(chǎn)生維度為［n×j］的矩陣，矩陣的一行即為一組隨機(jī)組合的換道場(chǎng)景數(shù)據(jù)，以此模擬復(fù)雜多變的交通環(huán)境。將決策模型應(yīng)用到所建立的訓(xùn)練數(shù)據(jù)集中，得出［n×1］的列向量作為訓(xùn)練集的決策結(jié)果，＋1為換道，－1為保持當(dāng)前車(chē)道，由此換道場(chǎng)景數(shù)據(jù)集建立完成。

3.2 支持向量機(jī)模型

智能網(wǎng)聯(lián)汽車(chē)的自由換道決策是一個(gè)典型的二分類(lèi)問(wèn)題，支持向量機(jī)（support vector machine，SVM）是一個(gè)經(jīng)典的二分類(lèi)算法［28］，其能找到的分割超平面具有更好的魯棒性，這個(gè)超平面可以將數(shù)據(jù)集分割為換道和不換道2個(gè)部分。

式中：D為數(shù)據(jù)集合；｛（xi，yi）｝，i＝1，2，3，…，n為訓(xùn)練樣本，其中xi為輸入特征變量，即換道決策模型中的特征參數(shù)，n為樣本個(gè)數(shù)；yi＝｛＋1，－1｝為樣本類(lèi)別，＋1記為換道，－1記為不換道。分割數(shù)據(jù)集的超平面可表示為

式中：ωT為超平面的法向量，是可調(diào)的權(quán)值向量，決定了超平面的方向；b為偏置量，是超平面和坐標(biāo)原點(diǎn)間的距離；數(shù)據(jù)集D中每個(gè)樣本xi到分割超平面的距離γi為

間隔γ定義為2個(gè)異類(lèi)的支持向量到超平面的距離之和：

支持向量機(jī)的目標(biāo)就是尋找一個(gè)超平面使得間隔γ最大，將式（13）改寫(xiě)為凸優(yōu)化問(wèn)題，故模型的求解轉(zhuǎn)化為

線性支持向量機(jī)難以處理車(chē)輛自由換道決策這樣的非線性問(wèn)題，使用核函數(shù)將樣本從原始特征空間映射到更高維的空間，解決原始特征空間中的線性不可分問(wèn)題。由于支持向量機(jī)的約束條件比較嚴(yán)格，為了容忍部分不滿(mǎn)足約束的樣本，引入松弛變量ξ，模型的求解轉(zhuǎn)化為

式中：常數(shù)C＞0為超參數(shù)，是用來(lái)控制間隔和松弛變量懲罰平衡的參數(shù)。使用拉格朗日乘數(shù)法，得到式（16）的對(duì)偶形式：

式中：λi為拉格朗日乘數(shù)；κ（xi，yj）為核函數(shù)，選取最為常用的高斯核函數(shù)：

式中：σ為高斯核的帶寬，σ的數(shù)值越小，判別條件越嚴(yán)苛，這樣確保和高精度，但很容易導(dǎo)致過(guò)擬合，反之σ的數(shù)值越大，易導(dǎo)致欠擬合。

支持向量的分類(lèi)性能很大程度上受到超參數(shù)C和帶寬σ的影響，需要對(duì)超參數(shù)進(jìn)行優(yōu)化以得到最優(yōu)的分類(lèi)效果。常用的超參數(shù)優(yōu)化方法有貝葉斯優(yōu)化 （Bayesian optimization Algorithm，BOA）［29］、網(wǎng)格搜索［30］和隨機(jī)搜索［31］。網(wǎng)格搜索十分消耗計(jì)算資源，隨機(jī)搜索雖然搜索速度快，但容易忽略某些信息的影響，因此本文中使用BOA優(yōu)化超參數(shù)，假設(shè)超參數(shù)優(yōu)化的函數(shù)f（x）＝f（C，σ）服從高斯分布，作為代理模型：

以期望改善函數(shù)（expected improvement，EI）作為采集函數(shù)來(lái)決定輸出下一個(gè)采集點(diǎn)：

式中：xnext為下次迭代的最佳采樣點(diǎn)，xbest為當(dāng)前已有樣本中的最優(yōu)值。貝葉斯優(yōu)化算法的框架如表2所示。

表2 貝葉斯優(yōu)化算法

訓(xùn)練集中不同的特征變量有著不同的取值范圍和量綱，為了減小對(duì)模型訓(xùn)練過(guò)程產(chǎn)生的影響，使用Max-Abs歸一法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使特征變量的取值范圍變?yōu)椋郏?，1］，數(shù)據(jù)歸一化公式為

式中：z′為歸一化處理后的特征變量，z為原始特征變量，max為數(shù)據(jù)集中該特征變量的最大值。將換道決策模型應(yīng)用到所建立的n條換道場(chǎng)景數(shù)據(jù)集中，得出結(jié)果1記為換道，－1記為保持當(dāng)前車(chē)道，與從NGSIM數(shù)據(jù)集中提取出的500條換道樣本一同組成樣本容量為n＋500條樣本數(shù)據(jù)，從樣本數(shù)據(jù)中隨機(jī)抽取75%作為機(jī)器學(xué)習(xí)模型的訓(xùn)練集，25%為驗(yàn)證集，本文中的方法框架如圖3所示。

圖3 研究方法框架示意圖

4 模型驗(yàn)證及結(jié)果分析

4.1 數(shù)據(jù)集對(duì)比分析

為了驗(yàn)證換道決策規(guī)則的有效性與換道場(chǎng)景數(shù)據(jù)集模擬真實(shí)駕駛環(huán)境的能力，對(duì)比換道場(chǎng)景數(shù)據(jù)集與NGSIM數(shù)據(jù)集的相似度［32］。將決策規(guī)則用于換道場(chǎng)景數(shù)據(jù)集中，隨機(jī)抽取529條換道數(shù)據(jù)，換道場(chǎng)景數(shù)據(jù)集特征變量矩陣A∈Rp×q，NGSIM數(shù)據(jù)集特征變量矩陣B∈Rp×q：

式中：p＝1∶529為樣本容量，q＝1∶12為特征變量編號(hào)。

若存在矩陣C∈Rp×q和D∈Rp×q，使得B＝CAD，則表明B包含于A中，同理，若存在矩陣E∈Rp×q和F∈Rp×q，使得A＝EBF，則表明A包含于B中，但在實(shí)際情況中，不存在B完全包含于A或A完全包含于B的情況，通過(guò)在線性變換過(guò)程中的信息損失來(lái)衡量2個(gè)數(shù)據(jù)集的相似度，隨機(jī)初始化C、D、E、F，由此變?yōu)閮?yōu)化問(wèn)題：

將結(jié)果映射到［0，1］中，得到2個(gè)數(shù)據(jù)集的相似度：

對(duì)于換道數(shù)據(jù)，2個(gè)數(shù)據(jù)集的相似度為0.911 2，同理得出車(chē)道保持?jǐn)?shù)據(jù)，相似度為0.905 5，表明決策規(guī)則符合駕駛?cè)说臎Q策習(xí)慣，具有擬人性，換道場(chǎng)景數(shù)據(jù)集能夠有效地模擬真實(shí)的換道駕駛場(chǎng)景。

4.2 數(shù)據(jù)集分類(lèi)效果對(duì)比

換道場(chǎng)景數(shù)據(jù)集的樣本容量n過(guò)大會(huì)使各特征變量數(shù)值差距較小，同時(shí)也增加決策模型運(yùn)算量，將不同樣本容量的數(shù)據(jù)集得到的訓(xùn)練效果進(jìn)行對(duì)比，驗(yàn)證不同樣本容量對(duì)分類(lèi)效果的影響。設(shè)置不同的換道場(chǎng)景數(shù)據(jù)集樣本容量，n＝500、1 000、1 500、2 000，同一樣本容量下分別進(jìn)行10組試驗(yàn)，表3為支持向量機(jī)訓(xùn)練結(jié)果，包括換道場(chǎng)景數(shù)據(jù)集的模型參數(shù)及加入NGSIM換道數(shù)據(jù)后的預(yù)測(cè)準(zhǔn)確率?？梢钥闯觯瑩Q道場(chǎng)景數(shù)據(jù)集不同的樣本容量的訓(xùn)練結(jié)果平均準(zhǔn)確率均高于90%，所建立的換道場(chǎng)景數(shù)據(jù)集能較好地模擬真實(shí)的換道場(chǎng)景，所提出的換道決策模型符合真實(shí)駕駛員的換道操作和行為決策特性，n＝1 500，總樣本容量為2 000的數(shù)據(jù)集訓(xùn)練效果最佳。

表3 不同樣本容量訓(xùn)練分類(lèi)結(jié)果

在不同樣本容量的10組試驗(yàn)中抽取1組，圖4為不同樣本容量數(shù)據(jù)集的迭代優(yōu)化結(jié)果，AUC為接受者操作特性曲線（receiver operating characteristic curve，ROC）的線下面積，i為迭代次數(shù)?？梢钥闯?，不同樣本容量的數(shù)據(jù)集在迭代后的AUC值均接近于1，最高值為0.99，總樣本容量為2 000的數(shù)據(jù)集訓(xùn)練效果最佳。

AUC值是評(píng)價(jià)二分類(lèi)模型優(yōu)劣的評(píng)價(jià)指標(biāo)之一，還需從量化指標(biāo)方面進(jìn)一步評(píng)價(jià)機(jī)器學(xué)習(xí)模型的訓(xùn)練效果，采用正確率（accuracy，ACC），真正類(lèi)率（true positive rate，TPR），真負(fù)類(lèi)率（true negative rate，TNR）評(píng)估模型的訓(xùn)練效果。

式中：TP為實(shí)例是正類(lèi)，被預(yù)測(cè)為正類(lèi)的樣本數(shù)；TN為實(shí)例是負(fù)類(lèi)，被預(yù)測(cè)為負(fù)類(lèi)的樣本數(shù)；FP為實(shí)例為負(fù)類(lèi)，被預(yù)測(cè)為正類(lèi)的樣本數(shù)；FN為實(shí)例為正類(lèi)，被預(yù)測(cè)為負(fù)類(lèi)的樣本。

正確率ACC是被分類(lèi)正確的樣本數(shù)占總樣本數(shù)的比率，體現(xiàn)了模型對(duì)整個(gè)數(shù)據(jù)集的分類(lèi)能力；真正類(lèi)率TPR是將為正類(lèi)的實(shí)例預(yù)測(cè)為正類(lèi)的比率，即將換道預(yù)測(cè)為換道；真負(fù)類(lèi)率TNR是將為負(fù)類(lèi)的實(shí)例預(yù)測(cè)為負(fù)類(lèi)的比率，即將保持當(dāng)前車(chē)道預(yù)測(cè)為保持當(dāng)前車(chē)道。換道行為決策受交通環(huán)境中其他車(chē)輛的影響，將保持當(dāng)前車(chē)道預(yù)測(cè)為換道相比于將換道預(yù)測(cè)為保持當(dāng)前車(chē)道存在更大的危險(xiǎn)，因此，換道決策模型在具有較高的正確率的同時(shí)應(yīng)具有較高的真負(fù)類(lèi)率。

利用換道規(guī)則模型對(duì)換道行為進(jìn)行決策，需要對(duì)比規(guī)則模型在換道場(chǎng)景數(shù)據(jù)集和NGSIM數(shù)據(jù)集上的訓(xùn)練效果，驗(yàn)證換道規(guī)則模型和新特征變量的影響。訓(xùn)練結(jié)果如表4所示。從表4可以看出，相比于原始變量77.80%的預(yù)測(cè)正確率，換道規(guī)則模型在NGSIM數(shù)據(jù)集上能取得較好的訓(xùn)練效果，正確率為92.60%，在換道場(chǎng)景數(shù)據(jù)集中獲得了最佳的分類(lèi)效果，表明換道規(guī)則模型能夠大幅提高換道決策的準(zhǔn)確率，換道場(chǎng)景數(shù)據(jù)集能夠較好地模擬真實(shí)的駕駛環(huán)境。

表4 規(guī)則模型與原始變量訓(xùn)練結(jié)果

4.3 不同機(jī)器學(xué)習(xí)模型性能對(duì)比

在上述數(shù)據(jù)集不同樣本容量的對(duì)比試驗(yàn)中得出的訓(xùn)練效果最優(yōu)的總樣本容量為2 000的基礎(chǔ)上，利用貝葉斯優(yōu)化算法對(duì)SVM、GBDT［13］、最鄰近算法［33］（K-nearest neighbor，KNN）、樸素貝葉斯分類(lèi)器［34］（naive Bayes classifier，NBC）進(jìn)行參數(shù)優(yōu)化，在同一數(shù)據(jù)集下，對(duì)比不同機(jī)器學(xué)習(xí)模型的分類(lèi)效果，優(yōu)化過(guò)程如圖5所示。

圖5 機(jī)器學(xué)習(xí)分類(lèi)器參數(shù)優(yōu)化過(guò)程

圖6展示了同一數(shù)據(jù)集下，不同機(jī)器學(xué)習(xí)分類(lèi)器的量化指標(biāo)?？梢钥闯?，相比于其他機(jī)器學(xué)習(xí)分類(lèi)器，貝葉斯優(yōu)化高斯核的支持向量機(jī)模型具有最高的正確率和真負(fù)類(lèi)率，分別達(dá)到了94.40%和95.48%，較高的真負(fù)類(lèi)率使換道決策更加安全有效。此外，使用貝葉斯優(yōu)化的KNN、GBDT、NBC，同樣具有較高的分類(lèi)正確率，具有良好的分類(lèi)效果。

上述試驗(yàn)表明，所建立的換道場(chǎng)景數(shù)據(jù)集能與真實(shí)的NGSIM數(shù)據(jù)充分融合，能夠較好地模擬真實(shí)的換道場(chǎng)景，并為換道決策研究提供訓(xùn)練、驗(yàn)證，為智能網(wǎng)聯(lián)汽車(chē)換道軌跡規(guī)劃提供工況、場(chǎng)景。同時(shí)表明，所提換道決策算法能夠準(zhǔn)確預(yù)測(cè)自車(chē)的自由換道行為，符合真實(shí)駕駛環(huán)境下人為換道的決策特性。

5 結(jié)論

針對(duì)智能網(wǎng)聯(lián)汽車(chē)的自由換道決策問(wèn)題，提出了基于換道場(chǎng)景與決策規(guī)則的換道決策模型。

1）真實(shí)的NGSIM數(shù)據(jù)集對(duì)于換道樣本的提取較為繁瑣，符合訓(xùn)練集標(biāo)準(zhǔn)的樣本偏少，直道行駛樣本的數(shù)據(jù)提取具有隨機(jī)性，樣本容量較小，數(shù)據(jù)質(zhì)量不佳，影響模型的分類(lèi)效果。換道場(chǎng)景數(shù)據(jù)集的建立使樣本容量選取自由，換道特征變量取值更為直觀準(zhǔn)確，省去大量的數(shù)據(jù)處理工作。

2）建立了基于決策規(guī)則的自由換道決策模型，從換道安全、換道收益、換道必要性3個(gè)方面分析了換道行為決策，將決策規(guī)則用于換道場(chǎng)景數(shù)據(jù)集得出正負(fù)樣本，在與NGSIM數(shù)據(jù)集換道樣本融合后用于機(jī)器學(xué)習(xí)分類(lèi)器的訓(xùn)練分類(lèi)。

3）貝葉斯優(yōu)化核函數(shù)的支持向量機(jī)以95.40%的預(yù)測(cè)正確率高于其他分類(lèi)器，所提決策模型能夠準(zhǔn)確地預(yù)測(cè)自車(chē)的自由換道行為，融合后的數(shù)據(jù)集在不同的樣本容量和不同機(jī)器學(xué)習(xí)分類(lèi)器的訓(xùn)練后均有較高的正確率，表明所建立的換道場(chǎng)景數(shù)據(jù)集能與NGSIM數(shù)據(jù)集融合，能夠較好地模擬真實(shí)的換道場(chǎng)景。