周立宸，邓建华
(苏州科技大学土木工程学院，江苏 苏州 215011)
近年来，我国城镇化的进程加快，城镇人口数量随之急速增长，与此同时，汽车保有量也大幅增加，从而不断影响着城市交通的运行安全，而换道行为作为主要因素之一致使交通事故频发[1]。换道行为发生时，易引发与周围车辆驾驶者驾驶行为的冲突，若能提前预测车辆是否会发生换道行为，就能有效降低由于车辆换道导致交通事故的概率，因此对车辆换道行为的预测研究成为热点。
2.1 数据介绍
图1 US-101公路段示意图
选取的US-101公路段行车轨迹数据来自于美国NGSIM研究项目，它提供了大量可供换道行为研究的车辆轨迹数据。该公路基本情况如图1所示，道路1#至5#为主干道，6#为集散车道，7#以及8#为出入匝道。Thiemann等人[2]认为NGSIM中的换道轨迹数据为研究换道提供了良好的基础的结论，Yang等人[3]与Dou等人[4]基于NGSIM数据完成了换道模型的校准和验证。由此，NGSIM数据满足本文对车辆换道行为预测的研究。
2.2 数据平滑处理
由于车辆轨迹数据采集与提取过程中会出现一定的波动，有必要对其进行平滑处理。本文利用LOESS局部加权回归法，且选择降速更快，平滑效果更好的权重函数tricube[5]，公式如下
(1)
ω(t0,ti)=(1-μ3)3
(2)
式中：Δ(t0)为t0点在平滑范围内与其最近一点的距离。μ(t0,ti)为ti到t0的归一化距离。ω(t0,ti)为以t0为中点时ti的权重。
2.3 换道过程分析
将整个换道过程分为换道准备阶段、换道实施阶段、调整恢复阶段，如图2所示。
图2 换道阶段划分
换道决策阶段：驾驶者产生换道意图并在车内感知周围交通信息，信息主要有自身车辆车速、加速度、与前后车间距等。此时驾驶者会评估换道的可行性，若存在换道时机，则准备开始换道操作。
换道实施阶段：车辆持续发生换道行为，驾驶者观察周围交通状况，保持方向盘转动以及加减速踏板的使用，完成并线、压线、越线的操作。
调整恢复阶段：驾驶者完成车辆变道行为，在目标车道上稳定行驶。
2.4 车辆换道起止点截取
换道行为实质是车辆在行驶过程中发生的连续横向位移，通过程序设计对车辆换道前后的横向位移量进行遍历，将换道前后发生连续横向位移的数据段进行截取并进行统计，随机选取车辆，对其横向位移数据进行展示，如表1所示。
表1 车辆部分横向位移数据
在截取完成后，计算出车辆在换道时的平均横向位移量为3.26 m，观测路段车道宽度为3.5 m，基本符合换道位移距离的实际情况，截取效果如图3所示。
图3 换道起止点截取效果
2.5 换道车辆横向速度分析
NGSIM原始数据统计的车速为车辆行驶时的瞬时速度，对其分解得到换道车辆换道起点处的横向速度，其分布如图4所示，范围处于6～14 m/s的车辆占总体换道样本的84.8%，分布较分散。
图4 换道起点处车辆横向速度分布
2.6 换道车辆偏角分析
车辆换道时最直观的表现是车辆的偏角，本文设定转角为车身竖直方向与垂直于车道方向的夹角，而未发生换道行为车辆偏角趋近于90°，车辆行驶过程中偏角θ如图5所示。
图5 车辆偏角示意图
计算出换道起点处车辆的偏角，其分布如图6所示，偏角分布集中于85°～89°，频率为86.4%，换道起点处车辆角度偏转明显。
图6 换道起点处车辆偏角分布
2.7 换道车辆车头间距分析
车辆在行驶过程中进行换道受自身车辆与前方车辆的相对距离的直接影响。如图7所示，换道车辆在换道起点处车头间距集中于5～25 m之间，占比69.5%，表明大部分车辆愿意在于前车距离较为安全时进行换道。
图7 换道起点处车头间距分布
2.8 随机森林参数指标选取
随机森林由Leo Breiman(2001)[6]提出的一种分类算法。随机森林将多个决策树合并，每一个需要测试的数据集可以被每一棵树进行分类，分类的结果再经过统计后汇总得到最可能的分类。使用python中的sklearn模块进行，建立随机森林模型。
输入指标数据进行训练，对换道和未换道数据进行拟合，根据特征重要性排序进行筛选，最终选取的指标为：横向速度，偏角，车头时距，加速度，纵向速度，车头间距。
3.1 级联LSTM模型构建
对于换道预测的研究，Pentland[7]等构建并训练隐马尔科夫模型，预测了驾驶者换道意图。谷新平等[8]提出了一种优化的支持向量机模型，对换道行为拥有较高的识别率。然而换道行为是一个连续的过程，LSTM能很好的解决这类时序问题，本文提出一种级联LSTM模型，由前一个LSTM网络提取特征，输出特征序列传输给后一个LSTM网络，最终输出预测结果，结构如图8所示。
图8 级联LSTM预测模型结构
3.2 预测结果分析
对于换道行为预测结构的分析，采用Acc、Recall以及Precision三种评价指标对级联LSTM以及单一LSTM进行对比，对比结果如表2所示。
表2 预测结果对比
可以看出，级联LSTM模型预测换道行为的发生准确率达到93.6%，证明本文构造级联LSTM模型对换道行为进行预测的方法可行，同时，在准确率、召回率以及精确率三个评价指标方面都高于普通LSTM模型。
通过对行驶车辆轨迹数据的研究，分析了换道车辆在换道行为发生时刻的部分行为特性，通过建立随机森林模型对参数指标进行选取，并提出一种级联LSTM模型对换道行为进行预测，结果表明级联LSTM预测准确率达到93.6%，高于单一LSTM预测模型。研究可应用于行驶车辆的换道预警，也可为自动驾驶深度学习提供一定的参考。
同时，研究仍存在不足，受限于数据内容，没有考虑车辆与驾驶者自身相关的因素如情绪、性格偏好等，未来会进一步结合其它影响换道行为发生的因素进行更深入的研究。
猜你喜欢级联偏角驾驶者铀浓缩厂级联系统核安全分析核安全(2022年3期)2022-06-29翼吊长涵道发动机短舱内偏角优化和机理研究民用飞机设计与研究(2020年4期)2021-01-212018全国Ⅱ卷选修3-4中偏角的解法探讨新课程·中学(2019年7期)2019-09-17欧姆表偶然误差分析物理教学探讨(2018年1期)2018-02-13发明电波感应器防止开车瞌睡科学家(2017年20期)2017-11-10美国最差司机在哪里海外星云(2016年15期)2016-08-04基于级联MUSIC的面阵中的二维DOA估计算法系统工程与电子技术(2016年2期)2016-04-16H桥级联型STATCOM启动策略研究电测与仪表(2016年8期)2016-04-15基于DSP/FPGA的级联型固态变压器控制研究电测与仪表(2016年24期)2016-04-12福特推出全新智能车速控制系统汽车之友(2015年9期)2015-05-06