文摘

关于自主驾驶,换道(LC)是至关重要的,尤其是在复杂的动态环境。这是一个具有挑战性的任务模型LC由于驾驶行为是复杂和不确定。本研究采用双层前馈反向传播神经网络,包括乙状结肠隐藏神经元和线性输出神经元评估内在LC的复杂性。此外,模型的评估和验证是由大规模的轨迹数据。从下一代获得实证LC数据模拟(NGSIM)项目培训和测试神经网络LC模型。调查结果显示,引入模型可以准确预测LC下车辆的轨迹误差小,令人满意的精度。目前的工作评估LC /端点开始通过分析周围的车辆和速度估计。这是观察到神经网络模型取得了几乎相同的预测观测LC轨迹以及按原始和目标车道上的车辆轨迹。此外,信用证的行为特征验证、神经network-produced LC差距分布进行了比较真实的数据,证明LC差距分布的特点不明显不同于现实生活中的LC的行为。最后,介绍了神经网络的LC模型相比,支持向量回归LC模型。 It was found that the trajectory predictions of both models were adequately consistent with the observational data and could capture both lateral and longitudinal vehicle movements. In turn, this demonstrates that the neural network and support vector regression models had satisfactory performance. Also, the proposed models were evaluated using new inputs such as speed, gap, and position of the subject vehicle. The analysis findings indicated that the performance of the proposed NN and SVR models was higher than the model with new inputs.

1。介绍

预计一个相互联系的环境导致大量交通问题的解决与流动性、效率、环境影响和安全。连接环境帮助司机在当前和未来的驾驶环境,尤其是信息可能但未被注意的危险。因此,司机可以换道(LC)决定在更高的安全水平和信息在连接环境中(1]。不小心执行信用证可能是一个危险的策略。LC开车是一个复杂的过程,它需要匹配速度与速度在目标在当前车道车道并确定适当的差距最大的巷内,确保信用证的驾驶员意图识别其他司机和良好的LC (2]。LC和民(CF)模型在交通流理论进行横向和纵向的交互分析开车时详细描述之前的信用证和CF的行为。CF模型一直和广泛研究。CF状态相比,司机的压力和工作量大幅提高LC过程,让司机高水平的风险和错误(3- - - - - -6]。一些研究提出经验证据提出信用证和CF行为主要负责振荡形成和增强与多个车道高速公路(7- - - - - -9]。一般来说,旅行速度不同通道之间的异质性触发的LC机动车辆。LC行为参与交通拥堵。LC发生拥塞的发生可能会减少交通容量的不受欢迎的LC行为,诱导,传播停停走走的冲击波。早期作品展示了LC引起频繁的变化速度和差距在原始和目标车道。一个完整的换道决定(CLACD)建模框架,解释了强制性的和可自由支配的换道行为。一个集成的方法是采用模型自由换道行为结合目标车道选择使用效用理论方法和验收行为使用博弈论方法的差距。CLACD模型结果表明,可以有效地捕捉观察DLC决策准确性高。此外,CLACD模型显示一个现实的预测交通流模式与效用理论模型(10]。这将增加碰撞的可能性(11- - - - - -14),扰动在交通流15,16),和能力降低17- - - - - -19]。CF行为调查相比,LC行为的研究需要大量的数据支持。考虑这种消极LC对安全和交通流量的影响,仍然是一个有趣的上下文模型LC的行为。LC建模研究人员最近的较高利率自连接自动化制造车辆(骑士)使简单的收购许多数据集通过先进的传感装置。此外,它可以传输常规数据(包括速度、位置、directly-unobtainable数据如转向角、车辆质量、和加速度)在车辆、车辆道路身份之间,从汽车到云技术20.]。一般来说,一个可以分类LC为LC决策(LCD)和LC实现(LCI)。在前,司机心理动机基于周围交通换车道,而后者指的是一个物理过程,车辆从一个车道一个目标(21]。可以预测LC,如任何驾驶行为预测、分类或回归问题。前者是针对车辆状态离散化允许更快的实时车辆行为的区别,而后者情况寻求进行速度和位置的预测车辆道路运动映射(22,23]。关于自动驾驶汽车,四个阶段存在,即。,(1) environment perception, (2) information processing, (3) the behavior prediction of others in the same environment, and (4) driving decision-making [24]。司机经常需要回复换道前馈的请求,这是一个函数的人格特征和当前的驾驶环境。司机的反应进行换道请求连接环境中使用CARRS-Q高级驾驶模拟器。此外,司机的反应时间建模使用一个随机参数加速失效时间(尾部)hazard-based持续时间模型。结果显示,司机更倾向于合作在响应换道请求连接环境与基线相比条件,他们倾向于加速,避免换道请求(25]。因此,进行了大量的工作集中在二维预测轨迹的驾驶行为模仿人类的26- - - - - -30.]。LC建模是最突出的运输相关研究领域之一。因此,早期作品近几十年来发展出一些LC模型。这些模型可分为两组:(1)分析和(2)数据驱动模型。有相对较少的数据驱动和分析工作。这可能归因于困难LCI数据收集在一个大规模的(31日- - - - - -34]。同时,早期作品证明了数据驱动模型优于传统分析的几个特点,例如,轨迹精度和交通流特征复制(35- - - - - -39]。这样的研究采用了神经网络(NN)方法在几个变体。一般来说,人类的驾驶行为是高度的非线性和复杂性。因此,它无法容易地使用常规浅机器学习或数学方法(40]。尽管一些LC模型的引入,许多问题尚未回答,实现LC的行为。例如,分析LC模型获得70 - 80%的准确性预测(41]。同时,观察结果之间存在很大程度的不一致和建模的原则(42]。事实上,预计开发模型更高的精度。少量的研究可以找到LCI的仔细检查。一个分析模型很难准确地考虑信用证不确定性和多样性32,43,44]。另一方面,数据驱动的模型可以只考虑影响因素在特定时间(31日]。前不久的历史数据的快速运动(司机是一个重要的组成部分45]。数据驱动和分析模型主要考虑液晶或LCI分开。这可能不会导致完成LC过程组成的繁殖LCI LCD和对交通行为的影响。

NNs享有声望最高的数据驱动LCI和LCD的作品。这样的流行起源于(1)处理噪声数据的能力估计无限复杂性区段在非线性和(2)不需要简化或意识到解决这个问题之前,与统计方法(46]。亨特和里昂47双车道液晶通过BP-NN建模方法。他们的模型估计液晶为由邻接的繁忙的交通。他们利用经验流量数据和仿真结果证明他们的模型的能力。李等人。48]研究液晶预测使用神经网络和男朋友。他们把方向盘角度,车道线传感器参数以及车载CAN总线采集特征。比较结果的经验数据显示的准确性高达91.38%。客和王49]介绍了LCD的培训与学习方法连接自动车辆(骑士)。他们的方法包括微尺度细胞automata-based仿真模型和BP-NN模型,可以快速做出决定是否执行一个LC操作或保持车道。他们的方法被发现有效的骑士在LCD预测。数据驱动的液晶方法相比,少量的作品被确定进行了NN-based LCI调查。丁等。31日]研究实时LC轨迹预测使用双层前馈BP-NN方法。早期作品的审查表明,LCD和LCI BP-NN模型是有效的。

LC建模的壁垒,目前工作采用双层前馈反向传播神经网络,其中包含隐藏乙状结肠评估内在LC神经元和线性输出神经元的复杂性。此外,该模型估计和验证在大规模使用轨迹数据。神经网络自动识别可能影响整个LC过程的基本特征,仅仅观察四个目的车辆周围的车辆位置数据,预测车辆的行为。这项研究似乎主要是开发一个神经网络方法对LC预测基于车辆位置数据。下一代的经验车辆轨迹仿真(NGSIM)项目是利用获得的LC数据。神经网络模型训练、测试和现场数据相比。

本文的其余部分组织如下:部分2回顾了LC建模文学;部分3地址的研究差距和突出的贡献目前的工作;部分4代表考试网站和处理数据;部分5介绍了神经网络模型在引入输入和输出;部分6提供了一个详细的评估模型通过引入LC的经验数据;和部分7总结了研究。

2。文献综述

LC最近CF一样有趣;然而,少量的研究在文献中可以发现在LC (50]。大的进步是在连接,自动车辆(51,52)和增强的见解LC对交通的影响操作,例如,交通建设,安全,和排放53)必要的构造模型与更大的进步。回顾可用的LC方法表明,LC轨迹估计具有很高的改进潜力。一般来说,LC演习分为强制性和可自由支配的信用证。前者指信用证要求实现一个预定义的路线(的分叉、合并或车道下降,例如),而后者是指追求LC速度优势或驾驶舒适。大多数这样的模型专注于LC意图和环境。他们认为LC行为发生在信用证条件判断基于LC意图。他们主要集中在三个安全距离组件,包括(1)的距离主要目标车道的车辆,(2)的距离目标车道的车辆后,和(3)的距离的主要车辆当前车道。Mahajan et al。54)提出了一个端到端的机器学习框架使LC机动预测利用未标记数据和少量的特征。他们聘请density-based集群识别信用证和lane-keeping动作。然后,他们训练对学习支持向量机(SVM)集群标签边界和新的原始数据集的自动贴标。随后,他们介绍了带安全标签的数据时很长一段短期记忆(LSTM)框架为机动类别预测。谢et al。55)建模数据驱动的设置通过使用深度学习技巧。他们网络应用LSTM NN和很深的信仰(DBN) LC建模,通过融合LCI和液晶。发现他们的数据驱动的模型能够准确的车辆LC预测。进行敏感性分析,表明相对领先的车辆目标车道上的位置是最著名的LC-related因素。李等人。56]介绍了一个集成的多车道的随机连续车辆框架。他们利用深度学习的似然估计LC动作。特别是,他们引入了LC maneuver-derived随机波动在一个多车道的随机最优速度模型(SOVM)。此外,他们雇了一个卷积神经网络(CNN) LC机动似然估计的随机连续车辆框架集成。研究结果显示,综合SOVM了几乎相同的预测LC轨迹的观察和以下车辆的轨迹在原始和目标车道。Zhang et al。40]采用深度学习和LSTM神经网络的同步建模LC和CF行为。同时,混合培训约束(HRC)技术引入进一步LSTM优化。观察HRC-LSTM模型能够准确的LC和CF行为同时估计下小纵向轨迹错误和显著LC预测精度比较经典的技术。

回顾数据驱动的LC研究表明NNs一直是最激动人心的工具。例如,可以喝et al。57采用了多层感知器(MLP),介绍了一种准确LC轨迹预测离散路径。向MLP与单个输入一个简单的模型,一个隐藏层和一个输出。它是用来训练、测试和预测车辆轨迹。详细讨论有效性的反向传播(BP) NNs是由丁等。31日]关于信用证通过车辆记录轨迹预测。BP神经网络是比Elman网络模型的准确性和训练时间的结果。根据测试结果,BP神经网络能够准确地预测LC的司机在交通流在城市地区的行为。同时,验证,收集到的数据影响车辆轨迹。郑et al。46)提出了一个神经网络的复杂性评估LC。他们在大规模利用轨道数据估算和验证他们的模型。同时,他们雇佣了多项logit MNL模型,通常被视为一个LC框架在早期的研究进行比较。发现了神经网络的预测精度为94.58%和73.33%左右信用证样本,分别在模型估计。然而,MNL模型能正确地预测完全正确的信用证样本的13.25%和3.33%的信用证样本。尽管大量减少模型中的两个模型准确性的验证、神经网络预测仍令人满意。窦等。35)使用一个神经网络加上一个强制性的LC SVM建立模型预测公路的车道滴。他们为合并实现了78%和94%的准确性和nonmerging行为通过位置,车辆的差距,和速度作为输入的差异。然而,他们没有提供明确的讨论神经网络结构。唐et al。58,59]引入了LC预测框架使用一个自适应模糊神经网络来判断LC情况和执行期间转向角预测LC。他们整合视觉搜索和车辆驾驶员的操作行为、驾驶的情况下,和车辆的运动状态建立左LCs的预测指标体系。彭et al。60)提出了一种BP神经网络对LC行为预测。他们的模型可以准确的LC行为的预测司机至少1.5秒早于信用证。

尽管一些LCI和液晶NN方法的发展,许多问题仍有待回答,LC的行为可以理解。密切相关的问题包括以下:(我)少量的作品中发现文学LCI的详细调查。关于分析框架,信用证无法轻易考虑不确定性和多样性(44]。关于数据驱动模型,早期作品包括在给定的时间仅仅影响因子(31日]。(2)LC模型,一般情况下,车辆速度和差距在两车道(即。,the current lane and the target lane) at a given time are incorporated into the simulation, whereas the LCD of a driver would depend on the previous traffic states and driving behavior history.(3)早期作品对LC行为包含大量的参数,包括空间差距,时间差距,速度和加速度。然而,车辆在主体的邻接车辆被利用作为神经网络的输入。

3所示。研究不足和贡献

早期的神经网络研究主要确定了时间信息,探索当前状态,或执行行动检测后发病。然而,他们并没有进行未来状态的预测。这些研究采用离线数据处理分析司机的行为的有限的数据。几项研究也可以执行培训,使未来的位置预测LC车辆在特定离散路径部分而不是整个LC路径(31日]。回顾LC-based NN模型表明,预测的车辆位置与位置输入尚未评估。例如,神经网络预测基于过去的车辆换道轨迹的数据介绍,和输入速度和缺口用于神经网络模型(31日]。他开发了一个反向传播神经网络模型来预测换道行为。换道意图确定时间窗口通过视觉特征提取后视镜(60]。一个神经网络模型来捕捉车道改变开发的复杂性,和大规模的轨迹数据用于模型估算和验证(46]。本研究主要旨在提出一个大胆的预测神经网络模型完整的车辆通过LC的行为轨迹。Levenberg-Marquardt BP算法用于神经网络的训练。然而,在记忆受损的情况下,本研究使用共轭梯度BP。

新奇的研究包含引入神经网络模型来预测未来的问题车辆的位置,和现在的工作利用主题和相邻车辆的位置作为模型的输入。这些输入将最大化目标的探测能力的灵活性实现在未来如何实现自动车辆。更重要的是,历史轨迹是工作而不是瞬时信息NN-LC模型在给定的时间。本研究可以通过车辆位置先锋综合LC行为模拟的邻接车辆基于神经网络。所需的训练网络输出选择未来LC轨迹。各种路径的数据在输入部分涨跌互现网络培训和扩展模型的应用范围。特别是,当前工作的贡献包括以下:(我)提出一种神经网络模型完美结合的影响周围的车辆在一个LC(主题)(2)介绍主题和相邻车辆的位置作为模型的输入(3)轨迹预测的神经网络模型能够LC LC发生时车辆(iv)现实生活中的高分辨率数据的车辆轨迹是用来校准和验证模型(v)对比介绍了神经网络的LC模型与支持向量回归LC模型(vi)的比较提出了模型与新的输入变量

4所示。LC轨迹

4.1。数据集

供料的NGSIM项目的数据(供料,2008)被利用在目前的工作。NGSIM数据集包括整个车辆轨迹数据集监测道路部分,即。,position, acceleration, and speed, at a time interval of 0.1 seconds, along with longitudinal and lateral locations that could be utilized for LC maneuver identification. Three vehicle types, including trucks, cars, and motorcycles, were incorporated. These high-fidelity trajectory data have been extensively utilized in traffic flow research in the recent decade [61年- - - - - -68年]。许多LC模型进行了标定,验证通过NGSIM轨迹数据集(2,35,55,56,69年]。目前的工作使用i - 80和美国- 101数据集建设的LC预测模型。案例研究网站的示意图显示在图1。可以看到,一个激动人心的订单是用于执行从左到右车道的编号。每个网站涉及一个出站和入站,与预期的重大LC活动。一般来说,LC演习分为强制性和可自由支配的LC (70年]。本文结合仅仅选择汽车和LC机动情况下没有后,领导车辆相对于LC车辆LC演习。由于只酌情LC的讨论,目前的工作排除强制LC与高速公路匝道车辆进入和出站从轨迹数据集高速公路退出。此外,本研究废弃车辆超过信用证活动或不止一个十字架。因此,(即2000辆的轨迹。,400年完成LC车辆)。本研究将信用证的时间定义为连续的横向LC运动所需的时间。的摘要统计LC时间车辆提供在表的结果1。根据表1,意思是LC计算时间是6.95秒。车辆被发现的LC持续时间的范围在1.6 - -13.8秒。大约95%的车辆有一个LC的持续时间短于10秒。因此,车辆的轨迹数据的LC持续时间低于10秒用来消除不规则行为,任何噪音。随后,包括轨迹数据集100正规(10)LC机动目标部分的整个车道在i - 80和美国- 101高速公路。

4.2。LC预测变量

在LC,车辆执行一个二维平面运动,而不是一个一维CF运动。LC演习包括多个车辆交互。它需要仔细确定的变量会影响司机和LC的LC决策的实现。一般来说,一个LC模型包含加速度和速度数据相邻车道上的车辆和leading-lagging相邻车道上的车辆差距。这些变量构成各种对LC行为建模的影响(50,71年]。信息的提取二维横向和纵向的位置相邻车辆通过神经网络预测目标车辆位置直接LC行为建模技术。因此,它是可能的进一步提取和检查信用证的特征行为。为此,五车,涉及信用证,与普通LC过程直接相关的注册,如图2。在原车道,车辆(FC)遵循LC车辆(SV),和另一辆车(PC)领导。相同的定义是应用于目标车道;车辆(英尺)遵循信用证的车辆,和另一辆车(PT)是领先的。根据图2,LC的开始的行为被认为是一个职位的标题主体车辆离开当前车道方向,而年底LC是一个位置的标题话题车辆收敛于目标车道方向。

5。方法

5.1。神经网络模型

一个人工神经网络(ANN)指的是一个大规模并行与简单的非线性计算组件称为神经元网络。神经元模型的几个人类利用人类的神经系统(神经系统功能72年]。人工神经网络常用近似非线性函数,预测表现出显著的好处,信号处理、优化和模式识别的目的,根据有效和灵活的非线性自组织特征。人工神经网络是用来模型广泛的问题(73年- - - - - -75年),取得了比传统模型在一些情况下更重要的结果。目前工作采用典型的前馈BP神经网络,乙状结肠隐藏神经元以及线性神经元,输出如图3。

一个神经网络由一个输入层、一个或多个隐藏层和输出层。的Levenberg-Marquardt反向传播算法用于神经网络的训练。然而,在记忆受损的情况下,按比例缩小的共轭梯度BP将被采纳。一旦输入和所需的输出被引入模型,执行转移价值传播从输入层到输出一个隐藏层。一个神经网络试图学习输入和输出之间的关系通过自由参数的适应。在数学上表示为一个BP神经网络 的列向量x表示输入向量,行向量代表神经元的连接权向量j,代表输出阈值,神经元的输入,f传递函数。

为了避免过度训练和过度拟合,各种数据集被用于神经网络的训练。这是观察到神经网络的最小误差由70%的数据训练时,如图4。

一般来说,增加隐层神经元的数量提高神经网络估计精度。然而,增加隐层神经元会提高估算成本和过度拟合问题[76年]。带来一个更令人满意的精度与模型之间的权衡成本和过度拟合,均方误差(MSE)是用来评估NNs不同神经元计数在性能方面,如图4。本工作利用MATLAB的神经网络工具箱构建和实现神经网络。学习期间,70%的投入了训练数据集,而剩下的30%被利用作为测试数据集(验证)。本研究选择的最低性能梯度10⁻⁵。神经网络模型的训练和测试是1.78 GHz CPU使用个人电脑。获得最优性能,神经网络需要一个76年代的计算时间。神经网络的训练和测试持续了7584年。关于隐藏层,得到最小MSE的神经元数8,如图5。因此,选择隐层神经元的数量是八个发达模型。

5.2。输入和输出

它必须结合历史运动之前现在开车时LC是一个持续的过程。目前的研究只关注二维预测的轨迹。因此,它是需要确定初始LC州和不区分LC类型(77年]。关于每一个车辆,二维横向和纵向位置最近的和领导现在和目标车道上车辆通过NGSIM派生数据。LC模型的输入包括时序位置历史数据的主题和四个相邻车辆(图2)。此外,执行主体的二维位置预测车辆在接下来的时间步骤。如前所述在分段4.1,共有四百complete-LC NGSIM获得的样本数据。二百八十个样本(即。,70年% of the dataset) were employed as the training dataset, 60 samples (i.e., 15% of the data) were used as the validation dataset, and the remaining 60 samples (15%) were exploited as the testing dataset. Each sample had 10-s LC trajectory data at time intervals of 0.1 seconds. Therefore, each of the samples consisted of a hundred data points. As a result, 28000 and 6000 data points were derived for training and testing, respectively.

变量涉及这个话题的立场和相邻车辆在检测区域,如图2。可以检测最主要和现在和目标车道上车辆后,和未来的向量在时间步t被表示为 在哪里是车辆的位置在时间步t。它涉及当地Y(即。侧)和地方X(即。,longitudinal) positions. The positions ofk主要利用时间步骤作为模型的输入。这些变量被定义为

这样的输入可以确保最大检测车辆通过考虑主题的灵活性实现未来的自动车辆。LC输出包括横向和纵向车辆位置在下一个时间步 (即, )。

一个神经网络包含大量的参数模型性能的影响。表2提供最终的参数。

MSE采用神经网络的性能测量。这是计算的 T表示LC离散化的时间,是观察到的纵向位置,是模拟纵向位置,是观察到的侧卧位,时间步模拟横向位置k。前预处理数据受到规范化培训和测试。使用的z分数技术 在这代表了规范化的数量,是说,表示标准偏差。

5.3。模型性能的评价指标

LC模型行为,必须执行一个单独的纵向和横向行为的深入分析。因此,目前工作雇佣了几个评价指标三个观点。MSE有些直观地判断模型的预测精度。关于整体精度,模型误差是受雇为一个扩展的纵向误差变异。它计算横向和纵向位置和速度误差利用观测数据和模拟结果。关于纵向精度,采用两个标准指标,包括纵向误差和混合间隙误差。纵向误差包含两个垂直坐标和速度。另一方面,错误的错误占混合差距差距。模型误差、纵向误差和误差被定义为混合差距(40] 在哪里x观察到局部纵向位置,模拟当地纵向位置,y是观察到的当地侧卧位,模拟当地的横向位置,是观察到的速度,是模拟速度,是观察到的差距,是模拟的差距,t是帧数(0.1秒)。

6。分析的结果

6.1。NN-Based LC模型训练

神经网络的训练收敛速度是描绘在图6。根据图6,MSE经历了一个急剧下降的迭代的数量增加了。然而,进一步增加迭代次数没有提高了迭代时的误差足够了。因此,100次迭代被应用于神经网络训练阶段,合适的交叉验证准则。

6.2。NN-Based LC模型试验

表2训练和测试报告的描述NN-based LC模型性能评价。图7错误的比较了神经网络模型训练,验证和测试数据集。训练和测试数据集的比较证明了过度拟合消除模型的能力。根据图7,神经网络模型合理满意的总体预测精度。例如,模型误差轨迹预测不同范围的0.02。同样,纵向和混合错误被发现的差距是合理的。应该注意的是,验证数据集错误较低比信用证的培训和测试数据预测,可能由于LC方差越小范围的验证数据集的训练和测试数据集。

数值测试执行通过NN-based LC六十test-subjected车辆的轨迹预测模型。MSE在LC是利用索引的性能。表3显示了LC轨迹预测均方误差值的测试数据。

图8描述了LC轨迹预测均方误差的值随机选取20辆(即。、测试数据)。测试车辆的平均均方误差值被计算近0.0284。可以看到,MSE低,表明发达LC模型能够充分捕捉整个LC过程。图9比较对20个随机选择的车辆轨迹的观察和预测。结果显示重要的一致性的轨迹预测和观察。因此,该模型可以捕捉车辆横向和纵向运动,和模型演示了正确地执行。

图10说明了LC五车辆的轨迹预测和观察。他们是从二十车辆选择随机选出来的。、测试数据)。可以看到,汽车1 MSE(图最低10 ()),而155年汽车取得了最高的MSE(图10 (c))。其余三个车辆随机选择。数据10 (),10 (b),10 (d)描述了LC实例,而数字10 (c)和10 (e)代表对LC实例。

为进一步NN-based LC的绩效评估模型,车辆的LC分为三个LC阶段,包括(我)阶段1:pre-LC: LC准备之前连续的横向运动。(2)第二阶段:LC:连续的横向运动。(3)第三阶段:调整:车辆速度和方向调整后的LC司机连续的横向运动。

图11描述了均方误差值在这些阶段五车。可以看到,车辆的MSE值较低阶段2。这表明发达NN-based LC模型能够LC轨迹预测LC阶段。预测的错误,然而,相对更重要和不稳定在111年第一和第三阶段,车辆在阶段1中,车辆155年第三阶段,汽车298年在阶段1和3。主要阶段1和3和遵循LC实现出发,分别。在这些阶段,复杂的影响因素(即。,the adjacent traffic states) could induce significant driving behavior uncertainty. Also, driving behavior heterogeneity adds to the uncertainty. Therefore, MSE somewhat fluctuates in the first and third stages, as shown in Figure11。这表明,大量的随机影响因素存在于LC之前调整阶段。因此,预测有一个大的困难。

根据图2,LC的开始的行为被认为是一个职位的标题主体车辆离开当前车道方向,而年底LC是一个位置的标题话题车辆收敛于目标车道方向。因此,图12和表4节目的开始/结束预测五车的测试数据。图12说明了一些LC轨迹(灰色点)的测试数据。所示的开始点是蓝色,而端点在红说。开始/结束预测靠近观察。这意味着开始/端点对应可行的LC行为的预测。

6.3。LC轨迹预测性能

图13描述了所选的LC驾驶行为测试数据的结果。正常的情况下估计LC轨迹和不同速度变化选择一个接一个实现该框架的性能验证各种驾驶环境。数据(13日)- - - - - -13 (h)显示8代表LC车辆的速度波动LC演习持续10秒。黑色线条代表每辆车的平均速度的预测,而红色的代表速度观测。这些车辆没有明显大平均速度因为典型的高峰时间是用于验证。介绍了框架的轨迹估计所有LC车辆有关观察LC速度波动。车辆的速度预测均方误差是用作整个LC过程性能指标。车辆1和298最低和最高的均方误差值,如图(13日)和13 (e),分别。关于加速度,提出的模型表现出理想的性能数据(13日),13 (c),13 (f)。同时,LC轨迹估计被发现明显接近车辆的轨迹的观察以很大的速度波动LC十秒的动作,如图13 (b),13 (g),13 (d),13 (h)。例如,复杂的影响因素(即。,the adjacent traffic states) could induce significant driving behavior uncertainty before LC implementation. Also, driving behavior heterogeneity adds to the uncertainty. Consequently, there are large speed fluctuations in Figures13 (g)和13 (d)。

另外,信用证的特征验证行为,图14比较了NN-reproduced LC差距分布到真实的数据。同时,韦尔奇的t以及采用评估NN-reproduced分布之间的差异和真实的数据。最终, - - - - - -0.998价值被发现。一个更高 - - - - - -值超过0.05表明95%的置信水平假设预测和现实生活中的LC之间没有显著性差异的结果。结果表明,神经网络框架能够LC预测和一个像样的LC特征。

6.4。SVR - NN-Based LC模型的比较

6.4.1。支持向量回归

研究人员已经成功地开发和使用基于机器学习的CF模型近年来,试图通过大量人类CF动作学习驾驶CF数据(44,78年]。机器学习技术可以得到司机和捕获的CF行为可能不同变量之间的联系可能影响CF的行为。本研究采用机器学习框架LC操作介绍NN-based模型分析和比较。关于机器学习的方法,支持向量机已经越来越有吸引力的高预测性能。几项研究证明了支持向量机产生更多满意的结果相比的结果统计和其他机器学习技术(79年,80年]。可以把支持向量机分为分类支持向量机和SVR的机器。前者是用于分类问题,而后者用于预测连续变量。SVR具有适当的普遍性,能够处理非线性问题。它已经成功地用于一些现实问题。SVR执行正规化误差最小化经验风险最小化的同时,适当的惩罚因子(81年- - - - - -83年]。因此,目前的工作采用了SVR LC轨迹预测。

二维横向和纵向的位置涉及以下和领先的汽车每辆车现在和目标车道上来自NGSIM数据。SVR模型的输入包括时间序列历史主题的位置数据和四个相邻车辆,如图2。同样的训练和测试数据集应用于神经网络和SVR模型。类似于神经网络模型中,二维问题车辆位置预测在接下来的时间步骤。让 ,在这是输入和目标,是训练数据集。的目的εsvr是确定函数(一)的最大偏差ε从目标,(b)尽可能高的平面度(84年]。特别是,本研究应用εsvr与径向基函数: 是一个变量,向量输入的训练数据集。最小化函数,它需要确定未知参数向量W: 在这C> 0控制平面之间的权衡f(0)和数量的偏差是容忍。凸规划方法用来解决这个优化问题的对偶(84年]。正常化前预处理的数据进行了训练和测试(5)。然后,参数ε,γC被纳入εsvr。目标是找到这些参数值对模型的预测能力最大化。最终,这个过程是由结合网格搜索和交叉验证方法(83年]。

SVR模型的训练和测试是1.78 GHz CPU使用个人电脑。获得最优性能,SVR所需计算时间4.0秒。SVR的训练和测试持续了540年。

6.4.2。比较结果

建立神经网络模型上足够的信息不可用,我们选择采用一个NN-based LC模型。事实上,神经网络成功动机的工作。此外,CF方法目前已经开发出了基于机器学习和应用。然而,LC建模还并不被认为是经常作为CF建模。比较了LC模型,我们采用了SVR方法(机器学习)为了分析LC动作。这是一个具有挑战性的任务应用SVR模型具有相同输入的神经网络。然而,他们都正确预测轨迹有足够的精度,获取车辆的纵向和横向运动。其他模型可以用于车道改变,但回顾数据驱动的LC研究表明NNs一直是最激动人心的工具。尽管一些LCI和液晶NN方法的发展,许多问题仍有待回答,所以信用证的行为可以理解。例如,长期短期记忆(LSTM)可能是一个选择。 According to the model inputs, which are spatial information in two dimensions (the lateral and longitudinal positions of the subject and four surrounding vehicles), we decided to use NN for LC prediction. As mentioned, NN success was a motivation of the authors. In fact, the use of the longitudinal and lateral vehicle positions as the NN inputs is the innovation of our work. Furthermore, LSTM takes more longer to train than NN, and LSTM is easy to overfit. Thus, the SVR and NN approaches can be said to have good performance. The NN-based and SVR-based LC models were compared. The same number of trajectories was employed for making comparisons. Also, the same set of data was utilized to train and test the SVR model in the form of an NN model. 15% of the data (i.e., sixty samples) were exploited in the testing phase, while 70% and 15% of the data were used for training and validation, respectively. Table5提供了MSE两个模型的结果。根据表5神经网络和SVR模型产生了非常接近的结果。

数值测试利用SVR模型进行轨迹预测的六十测试车辆。MSE性能是利用索引整个LC过程。图15描述了LC测试车辆的轨迹预测(从测试数据集)。

图16显示了SVR模型和神经网络模型的均方误差值5辆。另外,图17展示了相同的车辆轨迹的观察和预测。可以看到,两个模型的轨迹预测观测结果吻合较好,能够捕获车辆横向和纵向运动和SVR显示更好的性能比神经网络模型。反过来,这证明了SVR和神经网络模型的性能。此外,结果表明,SVR模型明显类似于轨迹预测的神经网络模型。比较这些模型可以展示他们的能力以应对过度拟合。

此外,模型的预测能力复制宏观模式可以从这项研究结果。介绍模型可以精确LC的预测车辆在小轨迹错误和令人满意的精度。事实上,神经网络和SVR模型预测LC轨迹在时间步的位置的主题和相邻车辆作为模型的输入。之后,信用证的影响轨迹预测宏观模式中可以看到。例如,LC轨迹对交通流的影响在每个时间步的预测提出的模型可以确定并与真实的数据。

6.4.3。的比较提出了模型与新的输入变量

主要的创新贡献是为模型参数选择输入。最后,该模型比较在不同变量。估计LC行为,应选择使用车载传感器可以测量的变量。与此同时,重要的是,避免多重共线性交通变量。例如,因为他们有很强的相关性,个人车辆速度和速度之间的差异不能同时选择不同的车辆。同样,车辆类型和差距大大intercorrelated和不应同时纳入模型。最终,总共有11个变量合并,报道在表6。

的MSE结果提出模型和新的不同的变量如表所示7。可以看到,该模型取得了较低的MSE的新的输入,有显著差异模型之间的位置和新的输入。

表8显示了SVR模型和神经网络模型的均方误差值5车辆位置输入和新输入。可以看到,两个模型的轨迹预测观测结果吻合较好,能够捕获的横向和纵向车辆运动。反过来,这证明了SVR与位置输入神经网络模型具有理想的性能。例如,观察和预测轨迹下的车辆位置输入和输入都绘制在图18。可以看到,提出的轨迹预测模型有更大的一致性比与新输入的轨迹。因此,该模型有更高的性能比新的模型。可以说,信息提取的横向和纵向位置相邻车辆会产生更好的结果比使用新输入的预测车辆位置的NN和SVR模型。

7所示。结论和未来的工作

神经网络(NNs)工作主要是根据他们的学习能力,将真实的驾驶数据的不确定性。在学习驾驶行为数据之后,一个神经网络可以为繁殖生产车辆状态的驾驶风格。目前的工作为LC行为建模开发了一个神经网络模型。NGSIM数据库是用来提取准确的LC两个高速公路部分的记录,即。我- 80和美国- 101,在美国。发达模型需要的位置数据相邻车辆仅使车辆轨迹预测。特别是,NN模型包含历史数据之前LC的实现。本研究最重要的结果包括以下:(我)车辆轨迹的经验数据的建模结果表明发达NN LC模型可以准确的预测LC车辆。(2)实验结果表明,该方法可以准确估计LC开始/结束,展示开始/结束相应可行的LC行为的预测。(3)绩效评估的神经网络模型进行通过几个LC和相邻车辆轨迹数据点,即以下和领先的汽车,现在和目标车道。该模型被发现产生适当的LC轨迹估计关于信用证的所有车辆的速度观察波动。(iv)信用证的特征验证行为,NN-reproduced LC差距分布的比较真实的数据。LC差距分布的特点,从现实生活中的LC行为无显著差别。(v)发现SVR模型明显类似于LC轨迹预测的神经网络模型。比较两个模型展示了他们的应对能力的过度拟合。(vi)提出模型的均方误差结果和新的不同的变量表明,提出的模型产生了MSE低于新输入的,和有一个模型之间的显著差异和新输入。

未来的作品,最先进的模型如博弈论模型会考虑换道模型。虽然博弈论的方法已被用于建模换道决定在文献[1),换道轨迹预测可以用博弈论的方法进行测试。

同时,该模型将集成在AIMSUN等数值模拟。集成神经网络模型在AIMSUN等数值模拟,神经网络的输出模型用于计算两个本地参数(距离区域1和2 (85年),在AIMSUN对车道影响最大的改变。然后,这两个地方参数用于AIMSUN,所有车辆的平均速度流和节通过仿真模型预测。

数据可用性

原NGSIM数据开放下载https://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm。

的利益冲突

作者宣称没有利益冲突有关的出版。