论文部分内容阅读
我国汽车保有量的逐年增加使得交通环境日趋复杂,由驾驶人换道操作引发的交通安全问题引起广泛关注。随着智能交通系统的发展,车联网技术的出现可以将车辆行驶过程中产生的数据实时传输和反馈,其中车到车通信技术更是可以将行车信息在车辆间传输。我国5G通信技术的发展,为车辆网提供了技术支持,也为车辆换道研究提供了新的视角。本文将基于车辆行驶过程中产生的真实数据来识别汽车的换道行为并预测其换道轨迹。本文的研究成果将有助于车联网环境下车辆换道安全,减少由换道引发的交通冲突。传统车辆换道模型大多基于数学以及物理模型,没有充分考虑驾驶员在日渐复杂的道路环境下换道行为的不确定性和随机性,并且对于训练模型的数据大多基于驾驶模拟器产生而非车辆在真实路况下行驶产生的数据。针对这些问题,本文基于驾驶员行车的真实数据,提出神经网络换道模型,通过对车辆换道数据进行深入分析,从而对换道行为进行识别并对换道轨迹进行预测。文章的主要研究内容如下:(1)对车辆的换道过程进行阶段性划分并进行分析,确定了换道行为的特征因素。从SPMD(Safety Pilot Model Development)项目中的数据提取特征数据来表征驾驶员的换道行为。(2)基于前馈神经网络(Feedforward Neural Network,FNN)良好的非线性拟合能力构建换道行为识别模型,通过SPMD数据对模型进行训练调优,确定FNN最优网络结构。将训练好的FNN模型进行换道行为识别,最优时间窗口下对应的识别率达到了90.7%。通过ROC曲线校验识别模型,结果表明FNN模型满足车联网环境下对于换道车辆识别要求。(3)搭建长短期记忆(Long Short-Term Memory,LSTM)神经网络对车辆换道轨迹进行预测,通过从SPMD数据中挑选的300组换道轨迹样本对模型进行训练和测试,得到平均绝对误差及均方根误差作为模型评价指标。预测结果表明,LSTM模型对于换道车辆横纵向轨迹的预测平均误差较小,相比于动态神经网络预测结果更加精确。