华南理工大学学报(自然科学版)

作者：苑仁腾, 王晨竹, 项乔君, 郑欧, 丁圣轩

单位：1.东南大学 交通学院，江苏 南京 211189；2.中佛罗里达大学 土木、环境和建筑工程系，美国 奥兰多 32816-2450

关键词：交通工程,换道意图,时间卷积网络,长短期记忆神经网络,车辆轨迹,CitySim数据集

基金：国家自然科学基金资助项目(52372323);江苏省研究生科研与实践创新计划项目(KYCX22_0270);山西省交通道路设计数字化技术创新中心资助项目(202104010911019)

为及时识别、预测车辆的换道行为，综合考虑目标车辆及周边车辆的时空交互关系，结合时间卷积网络（Temporal Convolutional Network，TCN）的时序处理能力和长短期记忆（Long Short Term Memory，LSTM）神经网络的门控记忆机制，构建了基于TCN-LSTM网络的车辆换道意图识别模型。首先，将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型，从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据，并利用中值滤波算法获得车辆运行状态指标。其次，针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题，提出利用膨胀卷积技术提取时间序列的时序特征，采用门控记忆单元捕捉时序特征的长期依赖关系，并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量，以车辆的换道意图为输出变量，构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后，对比分析了不同输入时间步长下TCN、支持向量机（Support Vector Machines，SVM）、LSTM和TCN-LSTM模型的识别精度。结果表明：输入时间序列长度为150帧时，TCN-LSTM模型的识别精度达到最高值96.67%；从整体分类精度来看，相比LSTM、TCN和SVM模型，TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点，展现出了更高的分类性能。

来源：2024年第6期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第6期