基于港珠澳大桥左右舵车辆时空混行的差异化驾驶行为识别和预测方法

为实现左右舵不同驾驶习性驾驶人在港珠澳大桥时空混行环境下快速、有效识别并预测行驶车辆在应急条件下的运动状态,提出了一种考虑右舵驾驶行为的模型加数据混合运动预测方法。首先,提取港珠澳大桥通行车辆的跟驰与换道原始轨迹数据并分析,挖掘左右舵驾驶行为在直道及变道属性下的长短时特性;其次,结合最大信息系数算法(MIC)对比所提取特征与2类驾驶行为的关联程度,并求解关键区分特性下高斯混合模型(GMM)对于左右舵驾驶行为应急反应的倾向性概率;最后,将2种驾驶行为的车辆运动状态在直道行驶的差异特征作为长短时记忆(LSTM)神经网络的输入,建立数据驱动下的直道横向偏移预测模型,并在具有差异化驾驶行为的车辆直道位姿信息预测基础上,串联建立模型驱动下的变道概率预测模型。对青州航道桥实际车流监测数据的测试结果表明:所提方法可基于行驶车辆的横向偏移和偏航率等特征快速、准确识别左右舵驾驶行为;对于不同特征输入下的直道偏移预测结果,所预测左舵驾驶行为的均方根误差(RMSE)、改进的豪斯多夫距离(MHD)与决定系数(R2)的最优评估分别为0.5787、0.4681与0.8707,右舵驾驶行为预测结果评估分别为0.7119、0.5884与0.8644;以换道前2 s对左右舵驾驶行为变道意图的预测准确率分别为83.0%和81.3%。该方法后续可以推广到更多左右舵时空混行环境中,利用行驶车辆的横向位姿等长短时特征,精细化预测并诱导存在差异化驾驶行为的紧急避险行为,提高车辆的交互安全性与效率。

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法,分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势,归纳了局部断面交通流预测方法,包括传统机器学习、递归神经网络和混合模型,分析了卷积神经网络、图神经网络和融合多因素网络的特点,阐述了方法的原理、优势、局限性和应用场景,总结了现有场景交通数据集类别,从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明:递归神经网络可以有效获取交通数据的历史规律,但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题;图神经网络针对路网拓扑连接关系引入了图结构,在考虑路网和交通流数据的时空相关性上具有明显优势;融合多因素网络充分考虑天气、道路、事故等内外部因素的影响,有效提升了交通流预测的实时性和鲁棒性;由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因,交通流预测方法的改进受到了限制;未来应从交通信息有效挖掘和图卷积方法完善两方面入手,拓宽图结构在交通领域的应用和考虑非常态交通场景,进一步揭示交通数据的内在规律,开发更准确、高效的交通流预测方法,推动交通流预测在工业界的落地应用。