考虑车辆历史状态数据的加速车道汇入策略研究

为研究汇入场景中车辆历史状态数据对高速公路加速车道汇入车辆汇入决策行为的影响,本文结合GentleBoost(Gentle adaptive Boosting)集成学习算法框架,提出考虑历史时间窗口的加速车道汇入决策模型。首先,使用高精度摄像头和毫米波雷达组成路侧数据采集平台,采集国内典型高速公路加速车道车辆汇入行为数据。其次,搭建汇入决策模型,基于汇入场景车辆当前时刻状态信息和历史状态信息,考虑剩余加速车道长度的影响,建立GentleBoost汇入决策模型。最后,通过SUMO(Simulation of Urban Mobility)仿真平台和MATLAB算法控制平台搭建智能网联高速公路加速车道汇入仿真测试环境,测试不同主线交通流密度下的汇入决策效果。研究结果表明,随着车辆历史状态数据时间窗口的增大,汇入决策模型的准确率先增大后趋于稳定。在考虑汇入场景车辆历史状态信息的时间窗口为1.7 s时,GentleBoost模型得到了最大的汇入决策识别准确率,其中识别“汇入”事件的准确率为98.9%,识别“不汇入”事件的准确率为97.4%。微观仿真结果表明,相比SUMO中的LC2013换道模型,考虑车辆历史状态信息的GentleBoost汇入决策模型获得了更高的汇入成功率和更大的通过平均速度。