0 引言

随着自动驾驶技术、车联网技术和智能交通技术逐渐成为解决交通难题的关键环节，这些技术更多地应用在自动驾驶汽车上并起到危险预测、故障避让等作用^[1]，但高速公路出口、入口分合流三角区仍是冲突、事故频发地段^[2]。为了识别并准确判断驾驶行为意图，及时识别存在隐患的交通参与方，进行换道意图识别以及车辆运行轨迹预测研究尤为重要，并且能为优化自动驾驶车辆的规划控制策略提供合理依据。

在国内外学者研究此问题中，Li等^[3]和Zylius^[4]基于各种降维和聚类方法对数据进行分析并用于指导驾驶行为决策模型的构建，在识别方法上，Acharya等^[5]、Moud等^[6]、Xing等^[7]利用卷积神经网络(CNN)和递归神经网络(RNN)技术用于各种分类任务中，效果良好。采用这些先进的驾驶风格分类方法将会显著改善ADAS针对不同驾驶偏好的驾驶员的自适应设计^[8-9]。换道是常见驾驶操作，但换道前的意图并不能称之为换道行为^[10]，通过运用机器学习方法如SVM，HMM，CNN和贝叶斯网络分类均已被广泛用于建立车辆换道行为识别模型^[11]。Xu等^[12]、Wang等^[13]、Li等^[14]、Hou等^[15]、赵树恩等^[16]、Diaz-Alvarez等^[17]学者通过建立神经网络、贝叶斯滤波等对换道识别有了逻辑清晰的研究，证明了机器学习识别的有效性。对于轨迹的识别预测，Zhang等^[18]首次采用基于数据驱动的方式对车辆驾驶行为进行识别，在此基础上预测车辆的行驶轨迹。由于轨迹预测优先考虑车辆与其周围交通参与者的相对速度、相对距离等指标，对驾驶员的决策过程会产生潜移默化的影响^[19-20]。对车辆轨迹预测模型的广泛调查将轨迹预测方法分为3类：基于物理的模型、基于策略的模型和交互感知模型^[21]。使用操纵识别模块的结果能够更好地预测未来轨迹^[22-23]。操作识别步骤通常由分类器提供，例如基于启发式的分类器^[24]、贝叶斯网络^[25]、隐马尔可夫模型^[26]、随机森林分类器^[27]或递归神经网络^[28]。

多数研究并未综合考虑驾驶风格、换道意图以及轨迹预测的关系，但是三者在实际道路环境中有密切关系。基于车辆轨迹数据信息挖掘特征也是为解决剔除驾驶员无意识动作导致被识别的有意换道行为。本研究从轨迹图像数据出发，利用Tracker轨迹分析软件提取跟驰和换道数据，进而提取驾驶风格特征，建立XGBoost(极限梯度提升算法)、LightGBM和Stacking(通过一个模型融合若干单模型的预测结果)融合模型进行识别，在Python环境车辆换道意图做出预测，最终达到预测车辆轨迹的目的。研究路线如图 1所示。

1 驾驶轨迹数据调查及分析 1.1 数据调查及提取

(1) 采集数据分析

考虑合流区存在车辆频繁换道，研究合流区域存在换道行为的典型性，选取西安绕城高速互通立交的匝道与主线合流区，采用无人机悬停高速公路入口区域正上方40 m俯拍，采集时段选取存在合流交织换道明显的交通高峰时段9:00—10:00，进行连续5 d采集，拍摄时长20 min。

本研究多车道是指同向两条以上车道能达到换道条件的道路。经调研分析，所选路段单车道交通流量高峰时段为810 pcu/h；饱和度在0.62，接近于1级服务水平，但通行状态基本稳定。

(2) 利用Tracker轨迹数据提取

将视频导入Tracker(视频分析软件)，以视频中车道左上角位置为坐标原点建立直角坐标系，对坐标系中的距离值进行标定针对每一辆车首先进行编号，接着在车辆车头位置创建追踪点，通过Tracker软件的自动追踪功能对车辆进行实时追踪，生成车辆运行轨迹。

基于上述轨迹数据提取步骤，可以获得每辆车在任意时刻的位置等信息，在此基础上可以计算出车辆速度、加速度等相关指标。提取的数据主要包括时间标签、车辆ID、车辆类型Class、车辆所在车道编号LaneId、车辆X轴方向速度v_x、车辆Y轴方向速度v_y、车辆X轴方向加速度a_x、车辆Y轴方向加速度a_y、车辆X轴方向坐标值X、车辆Y轴方向坐标值Y，表 1为提取到的某一车辆部分轨迹数据。

1.2 换道自然轨迹片段提取

以车头时距、跟车距离和车辆跟驰时间等指标作为判断依据提取驾驶人换道行为片段，各车道换道片段统计结果如表 2所示。

分析得出驾驶人换道片段时长在6.2 s附近达到峰值，方差约为2.1 s，绝大多数换道片段时长分布在5~8 s之间；换道距离主要分布在100~250 m之间，且在正态分布的拟合均值约为185 m，方差为68 m。

将运行车辆轨迹点在二维坐标系显示，累计获得自然驾驶轨迹数据1 482条，符合要求的跟驰和换道片段累计718条，其中跟驰片段420条，换道片段298条，并对两类驾驶行为的时长和距离分布进行了研究分析。

2 自然驾驶风格分析

基于数据分布进行特征提取，对比K-means++和谱聚类的效果，确定每条行驶轨迹的驾驶风格标签值，进而建立驾驶风格模型实现识别分类。

2.1 驾驶风格聚类特征选择

从行车安全性的角度提取特征对驾驶风格进行聚类，主要提取的特征有速度、加速度和变加速度等，分别计算这些指标的常用统计值作为特征，将累计获得的x，y方向速度、加速度特征进行归一化，得到5个特征，如表 3所示。

通过获取周围车辆的历史行驶轨迹，进而判断其驾驶风格，在此基础上优化自动驾驶车辆的规划决策过程。

2.2 驾驶风格分类

运用K-means++算法进行聚类分析，得到聚类为2~3簇时的轮廓系数结果如图 2所示。

将驾驶风格聚类为两类和3类时的平均轮廓系数分别为0.376和0.417，表明使用K-means++算法将驾驶风格聚类为3类时最为合理。其中合流区采集的车辆行驶速度较高，且驾驶行为多变，导致各车之间的距离较短，且相对速度较小，因此各车辆行驶状态偏向于相对危险状态。

从聚类中心位置如表 4所示，可以看出参与聚类的3个特征确定的聚类中心有明显差别，表明聚类结果有效。

分别对每类驾驶行为的指标值进行分析，针对换道行为，可以得到各个换道轨迹片段的换道时间分布。经过聚类分析，由于3个类别的换道时间分布均值分别为8.95，7.22 s和6.19 s，而且分别对应最大限度降低风险的谨慎驾驶、平稳驾驶和换道迅速的时间较短的换道过程。具体如图 3所示，将类别0、类别1和类别2表征为“保守型”、“普通型”和“激进型”3类驾驶风格。

2.3 驾驶风格分类模型的选择

逻辑回归模型(Logic)，SVM模型和随机森林(RF)模型均能达到驾驶风格进行识别的目的，经过使用3种模型对分类数据的训练和预测比较，如表 5所示。

随机森林可完成分类和回归任务^[29]，且默认参数在大多数数据集上已经有较好表现，通过图 4随机森林模型的ROC曲线和PR曲线，可以看出随机森林模型能够很好地辨别驾驶员风格。

3 换道意图识别模型选择

针对不同驾驶人进行换道识别换道预测和意图识别目的，综合考虑换道前某个时段内每一时刻的特征信息，确定最优换道时窗，最终基于提取的特征构建了考虑驾驶风格和记忆效应的换道意图识别模型。

3.1 最优换道意图时窗确定

将换道意图时窗设置为不同的时间阈值，提取的特征主要有自车横向和纵向的速度和加速度等指标信息、自车距离左右车道线的距离信息、自车和周围车辆(前车、后车、左前车、左邻车、左后车、右前车、右邻车、右后车)的相对速度、相对加速度和相对距离信息以及自车和周围车辆的类型。自车和周围车辆的相对位置如图 5所示。

对初步建立的特征进行筛选。由于LGB(LightGBM)模型的运行速度较快，首先以LGB为基准学习器进行特征筛选，通过LGB中各个特征的重要度完成特征筛选。以筛选后的特征为基础，分别训练XGB(XGBoost机器语言算法)、LGB模型和Stacking模型(Stacking模型是通过一个模型融合若干单模型的预测结果，目的是降低单模型的泛化误差)。

XGBoost构建模型损失函数时综合考虑了模型的预测准确率和模型的计算效率，并且以稀疏矩阵的格式作为保存结果，在训练数据时提高效率；LightGBM算法框架特点是运算量大并且能保证信息增益合理计算；Stacking模型可将训练好的多组算法融合，分为主次学习器，提升预测的准确率。3种模型在数据识别上均适用于对研究所调研参数的处理和行为识别。

Doshi^[30]通过提取换道开始前2 s和前3 s的数据，依据提取出的时间序列片段进行特征提取以及换道意图的识别，发现使用前2 s的数据的预测准确率大于使用前3 s数据。通过对换道起始点前后3 s换道意图识别精度变化曲线分析，基本趋于稳定，1~2 s之间有明显变化，如图 6所示。

故将最大换道意图时窗取值3 s。将换道意图时窗取值为0~3 s时，建立XGBoost模型、LightGBM模型和Stacking融合模型进行换道意图识别，如图 7所示。经差异比较，在换道意图时窗为2 s左右时3个模型的精度处于较高水平，尤其是Stacking融合模型在换道意图时窗为2 s左右时精度达到较高水平，将换道意图时窗的长度确定为2 s进行后续研究分析。

3.2 基于记忆效应和驾驶风格的换道意图识别模型

在考虑驾驶风格的基础上，建立模型对换道时刻点之前2 s内的每一时刻的换道意图进行识别，各模型的具体结果如表 6所示。

表 6用XGB_score，LGB_score以及Stacking_score表示3个模型的预测结果，为直观表达，绘制出3个模型的预测精度随预测时刻的变化曲线，如图 8所示。

可以看出3个模型的精度相当，预测准确率都随着预测时刻的前移不断下降，且下降速率不断加快，尤其在换道时刻前1.5 s后开始，预测精度下降尤为明显。经过比较，得到Stacking模型的综合效果最优。

4 基于换道意图的轨迹预测分析

对影响车辆换道轨迹的特征进行提取，构建考虑目标车辆和周围交互特征信息的轨迹预测模型，并对单一时刻和连续时间段的车辆换道轨迹进行预测。由于卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，能够在图像识别领域得到较为广泛的应用主要得益于其共享卷积核的参数；长短期记忆(Long Short-Term Memory，LSTM)是一种时间递归神经网络，则通过构建不同的门来对输入信息进行筛选，尽可能保证只保留有用的历史信息，结合两者优点确定模型。为确定最优的CNN-LSTM模型结构，构建6个不同网络层数和神经元个数的神经网络，并以R²(Coefficient of Determination，COD)评价拟合好坏的指标，范围[0~1]区间)指标为评价标准确定各类轨迹预测模型的最优结构。

4.1 目标车辆交互信息特征提取

提取的特征信息，筛选出对目标车辆运动轨迹影响较大的特征，模型的输入特征主要有目标车辆x方向和y方向的速度和加速度、目标车辆类型和驾驶风格、目标车辆所在车道以及距离左右车道线的距离等特征，模型输出为目标车辆在水平方向和垂直方向的相对位移值，如图 9所示。

X为模型输入特征, 即自变量，Y为模型输出特征, 即因变量, 运用基于CNN和LSTM的CNN-LSTM模型对其进行训练、识别。

4.2 基于CNN-LSTM识别的轨迹预测分析

由于CNN对高维数据有较好的特征提取能力，于是构建基于CNN和LSTM的CNN-LSTM模型，如图 10所示。

首先对特征进行提取，将经过CNN卷积池化后的特征输入LSTM模型，进而实现对车辆换道轨迹的预测，最终构建了考虑目标车辆和周围交通参与者(即相邻车辆)交互信息的轨迹预测模型。

考虑到神经网络的层数和神经元个数对模型的精确度影响较大，分别构建了不同神经元个数和神经网络层数的CNN-LSTM模型，对每个模型分别进行训练，经分析验证，最终选择构建6个神经网络模型，各模型的结构具体如表 7所示。

使用CNN-LSTM建模预测车辆行驶轨迹时，模型的输入为多特征的时间序列，考虑到数据集的采集频率为每秒25帧，选用步长为25帧的时间序列特征值作为CNN-LSTM的自变量输入，选用25帧后的50帧目标车辆的横向和纵向相对位移值作为因变量输出。

以1 s为步长，分析时间窗长度为1 ~5 s下的车辆行驶轨迹，评估指标R²在不同预测时域下变化趋势如图 11所示，可以看出时间窗长度为1，2，3，4，5 s时的5条曲线变化规律大致相同，当预测时域在2 s内，预测值的R²较高，最高达到0.62的水平，预测效果最好。

对预测出的运行轨迹通过平面坐标展示，预测水平能够很好地表现出真实轨迹, 如图 12所示。

此时驾驶风格能够在一定程度上表征车辆行驶状态，有利于对轨迹做出相对准确的预测。由于调研路段为交织区合流区域，为二级服务水平，本研究适用于二服务水平高速公路合流区域换道轨迹预测，同时为交通预测实际应用提供一定理论支撑，在判断合流区主流车辆与匝道车辆轨迹存在密集程度时起到响应作用。

5 结论

基于调研自然驾驶轨迹数据，采用K-means++聚类划分驾驶风格，在识别换道意图的基础上进而建立CNN-LSTM模型对换道轨迹进行预测，研究结论如下：

(1) 采用K-means++将驾驶风格聚类为3类时模型的综合效果最优，选定其聚类结果为轨迹片段驾驶风格标签值，随机森林的准确率较好。

(2) Stacking融合模型的综合准确率较好，解决样本比例不均衡问题。

(3) 利用CNN-LSTM模型预测驾驶行为轨迹R²处于0.62水平，可对未来2 s内的换道轨迹做出较为准确的预测。

研究实现了通过驾驶行为识别、预测轨迹，为实现车辆的实时碰撞风险识别应用提供理论基础，同时可以优化自动驾驶车辆的行驶轨迹，提高高速公路出入口复杂交通流状态下的安全性。