基于支持向量機的車輛換道決策模型*

張 疊 杜榮華 劉 理

(長沙理工大學智能交通與車路協同技術研究所1) 長沙 410004) (長沙理工大學工程車輛輕量化與可靠性技術重點實驗室2) 長沙 410004)

基于支持向量機的車輛換道決策模型*

張 疊1)杜榮華1,2)劉 理1)

(長沙理工大學智能交通與車路協同技術研究所1)長沙 410004) (長沙理工大學工程車輛輕量化與可靠性技術重點實驗室2)長沙 410004)

針對車輛換道行為受交通環境影響較大而難以識別和預測的問題，提出了一種基于支持向量機的學習模型用以仿真駕駛員在高速路上關于車輛換道的行為決策.通過分析車輛在換道階段的特征與規律，選擇適合的物理量作為模型的輸入參數.以NGSIM數據庫為基礎用適當的方法進行樣本提取，并對樣本數據進行差分濾波、卡爾曼濾波、歸一化預處理.在構建SVM模型過程中，運用不同的算法搜索最優參數.為了驗證模型的泛用性，使用不同的數據樣本對模型進行訓練和測試，最終取得到了較好的預測結果與擬合度.

換道行為；支持向量機；卡爾曼濾波；NGSIM

0 引 言

高速公路上的換道行為根據駕駛員動機不同可分為強制性換道(discretionary lane changing)和主動性換道(mandatory lane changing)[1-2].對主動性換道的建模研究目前已取得一些進展,Jula等[3]提出了最小安全距離模型，Wan等[4]在基于行為閥值模型的基礎上提出MRS(multi-regime simulation)任意性換道模型，Meng等[5]建立了基于離散選擇模型二元Logit模型.上述模型大多是基于運動學規律和駕駛員行為模式建立的決策模型，因此很難把握各道路因素對換道決策的潛在影響.

本文提出了一種基于支持向量機(support vector machine，SVM)的換道模型用以仿真駕駛員在高速路上關于是否實施換道行為的行為決策，該模型對減少由于不正確變道行為而引起的高速公路交通事故具有一定的價值.

1 換道行為表征參數

換道行為涉及到多車之間的相互作用，參與的車輛將會對駕駛員的換道意圖產生影響，圖1為一個典型的換道行為并對相關車輛進行了數學符號標定，描述這些車輛相互作用的變量見表1，主要分為：車間距、時距和速度.

圖1 換道中的車輛

本文采用Balal等[6]所做的問卷調查，該調查由美國德克薩斯大學埃爾帕索分校的學生于2014年1—9月開展，對當地443名駕駛員進行問卷訪問，調查結果顯示，在表1所示的變量中，GPO，D，GPT，GFT，V是駕駛員在換道過程中最優先考慮的.由此可見，車間距相比于時距更容易對駕駛員換道決策產生決定性影響，這可能是因為空間距離更容易被駕駛員觀察到.本文選擇這五個變量作為SVM模型的表征參數.

表1 變道時車輛的相關變量

2 數據預處理

本文用于構建SVM的車輛軌跡數據來自于NGSIM(next generation simulation)的US-101數據庫和I-80數據庫[7]，NGSIM數據是由美國聯邦公路局以研究微觀交通仿真為目的所獲取數據，通過使用多臺高空照相機以每秒10幀的頻率對交通路況進行拍攝，再通過圖像處理技術獲得車輛位置、速度、加速度等數據，是交通模型研究的通用理想數據.為了驗證模型在時間和空間上的泛用性，一個作為訓練集，一個作為測試集.

2.1 差分濾波

由于NGSIM車載數據是通過視頻圖像采集方式獲得的，因此數據中速度、位置等各種數據信息不可避免會出現誤差，見圖2.由圖2可知，目標車輛出現了明顯不符合運動學規律的速度突變，這是因為車載信息通過多臺攝像機采集，在不同攝像機圖像拼接過程中容易出現采集數據的跳變，造成較大誤差，本文通過一階差分的方法對數據中車輛速度的突變誤差進行，并根據修正后的速度值來計算當前時刻對應的位置和加速度.

圖2 一階差分修正速度誤差

2.2 卡爾曼濾波

為了消除車載數據在采集過程中存在的白噪聲，本文采用卡爾曼濾波方法對隨機誤差進行處理.由于NGSIM使用圖像技術采集數據，對位置和速度的采樣誤差相對較小，因此濾波主要針對系統在加速度測量過程中的高斯白噪[8].

本文設定系統的狀態向量為X=[s,v,a]T，分別代表車輛的縱向位移、速度和加速度.

系統狀態方程表示為

X(k+1)=AX(k)+GW

(1)

(2)

測量方程為：Z(k)=HX(k)+GV.V為加速度上的測量噪聲，方差為r，轉移矩陣H=1.

通過使用基于Matlab平臺下的卡爾曼濾波器，導入狀態方程、測量方程和軌跡數據，選擇合適的方差進行濾波，濾波結果見圖3.由圖3可知，卡爾曼濾波能有效減小加速度中高斯白噪的影響，使加速度變化更加平滑，同時保留了反應駕駛行為的數據特征，并相應的對速度數據進行了小幅修正，而對位移數據幾乎沒有影響，這與用圖像技術采集數據的誤差特性是相符合的.本文保留了卡爾曼濾波對縱向速度的修正，以此作為構建換道識別模型的準備數據之一.

圖3 卡爾曼濾波效果圖

3 數據篩選

本文對車載數據采用如下方法進行篩選.

1) 僅將乘用車作為主體車輛，因為NGSIM的絕大多數目標車輛均為乘用車，卡車、摩托車由于樣本較小且換道行為方式與乘用車不同，故不做考慮.

2) 僅考慮原始車道為2，3，4，5的主體車輛，因為發生在1，6車道上的變道行為可能屬于強制性換道，會對模型的建立產生干擾.

3) 將主體車輛橫向速度大于0.2 m/s的時刻t作為換道行為意圖發生的時刻，該標準來自于Wang等[9]的研究成果；以此篩選出的車輛換道軌跡和換道時間直方分布見圖4.

圖4 部分換道車輛軌跡圖和換道時間直方分布圖

由圖4可知，大部分車輛的換道時間集中在3～7 s之間，這與Tijerina等[10]的研究結果是相符合的.

4) 在關于車輛t時刻速度的標定上，本文借用Punzo等[11]的方法，將t-0.2，t-0.1，t、t+0.1，t+0.2時刻速度的平均值作為t時刻速度的標定.這樣做可以在卡爾曼濾波的基礎上進一步減少NGSIM在瞬時采樣過程中產生的誤差.同時，基于相同的原因，以0.5 s為間隔對速度差進行標定，這樣做的另一個原因是與駕駛員的感觀反應時間相符合，這與Siuhi等[12]在對NGSIM數據進行研究時所用的方法是一致.

5) 在目標車輛的t時刻和橫向速度的方向確定后，S，PT，FT，PO，FO的位置也隨之確定，也因此可得到GPO、D、GPT、GFT的數據，本文排除掉前車距離大于30 m和小于6 m的換道數據，因為這些換道行為是在過度自由或擁擠的狀態下完成的，可能不適用于通用的換道模型.

6) 對主體車輛是否實施換道決策用OM(observed maneuver)進行標定，實施換道的OM=1，沒有換道的OM=0.OM將與SVM模型的預測結果進行對比.

7) 排除實施多次換道的車輛數據，因為多次換道可能屬于強制性換道行為并涉及到多條道路上車輛間的相互作用，不適合用一般的換道模型描述.本文對多次換道的定義是：在10 s內實施換道的次數大于或等于2.

處理數據后的統計結果見表2，從US-101中采集到164個車輛換道樣本數據，從I-80中采集到118個換道樣本數據，因為US-101數據集中換道的數據較多，所以將US-101數據集作為訓練集，I-80數據集作為測試集.

表2 數據樣本篩選結果 個

4 SVM模型的訓練與測試

支持向量機是建立在統計學習理論、VC維理論和結構風險最小化原理基礎上的機器學習方法.它在解決非線性和高維模式識別問題中表現出許多特有的優勢，并具有較強的泛化能力[13].本文以Matlab作為軟件平臺，用libsvm向量機工具進行SVM 模型的構建.

在數據集中，不同維度參數之間的數據差異性較大，容易引起部分數據被淹沒.變化范圍較大的數據集會增加模型訓練的時間和復雜度，因此在SVM的建模過程中，通常采用數據歸一化方法降低數據復雜程度.數據歸一化的公式如下.

y=(ymax-ymin)(x-xmin)/(xmax-xmin)+ymin

(3)

式中:xmax和xmin為歸一化前數據的最大值和最小值，ymax和ymin為歸一化后的最大值和最小值，由于本文所選擇的變量參數均為正數，所以選0和1作為一化后的最大值和最小值.

將歸一化后的數據作為構建SVM模型的樣本，選用高斯徑向基函數作為核函數進行SVM建模，關于懲罰因子參數c和gamma函數設置參數g的選擇，本文采用網格搜索(grid search)[14]、遺傳算法(genetic algorithm)[15]、粒子群優化算法(particle swarm optimization)[16]三種方式進行參數搜索，見圖5.選取分類準確率最高的參數c和g作為最優參數.

圖5 三種算法的參數尋優圖

不同算法得出的最優參數見表3，由于參數c代表對誤差的寬容度，因此這里將能夠達到分類最高準確率中c最小的參數組作為最優參數組，即網格搜索的尋優結果，以避免出現訓練集分類準確率很高而測試集分類準確率很低的過學習狀態的發生.

表3 參數尋優結果

使用最優參數構建SVM模型，完成后對I-80測試集樣本進行分類驗證，結果顯示模型對測試集中的516個樣本給出了正確的預測，準確率為83.9%，表明該模型用于識別高速路上的車輛換道行為取得了較好的效果.

5 結 束 語

文中分析了影響車輛換道決策的道路因素，選擇合適的變量建立了基于支持向量機的車輛換道行為預測模型，并使用真實車載數據用于模型進行訓練與測試，并運用了不同算法對模型參數進行調整和優化，仿真結果表明基于支持向量機的換道模型用于預測車輛的換道行為決策是可行的.

在今后的研究中，將會考慮把更多影響車輛換道的變量加入到模型中，如方向盤轉角、車輛與車道線距離等，使模型的精度得到進一步的提高.

[1] 龍小強,譚云龍.微觀仿真自主性車道變換模型[J].公路交通科技,2012,29(11):115-119.

[2] 徐英俊.城市微觀交通仿真車道變換模型研究[D].長春：吉林大學,2005.

[3] JULA H， KOSMATOPOULOS E， IOANNOU P．Collision avoidance analysis for lane changing and merging [J]. IEEE Transactions on Vehicular Technology，2000，49(6)：2295-2308．

[4] WAN J , KNIPLING R. Lane change/merge: problem size assessment and statistical description[J].National Highway Traffic Safety Administration,1994(6)：2280-2298.

[5] MENG Q, WENG J. Cellular automata model for work zone traffic[J]. Transportation Research Record: Journal of the Transportation Research Board,2010,2188(1):131-139.

[6] BALAL E, CHEU R L, SARKODIE G T. A binary decision model for discretionary lane changing move based on fuzzy inference system[J]. Transportation Research Part C Emerging Technologies,2016,67:47-61.

[7] Federal Highway Administration.Next generation simulation fact sheet[EB/OL]. [2010-07-27].http://ops. fhwa. dot. gov/traffic;analysistools/ngsim.htm.

[8] PUNZO V, BORZACCHIELLO M T, CIUFFO B F. Estimation of vehicle trajectories from observed discrete positions and next-generation simulation program (NGSIM) data[C]. Transportation Research Board 88th Annual Meeting, Washington D C，2009.

[9] WANG Q, LI Z L L. Investigation of discretionary lane-change characteristics using next-generation simulation data sets[J]. Journal of Intelligent Transportation Systems,2014,18(3):246-253.

[10] TIJERINA L, GARROTT W R, STOLTZFUS D, et al. Eye glance behavior of van and passenger car drivers during lane change decision phase[J]. Transportation Research Record: Journal of the Transportation Research Board，2005(1):37-43.

[11] PUNZO V, BORZACCHIELLO M T, CIUFFO B. On the assessment of vehicle trajectory data accuracy and application to the next generation simulation (NGSIM) program data[J]. Terra Nova,2011,19(6):1243-1262.

[12] SIUHI S, KASEKO M S. Parametric study of stimulus-response behavior for car-following models[C]. Transportation Research Board 89th Annual Meeting，Washington D C，2010.

[13] 丁世飛,齊丙娟,譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報,2011,40(1):2-10.

[14] 王健峰,張磊,陳國興,等.基于改進的網格搜索法的SVM參數優化[J].應用科技,2012(3):28-31.

[15] 曹路,歐陽效源.基于遺傳算法的支持向量機的參數優化[J].計算機與數字工程,2016,44(4):575-577.

[16] 邵信光,楊慧中,陳剛.基于粒子群優化算法的支持向量機參數選擇及其應用[J].控制理論與應用,2006,23(5):740-743.

Decision Model for Vehicle Lane Changing Based on Support Vector Machine

ZHANGDie1)DURonghua1,2)LIULi1)

(InstituteofIntelligentTrafficandCooperativeVehicle-InfrastructureSystem,ChangshaUniversityofScience&Technology,Changsha410004,China)1)(KeyLaboratoryofEngineeringVehicleLightweightandReliabilityTechnology,ChangshaUniversityofScience&Technology,Changsha410004,China)2)

The vehicle lane changing behavior is difficult to identify and predict due to the influence of traffic environment then, a learning model based on support vector machine was proposed to simulate the behavior decision of the driver on a freeway. By analyzing the characteristics and laws of the vehicle in the phase of lane changing, the appropriate physical quantity was chosen as input parameter of model. Based on the NGSIM database, a proper method was used to extract the samples, and the sample data was processed by differential filtering, Kalman filtering and data normalization. In the process of building SVM model, different algorithms were used to search for the optimal parameters. In order to verify the generalization of model, different data samples were used to train and test the model. Finally, the prediction results and degree of fitting were obtained.

lane changing; support vector machine; Kalman filter; NGSIM

U491.2

10.3963/j.issn.2095-3844.2017.05.027

2017-07-05

張疊(1989—)：男，碩士生，主要研究領域為交通信息工程與控制

*國家自然科學基金項目(11272067、61403047)、湖南省自然科學基金項目(2016JJ2006)資助