融合邏輯判斷機制的CNN-GRU換道意圖識別方法

中圖分類號：U491 文獻標志碼：A

Abstract：Accurately identifying the lane change intention of vehicles is a key strategy for improving the reliabilityof driving assistance systems and ensuring road safety.A novel method that combines convolutional neural network（CNN）and gated recurrent unit （GRU），integrated with a logic judgment mechanism，was proposed to effectively recognize thelane change intentions of vehicles.First，test data from twenty volunteers were recorded usinga driving simulator including three categories：left lane change，rightlanechange，and straight driving.The data was used to construct a sample set of lane change intention.Secondly，a CNN-GRU model was built using vehicle driving characteristics and driver behavior data，with the CNN layer being employed to extract features as input tothe GRU layer.Finally，a logic judgment layer was integrated into the intentionrecognition network to address the temporal dependencies of lanechange intentionsbysetting probability thresholds.To validate the validityof the method in this study，the model was comparedand analyzed with aCNN that was integrated with long short-term memory（LSTM）and GRU.The results show that the proposed model achieved recognition accuracies of （204號 98.5% for left lane changes，96.7% for right lane changes，and 95.2% for straight driving，demonstrating higher accuracy compared with other models.

Key words： automotive engineering;vehicle safety;active safety systems;deep learning;convolutional neural networks

道路交通傷亡是一個有著巨大社會影響力的公共健康問題，我國交通事故統計數據顯示，2021年全國有34萬人因交通事故傷亡1.在近年來的研究中，高級駕駛輔助系統（advanceddrivingassistancesystem，ADAS）在預防交通事故和提高駕駛安全性能方面發揮了重要作用.在道路交通領域，若能精準地識別駕駛員的行為意圖，將有助于ADAS作出更優的決策和提供更安全的輔助行為.相關數據報告表明，在所有的嚴重碰撞事故中，約有 17% 是由換道引起的2，不當的換道行為對道路交通安全有著嚴重危害.因此，駕駛員換道意圖的有效識別，對車輛輔助系統至關重要，對ADAS的發展和應用具有重要意義.

目前，國內外在駕駛員意圖識別領域已有一定研究進展，主要分為兩大類：基于模型的識別方法和基于數據驅動的識別方法.基于模型的識別方法目前已有較多研究，如支持向量機（supportvector ma-chine，SVM）和隱馬爾可夫模型（hiddenmarkovmodel，HMM）等.畢勝強等[3通過駕駛模擬器采集車輛動態參數和駕駛人行為參數，建立SVM換道意圖識別模型.Li等4基于流形學習并結合SVM作為分類器，可以通過視頻數據來識別駕駛員換道行為.Huang等5通過高斯混合模型，可以有效識別車輛的駕駛意圖.由于分類器只能對當前狀態進行識別，而駕駛過程是一個連續的時間序列，因此HMM也被廣泛用于換道意圖識別的研究中，其對時間序列的建模克服了傳統分類器的不足-.除此之外，一些研究中所采用的方法也歸類于基于模型的識別方法的范疇，Xie等[8采用分布式遺傳算法對動態貝葉斯網絡進行結構優化，可以更好地推斷換道駕駛行為.王亞倫等提出了一種基于條件隨機場的駕駛意圖識別模型，用于改善HMM的標注偏置問題，對直行、左換道和右換道三種意圖識別的 F₁ 分數分別達到了 95.26%.96.46% 和 95.19% .基于模型的識別方法可能會因先驗假設的偏差而不夠準確，且識別精度有限，提升難度較大.

近年來，由于計算機算法和算力的不斷發展與提升，基于數據驅動的識別方法也受到了更多的關注，其主要體現在深度學習方面的應用.Mammeri等[0對樣本數據進行人工標記，并通過卷積神經網絡（convolutional neuralnetwork，CNN）訓練模型用于駕駛意圖的識別.然而意圖識別是一個時間序列問題，鑒于循環神經網絡（recurrentneuralnetwork，RNN）對時序問題的處理能力，Li等考慮了周圍車輛的交互數據，通過RNN預測高速公路的換道行為.長短期記憶（longshort-termmemory，LSTM）網絡作為RNN的變體，解決了梯度消失問題的同時也有著優秀的時序處理能力，因此也被研究者用于駕駛意圖識別的相關研究[2].例如，季學武等[13]設計了一種基于LSTM網絡的駕駛意圖識別方法，可以對換道和直行進行有效預測.宋曉琳等14通過LSTM網絡構建意圖識別模型，并引入了條件隨機場，對左換道、右換道和直行三種意圖的識別準確率都達到了 90% 以上.Dang等[15]將意圖識別作為回歸問題，通過LSTM預測車輛越過車道線的時間.Han等[16]先通過聚類提取特征，再通過LSTM構建意圖識別模型.Guo等[7]建立了一種融合注意力機制的雙向長短期記憶網絡，可以在換道前3s達到 93.33% 的識別準確率，相比于LSTM來說，門控循環單元（gatedrecurrentunit，GRU）內部結構參數更少，模型運算效率更高.趙建東等[18構建了一個融合注意力機制的CNN-GRU網絡模型，該模型能夠提前2s較為準確地識別出換道意圖，他們的研究發現，與LSTM相比，GRU展現出了更高的識別準確率.此外，還有學者通過將時間序列特征轉換為圖像，利用深度學習對圖像進行識別，以達到換道意圖識別的目的[19].

然而，鑒于駕駛過程的時序特性，在處理換道意圖識別問題時，模型的輸入和輸出應當展現出時間上的前后依賴性.然而，前述研究在構建模型時往往未能兼顧輸入與輸出的雙重時序關聯.此外，部分研究中采用的公開數據集往往只考慮了車輛行駛特征，缺少對駕駛員行為數據的關注.鑒于深度學習在特征提取與模型構建方面的優勢，為進一步提高駕駛員換道意圖識別的準確率，本文將邏輯判斷機制與深度學習相結合，建立了一種換道意圖識別模型，并命名為CNN-GRU-Thre：通過駕駛模擬器展開志愿者實驗，采集車輛行駛特征與駕駛員行為數據用于模型構建；在網絡模型的基礎上，引入了邏輯判斷層，同時考慮模型輸入和輸出在時序上的前后依賴性，能夠有效將意圖識別的歷史信息與當前狀態進行關聯.

1模型框架與模塊介紹

CNN和GRU是深度學習中的兩種網絡結構，能夠對輸入信息進行逐層轉換，從而保證數據特征的提取和表達.CNN具有特征提取能力，可以有效應用于分類問題，但其在特征提取中不具備識別時間序列前后相關性的能力.而GRU網絡在時間序列數據分析方面表現更為出色，在本研究中可以有效處理車輛行駛軌跡等序列數據.因此，為了更精確地識別車輛換道意圖，本研究將CNN和GRU進行結合，構建換道意圖識別模型.

1.1整體框架

本文所提出的CNN-GRU-Thre車輛換道意圖識別模型由輸人模塊、識別模塊和邏輯判斷模塊3部分組成.整體框架如圖1所示.輸入模塊指目標車輛行駛特征與駕駛員行為數據的輸入，包括位置信息、速度信息、方向盤轉角等.然后將輸人信息傳遞給識別模塊處理，通過CNN層、GRU層和Softmax分類層，輸出車輛的換道意圖概率.最后再根據邏輯判斷層，對當前輸出的換道意圖概率進行判斷并與歷史信息交互，輸出最終的車輛換道意圖.

為建立駕駛員換道意圖識別模型，主要輸人參數為主車行駛特征與駕駛員行為數據信息.設 X 為模型的輸入數據，對于時間步長為 n+1 的輸入序列，可表示為：

X=（X_t-n，X_t-n+1，…，X_t-1，X_t）

式中： X_t 為在 Φ_t 時刻輸人的固定歷史長度特征矩陣，可表示為：

式中： d_t 為主車橫向車道線偏移量； v_xt 為主車縱向速度； v_pt 為主車橫向速度； a_xt 為主車縱向加速度； a_?n 為主車橫向加速度； h_t 為主車航向角； s_t 為主車方向盤轉角； w 為歷史輸入矩陣的采樣幀數.

模型經過Softmax分類層后的輸出為左換道、右換道和直行3種駕駛意圖類別的概率，代表了3種意圖發生的可能性，可表示為：

式中： w₁，w₂，w₃ 分別代表意圖為左換道、右換道和直行的概率; c₁，c₂，c₃ 分別為左換道、右換道和直行三種意圖類別.

最后，輸出的概率結果經過邏輯判斷層處理后轉化為 0ne-Hot 向量形式，以表示最終的左換道、右換道和直行三種駕駛意圖類別.

1.2卷積神經網絡（CNN）

卷積神經網絡近年來常被用于分類和預測等領域，可以對原始數據進行逐層的特征提取，不但可以降低數據復雜度，也可以更好地挖掘車輛行駛特征.卷積神經網絡通常由輸人層、卷積層、池化層、全連接層和輸出層組成，其網絡結構如圖2所示.

1.3門控循環單元（GRU）

GRU網絡于2014年由Cho等[20]提出，該網絡是對LSTM的改進，其本質上也是通過門控結構對數據的輸出和遺忘進行控制.不同于LSTM的是，GRU只包含重置門和更新門來傳遞信息，其網絡結構如圖3所示.

GRU的重置門用于控制數據的遺忘，其值大小表示了上一時刻信息保留的多少，而更新門用于控制當前時刻的隱藏狀態.給定時間步長 Φ_t 的輸入 x_t 則用于控制網絡的門控閾值和序列輸出特征可表示為：

式中： r_t 為重置門的門控閥值； z_t 為更新門的門控閥值； h_t 和 h_t-1 分別為當前時刻和上一時刻的狀態記憶變量； σ 表示激活函數； W_xr，W_hr，W_xz，W_hz，W_xh，W_hh 分別為訓練權重參數矩陣； 為候選隱藏狀態.

在GRU網絡序列中，上一時刻的隱藏狀態可影響當前時刻的特征計算，即模型的輸出是由之前的序列特征和當前的序列特征共同決定的，GRU網絡可以有效處理時間序列問題.

1.4邏輯判斷層

CNN-GRU模型通過Softmax函數輸出每一時刻的概率矩陣，包括左換道、右換道和直行三種意圖的概率，但駕駛員在每一時刻實際上只會產生一種駕駛意圖.此外，駕駛員在每一時刻的駕駛意圖不是相互獨立的，有著一定的前后依賴關系.因此，為了更好地解決上述問題，本文借鑒季學武等[13]提出的概率判斷閾值思想，提出了CNN-GRU-Thre模型，避免模型做出“保守”的預測.通過設定概率閾值，對輸出的概率矩陣進行邏輯判斷，進一步滿足時間序列上的前后依賴關系.可表示為：

式中： Y_t 為 Φ_t 時刻最終輸出的意圖類別； c_ti 為 χ_t 時刻第 i 個意圖類別； c_（t-1）i 為 t-1 時刻第 i 個意圖類別； w_ti 為 χ_t 時刻第 i 個意圖的概率.

即當輸出的某一類型概率大于設定的閾值，則認為輸出的就是該時刻正確的意圖.若輸出的概率小于該閾值，則認為該時刻與上一時刻意圖類別相同.

2實驗方案與數據處理

2.1實驗平臺及場景

為了實時采集駕駛數據，在保證安全的前提下展開志愿者實驗.通過羅技G29、PreScan和Simulink搭建駕駛模擬器，以 50Hz 的采樣頻率進行車輛行駛特征和駕駛員行為數據采集，駕駛模擬器如圖4所示.

本文主要研究直行道路下的換道行為，通過PreScan搭建道路交通環境和障礙場景，以此為基礎展開駕駛實驗.如圖5所示，駕駛場景道路為雙向六車道，包含 1300m 長的直行道路，以及交通標志、樹木等其他道路環境元素.此外，還有3輛具有不同位置和狀態的障礙車，具體情況如下：

1）第一輛障礙車沿道路中心線行駛，速度為20km/h ：2）第二輛障礙車位于 500m 處，為靜止狀態；3）第三輛障礙車位于 900m 處，為靜止狀態.

本次實驗共招募20名志愿者參加，包括14名男性志愿者和6名女性志愿者，平均年齡為23.35歲，所有志愿者均持有C1級駕駛證.在正式實驗開始前，每位志愿者都進行了約 10min 的駕駛測試，以熟悉駕駛模擬器的相關操作.實驗中每位志愿者以40km/h.50km/h.60km/h.70km/h 的車速分別進行駕駛實驗，但不對速度做嚴格要求，沒有太大的偏差即可.每位志愿者的任務主要為通過換道避開障礙物，并在超過障礙物保持一段直行后換回原車道，在駕駛過程中不對駕駛員做出任何干預.

2.2數據處理與標注

將本次實驗獲得的數據進行軌跡提取，分別為左換道、右換道和直行3種情況，并利用滑動時窗法以0.1s的窗口步長進行數據標注.以左換道為例，如圖6所示，本文的車輛數據標注方法為：

1）尋找車輛軌跡跨過車道線的點 C ，定義為換道點；2）從換道點 C 開始向后遍歷，對橫向坐標y進行判斷，當 y_t+1-y_t 的單調性第一次發生變化時，將該y_t 點定義為換道終點 D 3）從換道點 c 開始向前遍歷，對橫向坐標y進行判斷，當 y_t-y_t-1 的單調性第一次發生變化時，將該 y_t 點定義為換道起點 B

4從 B 點往前延長 1.5s ，定為換道意圖起點A

右換道車輛數據標注方法與左換道相同，本試驗共采集480條換道軌跡，包括左換道和右換道各240條.所有數據的換道距離和換道時間總體特征參數如表1所示.其中換道距離最大為 224.14m ，最小為 28.55m ;而換道時間最長為 13.42s ，最短為 1.88s 換道時間與國內自然駕駛數據[21]和NGSIM[22]數據集中的統計結果是較符合的.圖7和圖8分別為換道距離和換道時間的直方圖與分布曲線，可以看出數據總體上服從正態分布.

此外，在每次試驗數據中截取了兩條 100m 的直行軌跡，共160條，并采用相同的窗口進行數據標注.將數據的 80% 作為訓練集， 20% 作為測試集，對所有數據進行標準化處理，用于網絡訓練.

3模型評價與結果分析

3.1模型評價指標

在利用訓練集數據構建模型之后，我們需借助測試集數據對模型的分類結果進行評估分析.本文將采用以下指標來衡量模型性能：

1）模型的準確率Accuracy，表明在測試集中預測正確的樣本占總數的比例，用于評估模型整體的預測準確率，其計算公式為

式中：TP為真實為正類且預測為正類的樣本數；FP 為真實為負類但預測為正類的樣本數；TN為真實為 負類且預測為負類的樣本數；FN為真實為正類但預 測為負類的樣本數.

2）模型的精確率 P 、召回率 R 和 F₁ 分數，其計算公式為

3.2模型結果與性能分析

意圖識別模型的性能直接影響識別的結果，本文建立的CNN-GRU-Thre模型由于在深度學習網絡的基礎上增加了邏輯判斷層，該層中需要設置閾值對Softmax輸出的意圖概率進行判斷.因此，閥值的大小在一定程度上影響了模型性能，需要對不同閾值帶來的影響進行分析評估.圖9是在CNN-GRU網絡基礎上左換道、右換道和直行在不同判斷閾值下的識別率.可以看出當閾值小于0.9時，右換道隨著閾值的增加，識別率呈增高趨勢，而左換道和直行有一定程度的波動.而當閾值大于0.9時，識別率大體上呈現先增高再降低的趨勢.當閾值為0.95時，模型整體有著最高的識別率，故綜合考慮后取判斷閥值為0.95.

為了驗證和評估本文所建立模型的有效性，以及模型在意圖識別上的性能，采用相同的數據集分別建立以下多種模型進行對比分析相關指標：

1）CNN-LSTM模型：使用文獻[14]中介紹的LSTM模型并在其基礎上增加CNN網絡層，輸人當前時刻與固定歷史時刻的特征數據，并通過Softmax函數輸出不同意圖的概率；

2）CNN-GRU模型;

3）CNN-GRU-Att模型：采用文獻[18]中所提出的模型，在GRU層和全連接層之間加入注意力機制層.

各個模型的識別準確率Accuracy、精確率P、召回率 R 和 F₁ 分數結果如表2所示.由表2可知，CNN-LSTM對于左換道、右換道和直行的識別準確率均低于CNN-GRU，說明在處理該類問題時GRU相較于LSTM有著更好的表現；而融入了注意力機制的CNN-GRU-Att相較于前兩者識別準確率也更高，平均為 95.8% ，這與趙建東等[18的研究結果相似.而本文所提出的CNN-GRU-Thre模型的精確率、召回率和 F₁ 相較于其他模型都更高，且對于左換道、右換道和直行的識別準確率分別為 98.5% 96.7%.95.2% ，相較于其他模型有著更好的識別效果.

綜上所述，引入邏輯判斷層后，將駕駛意圖識別在輸入和輸出上進行前后關聯，能夠在一定程度上提升模型的精確度，對于換道意圖的識別尤為有效.

圖10為四種模型的混淆矩陣，可以看出本文所提出的模型對左換道、右換道和直行均有著較高的識別精度，均超過了 90% .左換道和右換道之間極少發生相互的錯誤識別情況，這是由于左、右換道時車輛行駛特征與駕駛員行為數據有著較明顯的差異，因此不易識別成相反的類型.但換道和直行之間容易發生誤識別情況，這是由于直行時車輛不是完全的直線行駛，車身有一定程度的左、右偏轉，特征差異不夠明顯，因此更易識別錯誤.從圖10可以看出，本文所提出的CNN-GRU-Thre模型不但提高了左、右換道和直行意圖的識別準確率，也減少了換道和直行之間的誤識別情況，對于換道意圖的識別有更好的效果.

圖11～13分別為不同模型對左換道、右換道和直行3種駕駛行為識別的受試者工作特征曲線（re-ceiveroperatingcharacteristic，ROC）.由圖中可以看出，CNN-GRU網絡模型的ROC曲線優于CNN-LSTM，而本文所提出的CNN-GRU-Thre模型相較于其他模型有著更好的表現，左換道、右換道和直行的曲線下面積（areaundercurve，AUC）值分別為0.995、0.991和0.979，說明本文提出的模型具有較好的意圖識別能力.

4結論

1）本文提出了一種有效識別車輛換道意圖的方法，并構建了一個模型，該模型能夠預測駕駛員的左換道、右換道以及直行意圖.本文設計了CNN-GRU-Thre模型，通過在深度學習網絡基礎上增加邏輯判斷層，使得意圖識別模型在時序上有著更好的前后關聯性，提高了時間序列問題分類的精度.

2）本文模型采用駕駛模擬實驗數據進行構建，同時考慮了車輛行駛特征和駕駛員行為數據，結果表明本文所提出的模型在識別準確率、 F₁ 分數和AUC值等方面都有著較好的結果，相比于以往的模型對于換道意圖識別更加準確.

3）本文的模型是針對直行工況中的換道行為進行研究的，故適用范圍有一定局限性.在今后的研究中將嘗試更多的工況和道路類型，如轉彎和路口等.此外，也會在未來工作中構建多樣的時序網絡模型，通過進一步比對與分析，以期對意圖識別有更好的識別效果.

參考文獻

[1]國家統計局.中國統計年鑒2022[M/OL].北京：中國統計出版 社，2022 [2024-01-16].htp：/www.stats. gov.cn/sj/ndsj/2022/ indexch.htm.

[2] SHAWKY M.Factors affecting lane change crashes[J].IATSS Research，2020，44（2）：155-161.

[3] 畢勝強，梅德純，劉志強，等．面向駕駛行為預警的換道意圖辨 識模型研究[J]．中國安全科學學報，2016，26（2）：91-95. BISQ，MEIDC，LIU ZQ，et al．Research on lane change intentionidentificationmodel fordrivingbehaviorwarning[J]. ChinaSafety Science Journal，2016，26（2）：91-95.（in Chinese）

[4] LIJH，LU C，XUY Z，etal.Manifold learning forlane-changing behavior recognition in urban traffic[C]//2O19 IEEE Intelligent Transportation Systems Conference （ITSC）.October 27-30， 2019，Auckland，New Zealand.IEEE，2019：3663-3668.

[5] HUANGRL，LIANGHW，ZHAO P，etal. Intent-estimationandmotion-model-based collisionavoidancemethodfor autonomous vehicles inurban environments[J].Applied Sciences， 2017，7（5）：457.

[6] LIKQ，WANG X，XU YC，et al.Lane changing intention recognitionbasedonspeechrecognitionmodels[J]. Transportation Research Part C：Emerging Technologies，2016， 69：497-514.

[7] 徐婷，溫常磊，張香，等.基于GMM-CHMM的城市道路換道 行為識別[J].交通運輸系統工程與信息，2020，20（1）：61-67. XUT，WEN CL，ZHANG X，et al.Lane changingbehavior identificationof urbanroad based on GMM-CHMM[J].Journal ofTransportationSystemsEngineeringandInformation Technology，2020，20（1）：61-67.（inChinese）

[8] XIEGT，GAO HB，HUANGB，et al.A driving behavior awareness model based on a dynamic Bayesian network and distributed genetic algorithm [J].International Journalof Computational Intelligence Systems，2018，11（1）：469-482.

[9］王亞倫，陳煥明，趙巖．基于條件隨機場的駕駛意圖識別研究 [J]．青島大學學報（工程技術版），2021，36（4）：88-94，114. WANGY L，CHEN H M，ZHAO Y. Research on driving intention recognition based on conditional random field[J]. Journal ofQingdao University（Engineeringamp; Technology Edition），2021，36（4）：88-94，114.（in Chinese）

[10]MAMMERI A，ZHAOY H，BOUKERCHE A，et al. Design of a semi-supervised learning strategy based on convolutional neural network for vehicle maneuver classification [C]/2O19 IEEE International Conference on Wireless for Space and Extreme Environments（WiSEE）.October16-18，2019，Ottawa，ON， Canada.IEEE，2019：65-70.

[11]LI L，ZHAO W Z，XU C，et al. Lane-change intention inference based on RNN for autonomous driving on highways[J]. IEEE Transactions on Vehicular Technology，2021，70（6）：5499-5510.

[12]KHAIRDOOST N，SHIRPOUR M，BAUER M A，et al． Real-time driver maneuver prediction using LSTM[J]．IEEE Transactions onIntelligentVehicles，2020，5（4）：714-724.

[13］季學武，費聰，何祥坤，等．基于LSTM網絡的駕駛意圖識別及 車輛軌跡預測[J]．中國公路學報，2019，32（6）：34-42. JIXW，FEIC，HEXK，et al．Intention recognitionand trajectoryprediction for vehiclesusingLSTMnetwork[J].China Journal ofHighwayand Transport，2019，32（6）：34-42.（in Chinese）

[14］宋曉琳，曾艷兵，曹昊天，等.基于長短期記憶網絡的換道意 圖識別方法[J].中國公路學報，2021，34（11）：236-245. SONG XL，ZENGYB，CAO HT，etal.Lane Change Intention Recognition Method Based on an LSTM Network[J].China Journal of Highway and Transport，2021，34（11）：236-245.（in Chinese）

[15]DANG HQ，FURNKRANZ J，BIEDERMANN A，et al. Time-tolane-changepredictionwith deep learning[C]//2O17 IEEE 20th International Conference on Intelligent Transportation Systems （ITSC）.October16-19，2017，Yokohama，Japan．IEEE，2017： 1-7.

[16]HAN T，JINGJB，OZGUNERU.Driving intention recognition and lane change prediction on the highway[C]//2O19 IEEE Intelligent Vehicles Symposium（IV）.June 9-12，2019.Paris， France.IEEE，2019：957-96.

[17]GUO Y S，ZHANG H J，WANG C，et al.Driver lane change intention recognition in the connected environment[J].Physica A： Statistical Mechanics and Its Applications，2021，575：126057.

[18］趙建東，趙志敏，屈云超，等.軌跡數據驅動的車輛換道意圖 識別研究[J].交通運輸系統工程與信息，2022，22（4）：63-71. ZHAO JD，ZHAO ZM，QU YC，et al.Vehicle Lane Change Intention Recognition Driven by Trajectory Data［J].Journal of Transportation Systems Engineering and Information Technology， 2022，22（4）：63-71.（in Chinese）

[19]ZHANGHJ，GUO D，GUO Y S，et al.A novel method for the driver lane-changing intention recognition[J］．IEEE Sensors Journal，2023，23（17）：20437-20451.

[20]CHO K，VAN MERRIENBOER B，GULCEHRE C，et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[C]//Proceedingsofthe 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）.Doha，Qatar.Stroudsburg，PA，USAACL，2014： 1724-1734.

[21］王琳．城市道路車輛換道行為特性研究[D]．北京：北京交通 大學，2014. WANGL.Study on lane-changing behavior characteristics of urbanroad vehicles[D]．Beijing：Beijing Jiaotong University， 2014.（in Chinese）

[22］張穎達，邵春福，李慧軒，等.基于NGSIM軌跡數據的換道行 為微觀特性分析[J].交通信息與安全，2015，33（6）： 19-24，32. ZHANG Y D，SHAO C F，LI H X，et al.Microscopic characteristics of lane-change maneuvers based on NGSIM[J]. Journal of Transport Informationand Safety，2015，33（6）：19-24， 32.（in Chinese）