基于支持向量机的车辆换道决策模型*

张 叠 杜荣华 刘 理

(长沙理工大学智能交通与车路协同技术研究所1) 长沙 410004) (长沙理工大学工程车辆轻量化与可靠性技术重点实验室2) 长沙 410004)

基于支持向量机的车辆换道决策模型*

张 叠1)杜荣华1,2)刘 理1)

(长沙理工大学智能交通与车路协同技术研究所1)长沙 410004) (长沙理工大学工程车辆轻量化与可靠性技术重点实验室2)长沙 410004)

针对车辆换道行为受交通环境影响较大而难以识别和预测的问题，提出了一种基于支持向量机的学习模型用以仿真驾驶员在高速路上关于车辆换道的行为决策.通过分析车辆在换道阶段的特征与规律，选择适合的物理量作为模型的输入参数.以NGSIM数据库为基础用适当的方法进行样本提取，并对样本数据进行差分滤波、卡尔曼滤波、归一化预处理.在构建SVM模型过程中，运用不同的算法搜索最优参数.为了验证模型的泛用性，使用不同的数据样本对模型进行训练和测试，最终取得到了较好的预测结果与拟合度.

换道行为；支持向量机；卡尔曼滤波；NGSIM

0 引 言

高速公路上的换道行为根据驾驶员动机不同可分为强制性换道(discretionary lane changing)和主动性换道(mandatory lane changing)[1-2].对主动性换道的建模研究目前已取得一些进展,Jula等[3]提出了最小安全距离模型，Wan等[4]在基于行为阀值模型的基础上提出MRS(multi-regime simulation)任意性换道模型，Meng等[5]建立了基于离散选择模型二元Logit模型.上述模型大多是基于运动学规律和驾驶员行为模式建立的决策模型，因此很难把握各道路因素对换道决策的潜在影响.

本文提出了一种基于支持向量机(support vector machine，SVM)的换道模型用以仿真驾驶员在高速路上关于是否实施换道行为的行为决策，该模型对减少由于不正确变道行为而引起的高速公路交通事故具有一定的价值.

1 换道行为表征参数

换道行为涉及到多车之间的相互作用，参与的车辆将会对驾驶员的换道意图产生影响，图1为一个典型的换道行为并对相关车辆进行了数学符号标定，描述这些车辆相互作用的变量见表1，主要分为：车间距、时距和速度.

图1 换道中的车辆

本文采用Balal等[6]所做的问卷调查，该调查由美国德克萨斯大学埃尔帕索分校的学生于2014年1—9月开展，对当地443名驾驶员进行问卷访问，调查结果显示，在表1所示的变量中，GPO，D，GPT，GFT，V是驾驶员在换道过程中最优先考虑的.由此可见，车间距相比于时距更容易对驾驶员换道决策产生决定性影响，这可能是因为空间距离更容易被驾驶员观察到.本文选择这五个变量作为SVM模型的表征参数.

表1 变道时车辆的相关变量

2 数据预处理

本文用于构建SVM的车辆轨迹数据来自于NGSIM(next generation simulation)的US-101数据库和I-80数据库[7]，NGSIM数据是由美国联邦公路局以研究微观交通仿真为目的所获取数据，通过使用多台高空照相机以每秒10帧的频率对交通路况进行拍摄，再通过图像处理技术获得车辆位置、速度、加速度等数据，是交通模型研究的通用理想数据.为了验证模型在时间和空间上的泛用性，一个作为训练集，一个作为测试集.

2.1 差分滤波

由于NGSIM车载数据是通过视频图像采集方式获得的，因此数据中速度、位置等各种数据信息不可避免会出现误差，见图2.由图2可知，目标车辆出现了明显不符合运动学规律的速度突变，这是因为车载信息通过多台摄像机采集，在不同摄像机图像拼接过程中容易出现采集数据的跳变，造成较大误差，本文通过一阶差分的方法对数据中车辆速度的突变误差进行，并根据修正后的速度值来计算当前时刻对应的位置和加速度.

图2 一阶差分修正速度误差

2.2 卡尔曼滤波

为了消除车载数据在采集过程中存在的白噪声，本文采用卡尔曼滤波方法对随机误差进行处理.由于NGSIM使用图像技术采集数据，对位置和速度的采样误差相对较小，因此滤波主要针对系统在加速度测量过程中的高斯白噪[8].

本文设定系统的状态向量为X=[s,v,a]T，分别代表车辆的纵向位移、速度和加速度.

系统状态方程表示为

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

(1)

(2)

测量方程为：Z(k)=HX(k)+GV.V为加速度上的测量噪声，方差为r，转移矩阵H=1.

通过使用基于Matlab平台下的卡尔曼滤波器，导入状态方程、测量方程和轨迹数据，选择合适的方差进行滤波，滤波结果见图3.由图3可知，卡尔曼滤波能有效减小加速度中高斯白噪的影响，使加速度变化更加平滑，同时保留了反应驾驶行为的数据特征，并相应的对速度数据进行了小幅修正，而对位移数据几乎没有影响，这与用图像技术采集数据的误差特性是相符合的.本文保留了卡尔曼滤波对纵向速度的修正，以此作为构建换道识别模型的准备数据之一.

图3 卡尔曼滤波效果图

3 数据筛选

本文对车载数据采用如下方法进行筛选.

1) 仅将乘用车作为主体车辆，因为NGSIM的绝大多数目标车辆均为乘用车，卡车、摩托车由于样本较小且换道行为方式与乘用车不同，故不做考虑.

2) 仅考虑原始车道为2，3，4，5的主体车辆，因为发生在1，6车道上的变道行为可能属于强制性换道，会对模型的建立产生干扰.

3) 将主体车辆横向速度大于0.2 m/s的时刻t作为换道行为意图发生的时刻，该标准来自于Wang等[9]的研究成果；以此筛选出的车辆换道轨迹和换道时间直方分布见图4.

图4 部分换道车辆轨迹图和换道时间直方分布图

由图4可知，大部分车辆的换道时间集中在3～7 s之间，这与Tijerina等[10]的研究结果是相符合的.

4) 在关于车辆t时刻速度的标定上，本文借用Punzo等[11]的方法，将t-0.2，t-0.1，t、t+0.1，t+0.2时刻速度的平均值作为t时刻速度的标定.这样做可以在卡尔曼滤波的基础上进一步减少NGSIM在瞬时采样过程中产生的误差.同时，基于相同的原因，以0.5 s为间隔对速度差进行标定，这样做的另一个原因是与驾驶员的感观反应时间相符合，这与Siuhi等[12]在对NGSIM数据进行研究时所用的方法是一致.

5) 在目标车辆的t时刻和横向速度的方向确定后，S，PT，FT，PO，FO的位置也随之确定，也因此可得到GPO、D、GPT、GFT的数据，本文排除掉前车距离大于30 m和小于6 m的换道数据，因为这些换道行为是在过度自由或拥挤的状态下完成的，可能不适用于通用的换道模型.

6) 对主体车辆是否实施换道决策用OM(observed maneuver)进行标定，实施换道的OM=1，没有换道的OM=0.OM将与SVM模型的预测结果进行对比.

7) 排除实施多次换道的车辆数据，因为多次换道可能属于强制性换道行为并涉及到多条道路上车辆间的相互作用，不适合用一般的换道模型描述.本文对多次换道的定义是：在10 s内实施换道的次数大于或等于2.

处理数据后的统计结果见表2，从US-101中采集到164个车辆换道样本数据，从I-80中采集到118个换道样本数据，因为US-101数据集中换道的数据较多，所以将US-101数据集作为训练集，I-80数据集作为测试集.

表2 数据样本筛选结果 个

4 SVM模型的训练与测试

支持向量机是建立在统计学习理论、VC维理论和结构风险最小化原理基础上的机器学习方法.它在解决非线性和高维模式识别问题中表现出许多特有的优势，并具有较强的泛化能力[13].本文以Matlab作为软件平台，用libsvm向量机工具进行SVM 模型的构建.

在数据集中，不同维度参数之间的数据差异性较大，容易引起部分数据被淹没.变化范围较大的数据集会增加模型训练的时间和复杂度，因此在SVM的建模过程中，通常采用数据归一化方法降低数据复杂程度.数据归一化的公式如下.

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

(3)

式中:xmax和xmin为归一化前数据的最大值和最小值，ymax和ymin为归一化后的最大值和最小值，由于本文所选择的变量参数均为正数，所以选0和1作为一化后的最大值和最小值.

将归一化后的数据作为构建SVM模型的样本，选用高斯径向基函数作为核函数进行SVM建模，关于惩罚因子参数c和gamma函数设置参数g的选择，本文采用网格搜索(grid search)[14]、遗传算法(genetic algorithm)[15]、粒子群优化算法(particle swarm optimization)[16]三种方式进行参数搜索，见图5.选取分类准确率最高的参数c和g作为最优参数.

图5 三种算法的参数寻优图

不同算法得出的最优参数见表3，由于参数c代表对误差的宽容度，因此这里将能够达到分类最高准确率中c最小的参数组作为最优参数组，即网格搜索的寻优结果，以避免出现训练集分类准确率很高而测试集分类准确率很低的过学习状态的发生.

表3 参数寻优结果

使用最优参数构建SVM模型，完成后对I-80测试集样本进行分类验证，结果显示模型对测试集中的516个样本给出了正确的预测，准确率为83.9%，表明该模型用于识别高速路上的车辆换道行为取得了较好的效果.

5 结 束 语

文中分析了影响车辆换道决策的道路因素，选择合适的变量建立了基于支持向量机的车辆换道行为预测模型，并使用真实车载数据用于模型进行训练与测试，并运用了不同算法对模型参数进行调整和优化，仿真结果表明基于支持向量机的换道模型用于预测车辆的换道行为决策是可行的.

在今后的研究中，将会考虑把更多影响车辆换道的变量加入到模型中，如方向盘转角、车辆与车道线距离等，使模型的精度得到进一步的提高.

[1] 龙小强,谭云龙.微观仿真自主性车道变换模型[J].公路交通科技,2012,29(11):115-119.

[2] 徐英俊.城市微观交通仿真车道变换模型研究[D].长春：吉林大学,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] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

[14] 王健峰,张磊,陈国兴,等.基于改进的网格搜索法的SVM参数优化[J].应用科技,2012(3):28-31.

[15] 曹路,欧阳效源.基于遗传算法的支持向量机的参数优化[J].计算机与数字工程,2016,44(4):575-577.

[16] 邵信光,杨慧中,陈刚.基于粒子群优化算法的支持向量机参数选择及其应用[J].控制理论与应用,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

张叠(1989—)：男，硕士生，主要研究领域为交通信息工程与控制

*国家自然科学基金项目(11272067、61403047)、湖南省自然科学基金项目(2016JJ2006)资助