基于CNN-LSTM 模型的車輛換道前跟馳研究

潘公宇，馬 斌

（1.江蘇大學車輛產品實驗室，江蘇 鎮江 212013；2.江蘇大學汽車與交通工程學院，江蘇 鎮江 212013）

0 引言

跟馳和換道是兩類常見的駕駛行為。換道前車輛跟馳行為不僅要考慮本車道前車的狀態，還要考慮目標車道前車的狀態［1］，不合適的跟馳行為會導致事故發生、交通擁堵和延誤［2］。因此，需要更準確地描述車輛跟馳的運動狀態，以便控制跟馳行為、提高運行效率和穩定性［3］，并為智能車輛的軌跡規劃提供指導［4］。

目前車輛跟馳模型主要分為理論驅動類跟馳模型、數據驅動類跟馳模型［5］。理論驅動類跟馳模型具有較好的可解釋性，其中IDM模型能夠表征多種交通流情況下的車輛跟馳狀態，但由于車輛的跟馳狀態受駕駛員性格、外部環境等諸多因素影響，因此基于表達式固定的跟馳模型難以真實反映各種跟馳情況［6］。目前，學者對傳統IDM模型進行了許多改進，如在傳統駕駛特性角度綜合考慮駕駛人的因素、前車加速度、車間距、道路狀況等因素。肖新平等［7］提出了IDM-GARCH模型。該模型考慮了速度差刺激項、非對稱系數和速度波動異方差性等因素，不僅提高了模型精度，而且能夠準確反映后車速度波動的趨勢和幅度。鄧紅星等［8］在經典IDM模型的基礎上，引入駕駛員反應時間、反應車型特征的期望跟馳間距系數以及前車加速度信息對IDM進行了改進，提出了一種AIDM模型。該模型能夠進一步提高交通流的穩定性，有效抑制交通擁堵。數據驅動類跟馳模型著重于挖掘真實車輛行駛數據中隱藏的內在規律，從信息中提取車間的隱式交互依賴關系，再通過LSTM等對序列的時序關系進行處理，能夠實現較高精度的意圖識別或運動預測。趙健等［9］提出了一種數據機理混合驅動的交通車意圖識別方法，從被識別車輛駕駛人的角度出發，分析其從產生駕駛意圖到完成駕駛意圖的全過程。Li等［10］提出了一種混合跟馳模型，該模型融合了具有良好駕駛行為預測能力的長短期記憶網絡和自適應卡爾曼濾波標定后的智能駕駛人模型。

綜上所述，IDM適用于描述一般情況下無換道意圖和換道行為車輛的跟馳狀態。筆者通過對換道前車輛跟馳軌跡的分析，發現有換道意圖的車輛在換道前其跟馳行為與正常狀態下的跟馳行為存在較大差異，因此需要尋求新的模型對車輛換道前跟馳狀態這一特殊情況進行描述。

筆者基于NGSIM數據集對換道車輛跟馳軌跡進行分析，通過對比有無換道意圖的跟馳行為，首次提出換道車輛“換道前跟馳”概念，確定并驗證了換道前跟馳階段的特殊性，試圖搭建CNNLSTM組合模型，對此特殊跟馳階段做出精準的描述，希望能夠為后智能車輛換道軌跡規劃、跟馳行為控制等研究提供新的思路與方法，同時有助于模擬和預測交通流的行為和特征，提高道路交通的效率和安全性。

1 NGSIM 車輛軌跡數據

1.1 NGSIM 數據集介紹

NGSIM數據集是由美國國家交通安全委員會（NTSB）在2005—2009年期間收集的交通數據集。該數據集涵蓋了美國6個城市的高速公路和城市道路上的交通情況，包括車輛軌跡、速度、加速度、車道位置等信息。數據采樣間隔為0.1 s，具有高精度和高分辨率，被廣泛應用于模型標定、車輛行為決策、車輛軌跡預測、交通流模擬、交通安全分析等。由于NGSIM數據集的獨特性和重要性，許多研究人員將其作為基準數據集來評估不同方法的性能［11－12］。表1為NGSIM數據集中各項原始參數及意義。

表1 數據集部分參數

1.2 跟馳數據篩選

為保證用于參數標定的車輛軌跡數據包含充足完整的車輛跟馳的信息，需對原始數據進行篩選，挑選出合適的跟馳對。篩選原則如下：

1）車隊的跟馳時間至少30 s，以保證有足夠多的模型訓練樣本。

2）車隊中的車輛為同種類型，以避免不同車型跟馳特性可能存在的差異。本文中僅研究class為2，即汽車-汽車跟馳情況。

3）車輛跟馳后產生完整換道行為，視換道時車輛車道信息發生改變即為存在完整換道行為。

4）排除行駛于多車輛車道和匝道的跟馳車隊，保證所研究車隊的駕駛特性一致性。

5）連續換道行為具有極大不確定性與隨意性，排除發生連續換道行為車輛與跟馳階段橫向位移波動過大的車輛，以免不良駕駛習慣與隨意換道行為對研究產生影響。

經過篩選后，獲得完整“跟馳＋換道”軌跡843條，其中向左換道軌跡524條，向右換道軌跡319條，向左換道軌跡占全部軌跡數量的62.2%，為避免向左、向右不同方向換道軌跡在數據收集道路上可能存在的差異性狀態，故后續對524條向左換道軌跡進行研究。

2 換道前特殊跟馳運動狀態分析

對第二節選取的換道軌跡進行分析研究，發現換道車輛在實施換道行為前的一小段時間內，車輛跟馳行為與正常狀態下的跟馳行為有明顯的差異。為研究此特殊跟馳階段的車輛運動狀態，對換道車輛從跟馳至完成整個換道行為的軌跡進行劃分，將換道行為發生前的一小段跟馳階段稱為“換道前跟馳階段”，將剩余無換道意圖的跟馳階段稱為“基本跟馳階段”?！皳Q道前跟馳”階段的確定有助于更好地研究換道車輛在換道行為發生前的特殊跟馳狀態，能夠為后續進行換道軌跡規劃與跟蹤控制等工作提供新思路。

2.1 意圖識別點與“換道前跟馳階段”軌跡劃分

通過對車輛換道過程中的斜率進行分析，發現絕大多數車輛換道行為產生前，車輛軌跡都會有較明顯的反向移動現象，現有研究多以車輛換道前橫向速度為依據判定車輛換道觀測點［13］。通過建立車輛跟馳-換道軌跡的位移、橫向速度、縱向加速度等特征軌跡，可以看出車輛從跟馳至換道階段，波動幅度最大為橫向位移與縱向加速度。如圖1所示，以車輛換道軌跡中斜率變化為依據，將換道過程中車輛斜率的第五八分位數作為換道觀測點，以此觀測點向前截取一段時間作為換道前跟馳階段。為保證換道前跟馳階段能夠表征完換道前車輛跟馳的特殊狀態，選取時間窗口長度為3 s，對整個換道前跟馳階段的特殊狀態全部表征?；诖?，將整個跟馳-換道過程做如下劃分：基本跟馳階段、換道前跟馳階段、換道階段。

圖1 換道前跟馳階段劃分示意圖

2.2 “換道前跟馳”狀態特殊性驗證

為驗證換道前跟馳與基本跟馳的運動狀態差異性，選取換道前跟馳階段車輛運動狀態為第1組樣本，隨機選取3 s基本跟馳階段狀態數據為第2組樣本?？紤]數據分布特性與樣本容量，采用z檢驗法對2組樣本進行差異性分析。

首先分別計算2組樣本中縱向速度、車頭間距、橫向坐標、縱向加速度的均值、標準差，結果分別如表2、表3所示。

表2 兩樣本z檢驗數據

表3 換道前跟馳z檢驗數據

將所求得各值代入z值計算公式：

式中：x1為樣本1均值，x2為樣本2均值，μ1為樣本1總體均值，μ2為樣本2總體均值，μ1為樣本1總體標準差，μ2為樣本2總體標準差，n1為樣本1容量，n2為樣本2容量。

經過計算得出，2種樣本的z值分別為：縱向速度為4.822，車頭間距為－136.437，橫向坐標為2.54，縱向加速度為－0.202。進一步分析z值可知，除加速度指標外，換道車輛在換道跟馳階段和基本跟馳階段中縱向速度、車頭間距和橫向位移的狀態差異非常顯著，因此，傳統的跟馳模型不再適用于換道車輛進行換道前的跟馳行為，需要尋求新的方法來實現換道前跟馳模型的擬合。

3 CNN-LSTM 組合模型搭建與超參數設置

CNN-LSTM網絡是一種深度學習模型，其在許多領域都有應用，如自然語言處理、語音識別、視頻分析等［14］。它在對文本進行分類、情感分析、機器翻譯等任務方面表現出色。它將卷積神經網絡（CNN）和長短時記憶網絡（LSTM）結合起來。CNN-LSTM網絡在處理序列數據時具有很好的表現，因為它能夠捕捉到數據的局部特征和長期依賴關系。該模型綜合了單CNN和單LSTM的優點，既具備數據特征強提取能力，又能夠良好地處理時間序列，因此更適用于換道前跟馳狀態預測場景［15］。CNN-LSTM組合結構如圖2所示。

圖2 CNN-LSTM模型結構示意圖

3.1 模型輸入特征選取

基于研究場景，主要考慮雙車跟馳環境，暫不考慮鄰車數據對研究的影響，即認為研究場景下原車道與目標車道僅存在當前跟馳車隊，參考目前主流模型輸入輸出后［16］，決定除本車速度、相對速度、車頭間距外，再考慮車輛橫向速度與橫向偏移量為輸入特征。選取輸入：vx，vy，ay，Δv，Δy，l。選取輸出：va。其中，vx為主車縱向瞬時速度，vy為主車橫向瞬時速度，ay為主車縱向瞬時加速度，Δv為主車與前車相對速度，l為主車與目標車道的車道線之間的距離。

對模型各輸入變量采用min-max歸一化方法，公式如下：

式中：xmin為該特征最小值，xmax為該特征最大值。

3.2 網絡模型搭建

本文中的組合模型由CNN卷積神經網絡充當編碼器，LSTM 作為解碼器進行搭建。具體而言，CNN層由3個卷積層、1個池化層、1個Flatten層和1個全連接層組成；LSTM層由3個LSTM單元和1個全連接層組成。

主要流程如下：首先，將過去一段時間內的跟馳對運動狀態等數據作為時間序列的輸入特征；接著，CNN層在時間軸上對過去一段時間內的輸入信息進行卷積操作，從中提取其映射關系；最后，將CNN層在各個時間點上的輸出作為LSTM網絡的輸入序列，利用LSTM層挖掘出主車換道前跟馳狀態變化的規律并進行預測。

3.3 CNN-LSTM 組合網絡超參數設置

3.3.1 CNN超參數確定

通過對CNN網絡的不斷調整，該模型采用linear函數作為激活函數，采用小批量訓練法（batch＿size＝2）進行訓練，采用Adam算法進行參數優化，學習率設為0.001。在構建CNN時，該模型嘗試了尺寸為3、5、7的卷積核，卷積核數量設為8。經過實驗，最優尺寸的卷積核大小為3×3，池化層的大小為2，并通過填充方式保持卷積層輸出的大小不變。

3.3.2 LSTM超參數設置

對比了歷史數據長度分別為2、5、10的情況，發現當采用較小的步長時，可以獲得更高的預測精度。在本文中將步長設置為2步，即每個時間窗口包含了過去0.2 s內跟馳對兩車輛的運動狀態信息，并將初始學習率設置為0.01。優化算法為Adam。

神經網絡結構的不同會對預測性能產生影響［17］，尤其是LSTM層數的增加可以提高模型的學習能力和預測精度。然而，如果層數過多可能會導致模型過度擬合，因此需要在增加層數與避免過度擬合之間進行權衡［18］。逐步增加LSTM層數，比較不同LSTM層數時組合模型的性能，最終確定最優層數為3，每層神經元數量分別設為100、200、100。為了提高組合模型的運算速度并且防止模型過擬合，采用dropout方法，dropout設為0.1。網絡訓練中所采用的誤差函數為均方誤差函數RMSE，其表達式為：

式中：observedt為第t個樣本的真實值，predictedt為第t個樣本的預測值。

最終確定的CNN-LSTM組合模型網絡結構包含一系列卷積層和最大池化層，之后進行展平和全連接操作，接著進行重塑操作，使用4個LSTM層并結合隨機失活，最后通過激活函數輸出預測結果。

4 模型仿真驗證及對比分析

4.1 CNN-LSTM 組合模型仿真

選取70%的數據作為訓練集，10%的數據作為測試集，20%的數據作為驗證集，對第四節搭建的組合模型進行訓練，對CNN-LSTM組合模型的跟馳效果進行驗證。在前車的運動狀態給定的條件下，首先初始化跟馳對中的各個參數，接下來通過模型的循環迭代求解得到每一時刻模型的輸入值，通過循環迭代的方式更新后車的運動狀態，基于python進行代碼測試，隨機展示某條換道軌跡仿真效果，如圖3—圖5所示。表4為CNN-LSTM模型仿真效果。

圖3 CNN-LSTM縱向加速度仿真效果

圖4 CNN-LSTM車頭間距預測效果

圖5 CNN-LSTM縱向速度仿真效果

表4 CNN-LSTM模型仿真效果

對所有測試集進行測試并對結果進行計算，以均差和標準差來反應模型預測效果，如表5所示。

表5 模型預測效果

4.2 換道前跟馳IDM 模型仿真與對比

車輛跟馳IDM（intelligent drivermodel）是一種基于車輛動力學和交通流理論的模型，用于研究車輛之間的跟車行為［19］。該模型基于車輛之間的相對速度和間距，以及車輛的加速度和制動能力等因素，來模擬車輛的跟車行為。這種模型在自動駕駛領域和交通流控制中應用廣泛［20］。采用改進模擬退火法［21］對IDM模型進行標定，模型參數如表6所示。

表6 IDM模型參數標定結果

表7 IDM模型仿真效果

在前車的運動狀態給定的條件下，首先對跟馳對中后車的速度、位移進行初始化，接下來通過模型的循環迭代求解得到每一時刻模型的輸入值。跟馳模型的仿真結果如圖6—圖8所示。

圖6 IDM縱向加速度仿真效果

圖7 IDM車頭間距預測效果

圖8 IDM縱向速度仿真效果

從仿真效果圖可以看出，在換道前特殊跟馳階段，傳統IDM跟馳模型并不能夠準確反應變道車輛在此階段的運動特性，預測存在較大偏差，精確性大為降低。表6為IDM 模型測試的仿真效果。

將搭建的CNN-LSTM組合模型預測效果與傳統IDM跟馳模型進行對比分析，發現所搭建組合模型能更好地對換道前跟馳做出預測效果。從各項預測性能上可以看出，CNN-LSTM 模型的精度明顯優于傳統IDM模型，其中加速度精度提高約15.1%，速度精度提高約47.9%，相對距離精度提高約11.7%。

5 結論

基于NGSIM數據集跟馳車隊的軌跡信息，劃分了換道車輛跟馳至換道結束的運動階段。搭建了CNN-LSTM網絡模型以適應于換道前的特殊跟馳階段。經過仿真驗證，提出的CNN-LSTM模型在加速度、速度、相對距離、縱向位移指標上精度較傳統IDM模型均有提升。主要結論如下：

1）在對換道車輛跟馳軌跡的研究中，發現換道前跟馳階段的狀態與一般跟馳狀態存在較大差異，提出車輛“換道前跟馳”概念，以車輛換道前斜率的第五八分位數作為基準點劃分出“換道前跟馳階段”，并首次用z檢驗法驗證了該階段車輛跟馳行為的特殊性。

2）通過組合搭建CNN-LSTM網絡，在常規輸入中所得模型加速度精度較傳統IDM模型提高約15.1%，更適用于換道車輛“換道前跟馳”特殊階段。

3）組合模型的精度主要受超參數、層結構等因素影響。

4）在預測車輛換道前的跟馳行為時，未考慮鄰車數據的影響。未來的研究會集成鄰車數據，將鄰車位置、速度以及加速度等信息融入模型，更好地識別潛在的沖突情況，進一步提高模型的準確性和可靠性。