基于支持向量機(jī)的車輛換道決策模型*

張 疊 杜榮華 劉 理

(長(zhǎng)沙理工大學(xué)智能交通與車路協(xié)同技術(shù)研究所1) 長(zhǎng)沙 410004) (長(zhǎng)沙理工大學(xué)工程車輛輕量化與可靠性技術(shù)重點(diǎn)實(shí)驗(yàn)室2) 長(zhǎng)沙 410004)

基于支持向量機(jī)的車輛換道決策模型*

張 疊1)杜榮華1,2)劉 理1)

(長(zhǎng)沙理工大學(xué)智能交通與車路協(xié)同技術(shù)研究所1)長(zhǎng)沙 410004) (長(zhǎng)沙理工大學(xué)工程車輛輕量化與可靠性技術(shù)重點(diǎn)實(shí)驗(yàn)室2)長(zhǎng)沙 410004)

針對(duì)車輛換道行為受交通環(huán)境影響較大而難以識(shí)別和預(yù)測(cè)的問題，提出了一種基于支持向量機(jī)的學(xué)習(xí)模型用以仿真駕駛員在高速路上關(guān)于車輛換道的行為決策.通過(guò)分析車輛在換道階段的特征與規(guī)律，選擇適合的物理量作為模型的輸入?yún)?shù).以NGSIM數(shù)據(jù)庫(kù)為基礎(chǔ)用適當(dāng)?shù)姆椒ㄟM(jìn)行樣本提取，并對(duì)樣本數(shù)據(jù)進(jìn)行差分濾波、卡爾曼濾波、歸一化預(yù)處理.在構(gòu)建SVM模型過(guò)程中，運(yùn)用不同的算法搜索最優(yōu)參數(shù).為了驗(yàn)證模型的泛用性，使用不同的數(shù)據(jù)樣本對(duì)模型進(jìn)行訓(xùn)練和測(cè)試，最終取得到了較好的預(yù)測(cè)結(jié)果與擬合度.

換道行為；支持向量機(jī)；卡爾曼濾波；NGSIM

0 引 言

高速公路上的換道行為根據(jù)駕駛員動(dòng)機(jī)不同可分為強(qiáng)制性換道(discretionary lane changing)和主動(dòng)性換道(mandatory lane changing)[1-2].對(duì)主動(dòng)性換道的建模研究目前已取得一些進(jìn)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(chǔ)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(yùn)動(dòng)學(xué)規(guī)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(duì)換道決策的潛在影響.

本文提出了一種基于支持向量機(jī)(support vector machine，SVM)的換道模型用以仿真駕駛員在高速路上關(guān)于是否實(shí)施換道行為的行為決策，該模型對(duì)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(jià)值.

1 換道行為表征參數(shù)

換道行為涉及到多車之間的相互作用，參與的車輛將會(huì)對(duì)駕駛員的換道意圖產(chǎn)生影響，圖1為一個(gè)典型的換道行為并對(duì)相關(guān)車輛進(jìn)行了數(shù)學(xué)符號(hào)標(biāo)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(shí)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(diào)查，該調(diào)查由美國(guó)德克薩斯大學(xué)埃爾帕索分校的學(xué)生于2014年1—9月開展，對(duì)當(dāng)?shù)?43名駕駛員進(jìn)行問卷訪問，調(diào)查結(jié)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(guò)程中最優(yōu)先考慮的.由此可見，車間距相比于時(shí)距更容易對(duì)駕駛員換道決策產(chǎn)生決定性影響，這可能是因?yàn)榭臻g距離更容易被駕駛員觀察到.本文選擇這五個(gè)變量作為SVM模型的表征參數(shù).

表1 變道時(shí)車輛的相關(guān)變量

2 數(shù)據(jù)預(yù)處理

本文用于構(gòu)建SVM的車輛軌跡數(shù)據(jù)來(lái)自于NGSIM(next generation simulation)的US-101數(shù)據(jù)庫(kù)和I-80數(shù)據(jù)庫(kù)[7]，NGSIM數(shù)據(jù)是由美國(guó)聯(lián)邦公路局以研究微觀交通仿真為目的所獲取數(shù)據(jù)，通過(guò)使用多臺(tái)高空照相機(jī)以每秒10幀的頻率對(duì)交通路況進(jìn)行拍攝，再通過(guò)圖像處理技術(shù)獲得車輛位置、速度、加速度等數(shù)據(jù)，是交通模型研究的通用理想數(shù)據(jù).為了驗(yàn)證模型在時(shí)間和空間上的泛用性，一個(gè)作為訓(xùn)練集，一個(gè)作為測(cè)試集.

2.1 差分濾波

由于NGSIM車載數(shù)據(jù)是通過(guò)視頻圖像采集方式獲得的，因此數(shù)據(jù)中速度、位置等各種數(shù)據(jù)信息不可避免會(huì)出現(xiàn)誤差，見圖2.由圖2可知，目標(biāo)車輛出現(xiàn)了明顯不符合運(yùn)動(dòng)學(xué)規(guī)律的速度突變，這是因?yàn)檐囕d信息通過(guò)多臺(tái)攝像機(jī)采集，在不同攝像機(jī)圖像拼接過(guò)程中容易出現(xiàn)采集數(shù)據(jù)的跳變，造成較大誤差，本文通過(guò)一階差分的方法對(duì)數(shù)據(jù)中車輛速度的突變誤差進(jìn)行，并根據(jù)修正后的速度值來(lái)計(jì)算當(dāng)前時(shí)刻對(duì)應(yīng)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(shù)據(jù)在采集過(guò)程中存在的白噪聲，本文采用卡爾曼濾波方法對(duì)隨機(jī)誤差進(jìn)行處理.由于NGSIM使用圖像技術(shù)采集數(shù)據(jù)，對(duì)位置和速度的采樣誤差相對(duì)較小，因此濾波主要針對(duì)系統(tǒng)在加速度測(cè)量過(guò)程中的高斯白噪[8].

本文設(shè)定系統(tǒng)的狀態(tài)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(tǒng)狀態(tài)方程表示為

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

(1)

(2)

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

通過(guò)使用基于Matlab平臺(tái)下的卡爾曼濾波器，導(dǎo)入狀態(tài)方程、測(cè)量方程和軌跡數(shù)據(jù)，選擇合適的方差進(jìn)行濾波，濾波結(jié)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(shí)保留了反應(yīng)駕駛行為的數(shù)據(jù)特征，并相應(yīng)的對(duì)速度數(shù)據(jù)進(jìn)行了小幅修正，而對(duì)位移數(shù)據(jù)幾乎沒有影響，這與用圖像技術(shù)采集數(shù)據(jù)的誤差特性是相符合的.本文保留了卡爾曼濾波對(duì)縱向速度的修正，以此作為構(gòu)建換道識(shí)別模型的準(zhǔn)備數(shù)據(jù)之一.

圖3 卡爾曼濾波效果圖

3 數(shù)據(jù)篩選

本文對(duì)車載數(shù)據(jù)采用如下方法進(jìn)行篩選.

1) 僅將乘用車作為主體車輛，因?yàn)镹GSIM的絕大多數(shù)目標(biāo)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?yàn)榘l(fā)生在1，6車道上的變道行為可能屬于強(qiáng)制性換道，會(huì)對(duì)模型的建立產(chǎn)生干擾.

3) 將主體車輛橫向速度大于0.2 m/s的時(shí)刻t作為換道行為意圖發(fā)生的時(shí)刻，該標(biāo)準(zhǔn)來(lái)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(shí)間直方分布見圖4.

圖4 部分換道車輛軌跡圖和換道時(shí)間直方分布圖

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

4) 在關(guān)于車輛t時(shí)刻速度的標(biāo)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(shí)刻速度的平均值作為t時(shí)刻速度的標(biāo)定.這樣做可以在卡爾曼濾波的基礎(chǔ)上進(jìn)一步減少NGSIM在瞬時(shí)采樣過(guò)程中產(chǎn)生的誤差.同時(shí)，基于相同的原因，以0.5 s為間隔對(duì)速度差進(jìn)行標(biāo)定，這樣做的另一個(gè)原因是與駕駛員的感觀反應(yīng)時(shí)間相符合，這與Siuhi等[12]在對(duì)NGSIM數(shù)據(jù)進(jìn)行研究時(shí)所用的方法是一致.

5) 在目標(biāo)車輛的t時(shí)刻和橫向速度的方向確定后，S，PT，F(xiàn)T，PO，F(xiàn)O的位置也隨之確定，也因此可得到GPO、D、GPT、GFT的數(shù)據(jù)，本文排除掉前車距離大于30 m和小于6 m的換道數(shù)據(jù)，因?yàn)檫@些換道行為是在過(guò)度自由或擁擠的狀態(tài)下完成的，可能不適用于通用的換道模型.

6) 對(duì)主體車輛是否實(shí)施換道決策用OM(observed maneuver)進(jìn)行標(biāo)定，實(shí)施換道的OM=1，沒有換道的OM=0.OM將與SVM模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比.

7) 排除實(shí)施多次換道的車輛數(shù)據(jù)，因?yàn)槎啻螕Q道可能屬于強(qiáng)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(duì)多次換道的定義是：在10 s內(nèi)實(shí)施換道的次數(shù)大于或等于2.

處理數(shù)據(jù)后的統(tǒng)計(jì)結(jié)果見表2，從US-101中采集到164個(gè)車輛換道樣本數(shù)據(jù)，從I-80中采集到118個(gè)換道樣本數(shù)據(jù)，因?yàn)閁S-101數(shù)據(jù)集中換道的數(shù)據(jù)較多，所以將US-101數(shù)據(jù)集作為訓(xùn)練集，I-80數(shù)據(jù)集作為測(cè)試集.

表2 數(shù)據(jù)樣本篩選結(jié)果 個(gè)

4 SVM模型的訓(xùn)練與測(cè)試

支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論、VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法.它在解決非線性和高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)，并具有較強(qiáng)的泛化能力[13].本文以Matlab作為軟件平臺(tái)，用libsvm向量機(jī)工具進(jìn)行SVM 模型的構(gòu)建.

在數(shù)據(jù)集中，不同維度參數(shù)之間的數(shù)據(jù)差異性較大，容易引起部分?jǐn)?shù)據(jù)被淹沒.變化范圍較大的數(shù)據(jù)集會(huì)增加模型訓(xùn)練的時(shí)間和復(fù)雜度，因此在SVM的建模過(guò)程中，通常采用數(shù)據(jù)歸一化方法降低數(shù)據(jù)復(fù)雜程度.數(shù)據(jù)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(shù)據(jù)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(shù)均為正數(shù)，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(shù)據(jù)作為構(gòu)建SVM模型的樣本，選用高斯徑向基函數(shù)作為核函數(shù)進(jìn)行SVM建模，關(guān)于懲罰因子參數(shù)c和gamma函數(shù)設(shè)置參數(shù)g的選擇，本文采用網(wǎng)格搜索(grid search)[14]、遺傳算法(genetic algorithm)[15]、粒子群優(yōu)化算法(particle swarm optimization)[16]三種方式進(jìn)行參數(shù)搜索，見圖5.選取分類準(zhǔn)確率最高的參數(shù)c和g作為最優(yōu)參數(shù).

圖5 三種算法的參數(shù)尋優(yōu)圖

不同算法得出的最優(yōu)參數(shù)見表3，由于參數(shù)c代表對(duì)誤差的寬容度，因此這里將能夠達(dá)到分類最高準(zhǔn)確率中c最小的參數(shù)組作為最優(yōu)參數(shù)組，即網(wǎng)格搜索的尋優(yōu)結(jié)果，以避免出現(xiàn)訓(xùn)練集分類準(zhǔn)確率很高而測(cè)試集分類準(zhǔn)確率很低的過(guò)學(xué)習(xí)狀態(tài)的發(fā)生.

表3 參數(shù)尋優(yōu)結(jié)果

使用最優(yōu)參數(shù)構(gòu)建SVM模型，完成后對(duì)I-80測(cè)試集樣本進(jìn)行分類驗(yàn)證，結(jié)果顯示模型對(duì)測(cè)試集中的516個(gè)樣本給出了正確的預(yù)測(cè)，準(zhǔn)確率為83.9%，表明該模型用于識(shí)別高速路上的車輛換道行為取得了較好的效果.

5 結(jié) 束 語(yǔ)

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(jī)的車輛換道行為預(yù)測(cè)模型，并使用真實(shí)車載數(shù)據(jù)用于模型進(jìn)行訓(xùn)練與測(cè)試，并運(yùn)用了不同算法對(duì)模型參數(shù)進(jìn)行調(diào)整和優(yōu)化，仿真結(jié)果表明基于支持向量機(jī)的換道模型用于預(yù)測(cè)車輛的換道行為決策是可行的.

在今后的研究中，將會(huì)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(zhuǎn)角、車輛與車道線距離等，使模型的精度得到進(jìn)一步的提高.

[1] 龍小強(qiáng),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(zhǎng)春：吉林大學(xué),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(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào),2011,40(1):2-10.

[14] 王健峰,張磊,陳國(guó)興,等.基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應(yīng)用科技,2012(3):28-31.

[15] 曹路,歐陽(yáng)效源.基于遺傳算法的支持向量機(jī)的參數(shù)優(yōu)化[J].計(jì)算機(jī)與數(shù)字工程,2016,44(4):575-577.

[16] 邵信光,楊慧中,陳剛.基于粒子群優(yōu)化算法的支持向量機(jī)參數(shù)選擇及其應(yīng)用[J].控制理論與應(yīng)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(lǐng)域?yàn)榻煌ㄐ畔⒐こ膛c控制

*國(guó)家自然科學(xué)基金項(xiàng)目(11272067、61403047)、湖南省自然科學(xué)基金項(xiàng)目(2016JJ2006)資助