基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時間預測

楊文忠 梁凡 李東昊 楊蒙蒙 富雅玲

摘? 要： 為了減少交通事故，以車聯(lián)網(wǎng)環(huán)境下智能車輛的換道時間為研究對象，提出一種新的提高換道安全性的方法，在換道前對車輛的換道時間進行預測，根據(jù)預測的換道時間判斷能否安全換道。使用博洛尼亞數(shù)據(jù)集做測試，通過BP神經(jīng)網(wǎng)絡(luò)的學習方式對訓練數(shù)據(jù)集進行學習，最終得到基于車輛在換道前一時刻沿當前車道的行駛速度（豎直速度），換道前一時刻車輛沿目標車道運行的速度（水平速度）和車輛換道時間的BP神經(jīng)網(wǎng)絡(luò)模型，最后使用驗證集對建立的模型進行驗證。驗證結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時間預測的準確率良好。在實際生活場景中，只需在車輛上安裝車速傳感器就可以將建立的模型應(yīng)用到實際中，因此該模型具有較高的現(xiàn)實意義。

關(guān)鍵詞： 物聯(lián)網(wǎng); 車聯(lián)網(wǎng); 交通安全; 換道安全; BP神經(jīng)網(wǎng)絡(luò); 換道時間

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）21?0085?04

Lane change duration prediction based on BP neural network

YANG Wenzhong， LIANG Fan， LI Donghao， YANG Mengmeng， FU Yaling

（College of Information Science and Engineering， Xinjiang University， Urumqi 830046， China）

Abstract： A new method is proposed to improve the lane change safety by taking lane change duration of intelligent vehicles in the context of the Internet of Vehicles as the research object to reduce traffic accidents. In this method， the lane change duration of vehicles is forecasted before lane change， and whether it is safe to change lanes or not is judged according to the predicted lane change duration. Bologna data set is used as a test， and the training data set is learned by BP neural network to obtain a BP neural network model based on the vehicle speed （vertical speed） traveling along the current lane before lane change， the vehicle speed （horizontal speed） traveling along the target lane before lane change and the duration of vehicle changing lanes. Finally， validation sets are used to verify the established model. The results show that the prediction accuracy of vehicle lane change duration based on BP neural network is high. In the real life， the established model can be applied to practice simply by installing a speed sensor on the vehicle， so the model has a high practical significance.

Keywords： Internet of Things; Internet of Vehicles; traffic safety; safety of lane change; BP neural network; lane change duration

0? 引? 言

汽車在行駛過程中，出于各種各樣的原因，會發(fā)生換道行為。如果換道時機不對，很可能會引發(fā)交通事故，加劇交通堵塞，影響人們出行。因此，如果在換道前對換道時間進行預測，那么預測結(jié)果就可輔助駕駛員判斷是否進行換道，提高換道安全性，從而有效避免交通事故的產(chǎn)生，預防道路堵塞。

為了提高車輛換道安全性，國內(nèi)外學者研究開發(fā)了許多基于機器學習的換道輔助系統(tǒng)來輔助駕駛員決定是否進行換道。如文獻[1]通過駕駛模擬器的實驗來采集交通流數(shù)據(jù)，所收集的速度、距離、車道指示和限速等交通流數(shù)據(jù)作為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的輸入變量，來預測車輛的換道意圖;文獻[2?3]給定與車輛換道有關(guān)的相關(guān)特征作為輸入，車輛的變道意圖作為輸出，采用分類器邏輯回歸[2]和SVM[3]訓練車輛換道意圖識別模型以獲得最佳預測結(jié)果;文獻[4]使用貝葉斯分類器和決策樹對強制變道進行建模，開發(fā)出一種變道輔助系統(tǒng)，該系統(tǒng)為駕駛員在停車時強制改道提供安全間隙的建議。

在車輛換道特征方面：文獻[5?6]提出了基于車輛速度的智能交通輔助系統(tǒng)，用于在動態(tài)機動模型中幫助司機安全有效的進行變道。文獻[7]通過從駕駛員開始改變車道的距離間隙不確定性的分類入手，研究了距離間隙對換車道時駕駛員不確定性的影響，從而開發(fā)出可靠的駕駛員輔助系統(tǒng)。文獻[8]通過確定不同級別預警規(guī)則的即將碰撞時間（TTC）閾值，研究出合理的換道預警參數(shù)來提高換道的安全性。文獻[9?10]通過融合駕駛情況、駕駛員行為、車輛運動等特征，使用神經(jīng)網(wǎng)絡(luò)對車輛換道意圖進行識別來提高車輛的換道安全性。文獻[11]通過計算主車輛與周圍車輛之間的最小安全距離來分析車道變換的風險來提高換道安全性。文獻[12?13]采用緊急制動和車道變換來改善復雜交通下的駕駛?cè)蝿?wù)，將縱向控制策略用于緊急制動，而橫向控制策略用于換道，形成可避免交通沖突的換道軌跡，以此提高換道安全性。

但是很少考慮到換道時間對換道安全性的影響。從理論上講，在實際的換道過程中，換道時間過快會使其他障礙車輛來不及反應(yīng)，容易發(fā)生事故;換道時間過慢又會導致長時間占用兩個車道，使發(fā)生事故的概率變高。因此本文提出建立一種基于BP神經(jīng)網(wǎng)絡(luò)的模型對車輛的安全換道時間進行預測，通過對換道時間的預測使駕駛員在換道前根據(jù)預測的換道時間判斷能否安全換道，最終決定要不要換道，以此來提高車輛的換道安全性。以往的換道研究大都是假設(shè)換道的水平距離為一個車道的情況下實現(xiàn)，本文研究包含了所有可能換道長度的距離，可以很好地反映真實的車輛換道情況。

1? 數(shù)據(jù)介紹

本文用于構(gòu)建安全車輛換道模型的車輛數(shù)據(jù)軌跡點來自于博洛尼亞道路數(shù)據(jù)集的80萬車輛軌跡點[14?15]。博洛尼亞道路數(shù)據(jù)集中記錄了博洛尼亞城市某一天早上2 h的車輛行駛數(shù)據(jù)。數(shù)據(jù)集包含16 112輛車在博洛尼亞道路上某一時刻的水平方向坐標值和豎直方向坐標值，還記錄了每一個軌跡點的產(chǎn)生時刻和瞬時行駛速度等。在16 112輛車一共799 112萬個數(shù)據(jù)點中甄選出軌跡數(shù)據(jù)點信息最多的1 000輛車，將這些軌跡點按照車輛ID分為1 000組，每組代表一輛車的軌跡，使用Python畫圖軟件畫出每一輛車的行駛軌跡，最終統(tǒng)計出893次換道行為，并記錄車輛的換道信息。

2? 換道過程特性分析

2.1? 換道行為的產(chǎn)生

意識決定行為，換道行為的產(chǎn)生會受到換道意圖的影響。有時，在不違反交通規(guī)則的情況下，駕駛員為了保持正確的路線行駛，為了在期望的速度下行駛，或者為了行駛到更平坦廣闊的路面，會在行駛過程中產(chǎn)生換道意圖。根據(jù)駕駛員的換道意圖，通常將換道行為分為強制性變換車道和選擇性變換車道。選擇性變換車道指的是在行駛過程中，高速行駛的車輛為了超越前方的慢速車輛，駕駛員根據(jù)自身的行車習慣或者為了避免車輛駛?cè)攵氯缆愤M行的換道行為。強制性變換車道是指在行駛過程中由于道路受阻、路口轉(zhuǎn)彎、匝道的分流、合流等因素，駕駛員不得不采取的換道行為。

2.2? 換道方向位移分析

公共道路單車道寬度的標準是3.5 m，本文采用智能車輛模型的寬度為1.6 m，如果車輛的換道行為是從如圖1所示的A位置開始換道，車輛移動到B位置結(jié)束換道，那么該車輛沿換道方向的位移為1.6 m;如果車輛的換道行為是從如圖2所示的C位置開始換道，車輛移動到D位置結(jié)束換道，那么該車輛沿換道方向的位移為3.5 m;如果車輛的換道行為是從如圖3所示的E位置開始換道，車輛移動到F位置結(jié)束換道，那么該車輛沿換道方向的位移為5.4 m。因此，車輛完成一次換道行為所移動的最小水平距離為1.6 m，如圖1所示，最大距離為5.4 m，如圖3所示。

3? 車輛換道時間預測模型

3.1? 變量選取及數(shù)據(jù)處理

車輛在變換車道時，影響車輛換道時間的因素有很多，但是本文建立的模型是在理想情況下，即不考慮公共道路的平坦狀況和交通擁堵狀況等因素，只考慮車輛換道前沿當前車道的行駛速度（豎直速度）和換道前一時刻車輛沿目標車道運行速度（水平速度）對車輛換道時間的影響。因此，此次實驗選取輸入變量為車輛在換道前一時刻的豎直速度和水平速度，輸出變量為車輛的換道時間，以此構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時間預測模型。模型的輸入、輸出變量定義如下：New_id為新車輛編號;[H]為車輛在換道前一時刻的豎直速度;[V]為車輛在換道前一時刻水平速度;C_time為換道時間。

將數(shù)據(jù)集隨機劃分，選其中80%作為訓練數(shù)據(jù)集，剩余的20%作為驗證數(shù)據(jù)集。

3.2? BP網(wǎng)絡(luò)學習方式

BP網(wǎng)絡(luò)的學習過程實際上是用訓練樣本對網(wǎng)絡(luò)進行訓練的過程。網(wǎng)絡(luò)的訓練可以有兩種方式，一種是順序方式，另一種是批處理方式。所謂順序方式，是指每輸入一個訓練樣本，就根據(jù)該樣本所產(chǎn)生的誤差對網(wǎng)絡(luò)的權(quán)值和閾值進行修改。所謂批處理方式，是指將樣本集中的所有訓練樣本都一次性地全部輸入網(wǎng)絡(luò)后，再針對總的平均誤差[E]修改網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值和閾值。由于順序方式所需的臨時存儲空間較小，且可在一定程度上避免局部極小值現(xiàn)象。因此本次模型的構(gòu)建采用順序?qū)W習方式。

3.3? 模型的建立

包含一個隱含層的BP神經(jīng)網(wǎng)絡(luò)可以逼近任何一個閉區(qū)間內(nèi)的連續(xù)函數(shù)，完成任意大小的[n]維到[L]維的映射，因此本文建立了一個3層的BP神經(jīng)網(wǎng)絡(luò)，即該BP神經(jīng)網(wǎng)絡(luò)模型包含1個輸入層、1個隱含層和1個輸出層。本文將車輛在換道前一時刻的豎直速度和換道前一時刻水平速度作為輸入向量輸入，再加上輸入層閾值，該模型的輸入向量有3個，將車輛換道過程中所用的時間作為輸出層的輸出向量，因此輸出層節(jié)點數(shù)為1，輸出向量只有1個。

采用文獻[16]研究出的最佳隱含層節(jié)點數(shù)的確定方法得出采用具有4個節(jié)點（包含隱含層閾值）的單隱含層（其中節(jié)點0表示隱含層閾值）構(gòu)建模型的效果最好，因此本次模型的隱含層節(jié)點個數(shù)為4?；贜guyen?Widrow算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進行初始化，能夠有效提高BP神經(jīng)網(wǎng)絡(luò)模型的預測精度。所以本文BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值采用Nguyen?Widrow算法進行初始化，隱含層和輸出層的閾值初始值都設(shè)為0。網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4所示。

在圖4的BP網(wǎng)絡(luò)[17]中，[i，j]分別表示輸入層、隱含層、輸出層的某個節(jié)點，[n，m]分別表示輸入層、隱含層的節(jié)點數(shù)。

對輸入層節(jié)點[i]有：

[xi，? ? i=0，1，2] （1）

對隱含層節(jié)點[j]有：

[hj=i=1nwijxi，? ? j=0，1，2，3] （2）

對輸出層節(jié)點有：

[y=j=0mvjhj=j=0mi=0nvjwijxi] （3）

BP網(wǎng)絡(luò)的學習過程實際上就是對網(wǎng)絡(luò)聯(lián)結(jié)權(quán)值和閾值的調(diào)整過程，利用給定的傳播公式，沿著誤差減小的方向不斷調(diào)整網(wǎng)絡(luò)聯(lián)結(jié)權(quán)重和閾值。在BP學習算法中，對樣本集中的第[r]個樣本，其輸出層節(jié)點的期望輸出用[dr]表示，實際輸出用[yr]表示。其中，[dr]是已知的車輛換道時間，[yr]則由式（3）計算得出。如果只是針對一個樣本，實際輸出與期望輸出的誤差定義為：

[Er=12（dr-yr）2] （4）

學習過程中，其聯(lián)結(jié)權(quán)值的調(diào)整變量為對[vj]的調(diào)整：

[Δvrj=η?Er?vj=-η（dr-yr）?hj] （5）

對[wij]的調(diào)整：

[Δwrij=η?Er?vj??vj?wij=-η（dr-yr）?vj?xi] （6）

聯(lián)結(jié)權(quán)值的調(diào)整公式為：

[v（r+1）j=vrj+Δvrj] （7）

[w（r+1）ij=wrij+Δwrij] （8）

式中：[vrj]和[v（r+1）j]分別是第[r]次和第[r+1]次迭代時，從隱含層節(jié)點[j]到輸出節(jié)點的聯(lián)結(jié)權(quán)值;[Δvrj]是聯(lián)結(jié)權(quán)值的變化量。[wrij]和[w（r+1）ij]分別是第[r]次和第[r+1]次迭代時，從輸入層節(jié)點[i]到隱含層節(jié)點[j]的聯(lián)結(jié)權(quán)值，[Δwrij]是聯(lián)結(jié)權(quán)值的變化量。[η]為一個增益因子，取[0，1]區(qū)間的一個正數(shù)，這里取[η=0.001]。本次學習的訓練過程就是重復上述的調(diào)整過程，迭代多次。

4? 模型的實現(xiàn)及驗證

基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時間預測模型在PyTorch的深度學習框架訓練完成，為了尋找最好的收斂效果，設(shè)置了不同的隱含層節(jié)點數(shù)對網(wǎng)絡(luò)進行訓練，然后將驗證集數(shù)據(jù)代入訓練模型對車輛換道時間的準確率進行驗證，記錄不同隱含層節(jié)點數(shù)訓練出來的模型進行預測的準確率。表1是設(shè)置不同隱含層節(jié)點數(shù)得到的模型預測的準確率。

由表1可得，在誤差范圍為[±0.1]的情況下得到該模型預測的最高準確率為91.62%，證明此次建立的車輛換道時間預測模型具有良好的預測能力。表2，表3是當隱含層節(jié)點數(shù)為4個時，訓練網(wǎng)絡(luò)各參數(shù)收斂后的結(jié)果。

為驗證本文訓練出的模型對車輛換道時間的預測性能，本文還使用相同的訓練集和驗證集對經(jīng)典的回歸機器學習算法K?Nearest Neighbors（KNN），Logistic Regression（LR），Decision Tree Regression（DTR）和Support Vector Regression（SVR）的訓練結(jié)果做了對比，如表4所示。

對比表4中的實驗結(jié)果發(fā)現(xiàn)，本文提出的基于BP神經(jīng)網(wǎng)絡(luò)的車輛換道時間預測模型的性能要好于大多數(shù)回歸的機器學習算法，這說明在對車輛的換道時間做預測時，BP神經(jīng)網(wǎng)絡(luò)算法有較好的效果。

5? 結(jié)? 語

本文提出了一種新的提高換道安全性的方法，通過對換道時間的預測使駕駛員在換道前根據(jù)預測的換道時間來判斷能否安全換道，最終決定是否要換道。從而提高換道安全性。但是本文模型的建立也存在一些缺陷，那就是考慮到的因素不夠全面。今后繼續(xù)進行此方向的研究，完善這方面的理論知識。

該研究模型不僅能在一定程度上提高車輛換道安全性，而且隨著現(xiàn)在社會發(fā)展水平的提高，人們越來越重視時間，如果能夠?qū)Q道時間做準確的預測，那么各種地圖軟件就可以提供給用戶更精確的時間預測結(jié)果，提升用戶體驗。

注：本文通訊作者為梁凡。

參考文獻

[1] LIU Meiyu， SHI Jing. A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model [J]. Journal of intelligent transportation systems， 2019， 23（4）： 309?318.

[2] OH C， CHOI J， PARK S. In?depth understanding of lane changing interactions for in?vehicle driving assistance systems [J]. International journal of automotive technology， 2017， 18（2）： 357?363.

[3] DOU Yangliu， YAN Fengjun， FENG Dawei. Lane changing prediction at highway lane drops using support vector machine and artificial neural network classifiers [C]// IEEE International Conference on Advanced Intelligent Mechatronics. Banff， AB， Canada： IEEE， 2016： 901?906.

[4] HOU Yi， EDARA P， SUN C. Modeling mandatory lane chan?ging using bayes classifier and decision trees [J]. IEEE transactions on intelligent transportation systems， 2014， 15（2）： 647?655.

[5] JOSHI J， SINGH A， MOITRA L G， et al. DASITS： driver assistance system in intelligent transport system [C]// 2016 30th International Conference on Advanced Information Networking & Applications Workshops. Crans?Montana， Switzerland： IEEE， 2016： 545?550.

[6] YOUNES M B， BOUKERCHE A. A vehicular network based intelligent lane change assistance protocol for highways [C]// IEEE International Conference on Communications. Paris， France： IEEE， 2017： 1?6.

[7] YAN Fei， WEBER L， LUEDTKE A. Classifying driver′s uncertainty about the distance gap at lane changing for developing trustworthy assistance systems [C]// Intelligent Vehicles Symposium. Seoul， South Korea： IEEE， 2015： 1276?1281.

[8] 王暢，付銳，張瓊，等.換道預警系統(tǒng)中參數(shù)TTC特性研究[J].中國公路學報，2015，28（8）：91?100.

[9] LEONHARDT V， WANIELIK G. Recognition of lane change intentions fusing features of driving situation， driver behavior， and vehicle movement by means of neural networks [M]// ZACH?US C， M?LLER B， MEYER G. Advanced Microsystems for Automotive Applications 2017. Switzerland： Springer， 2018.

[10] ZHANG Yihuan， LIN Qin， WANG Jun， et al. Lane?change intention estimation for car?following control in autonomous driving [J]. IEEE transactions on intelligent vehicles， 2018， 3（3）： 276?286.

[11] DANG Ruina， WANG Jianqiang， LI S E， et al. Coordinated adaptive cruise control system with lane?change assistance [J]. IEEE transactions on intelligent transportation systems， 2015， 16（5）： 2373?2383.

[12] 朱艷玲，陳家琪.基于魚群效應(yīng)的車輛交叉換道最小安全距離研究[J].軟件導刊，2018，17（3）：23?27.

[13] WOO H， JI Y， KONO H， et al. Lane?change detection based on vehicle?trajectory prediction [J]. IEEE robotics & automation letters， 2017， 2（2）： 1109?1116.

[14] 李瑋，王晶，段建民.基于多項式的智能車輛換道軌跡規(guī)劃[J].計算機工程與應(yīng)用，2012，48（3）：242?245.

[15] BEDOGNI L， GRAMAGLIA M， VESCO A， et al. The Bologna ringway dataset： improving road network conversion in SUMO and validating urban mobility via navigation services [J]. IEEE transactions on vehicular technology， 2015， 64（12）： 5464?5476.

[16] CAIATI V， BEDOGNI L， BONONI L， et al. Estimating urban mobility with open data： a case study in Bologna [C]// Proceedings of the 2016 IEEE International Smart Cities Conference. Trento， Italy： IEEE， 2016： 1?8.

[17] 王嶸冰，徐紅艷，李波，等.BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)確定方法研究[J].計算機技術(shù)與發(fā)展，2018，28（4）：31?35.

作者簡介：楊文忠（1971—），男，河南南陽人，博士，副教授，CCF會員（25451M），研究領(lǐng)域為物聯(lián)網(wǎng)、輿情分析。

梁? 凡（1993—），女，陜西西安人，碩士研究生，研究領(lǐng)域為交通安全。

李東昊（1994—），男，新疆烏魯木齊人，碩士研究生，研究領(lǐng)域為事件檢測。

楊蒙蒙（1994—），女，新疆阿克蘇人，碩士研究生，研究領(lǐng)域為突發(fā)事件預測。

富雅玲（1993—），女，新疆烏魯木齊人，碩士研究生，研究領(lǐng)域為交通事故突發(fā)事件檢測。