基于Informer算法的網(wǎng)聯(lián)車輛運動軌跡預(yù)測模型

摘 要：自動駕駛汽車可以根據(jù)軌跡預(yù)測算法計算周邊車輛的運動軌跡，并作出反應(yīng)以降低行車風險，而傳統(tǒng)的軌跡預(yù)測模型在長時間序列預(yù)測的情況下會產(chǎn)生較大的誤差。為解決這一問題，提出了一種以Informer算法為基礎(chǔ)的軌跡預(yù)測模型，并根據(jù)公開數(shù)據(jù)集NGSIM進行實驗分析。首先通過對稱指數(shù)移動平均法（sEMA）對原始數(shù)據(jù)進行濾波處理，并在原有的Informer編碼器中加入了聯(lián)合歸一化層對不同車輛進行特征提取處理，減少了不同車輛之間的運動誤差，通過考慮車輛的本身速度信息與周圍環(huán)境的車輛運動信息，提高了預(yù)測精度，最后經(jīng)過解碼器得到未來時刻的車輛軌跡分布。結(jié)果表明，模型對車輛的軌跡預(yù)測誤差在0.5 m以內(nèi)；通過對軌跡預(yù)測的MAE與MSE結(jié)果分析可知，預(yù)測時間超過0.3 s以后，Informer模型的軌跡預(yù)測效果明顯優(yōu)于其他算法，驗證了模型和算法的有效性。

關(guān)鍵詞：智能交通控制； 自動駕駛車輛； 軌跡數(shù)據(jù)預(yù)測； Informer模型； 注意力模型； 特征提取

中圖分類號：U3文獻標志碼： A文章編號：1001－3695（2024）04－010－1029－05

doi：10.19734/j.issn.1001－3695.2023.08.0375

Model of predicting motion trajectory of connected vehicles based on Informer algorithm

Zhao Dongyu Wang Zhijian Song Chenglong1，2

Abstract：Autonomous vehicle can calculate the movement track of surrounding vehicles according to the track prediction algorithm，and make response to reduce driving risk，while the traditional track prediction model will produce large errors in the case of long－term series prediction.To address this issue，this paper proposed a trajectory prediction model based on the Infor－mer algorithm，and used the publicly available dataset NGSIM to conduct experimental analysison.Firstly，it filtered the original data by using symmetric exponential moving average method（sEMA） ，and added a joint normalization layer to the original Informer encoder to extract features from different vehicles，reducing the motion error between different vehicles，and improving the prediction accuracy by considering the speed information of the vehicle itself and the vehicle movement information of the surrounding environment.Finally，it got the vehicle trajectory distribution at the future time through the decoder.The results show that the trajectory prediction error of the model is less than 0.5 m.Through the analysis of MAE and MSE results of tra－jectory prediction，when the prediction time exceeds 0.3 s，the trajectory prediction effect of Informer model is obviously better than other algorithms，which verifies the effectiveness of the model and algorithm.

Key words：intelligent traffic control； autonomous vehicles； trajectory data prediction； Informer model； attention model； feature extraction

0 引言

隨著人工智能與互聯(lián)網(wǎng)技術(shù)的發(fā)展，未來無人駕駛汽車與智能網(wǎng)聯(lián)汽車的保有率會逐漸升高，車輛可以通過車載終端等設(shè)備實時獲取周圍車輛的運行信息以及道路的路況信息，當自動駕駛車輛獲取周圍車輛的運行信息后，如果對周圍車輛的行駛軌跡進行預(yù)測，就可以提前作出決策以減少事故發(fā)生率。

為了提高車輛的運行安全性、減少事故發(fā)生，需要一種軌跡預(yù)測方法使自動駕駛車輛預(yù)測周邊車輛的運行軌跡，進行風險規(guī)避以提高行車效率。以軌跡預(yù)測模型的結(jié)構(gòu)為依據(jù)，可以將軌跡預(yù)測模型分為基于物理的運動預(yù)測模型和基于數(shù)據(jù)的 軌跡預(yù)測模型兩種。王靚喆［1］采用了基于博弈論的換道決策模型對車輛的換道意圖進行分析。Robin等人［2］使用了基于卡爾曼濾波的CTRA模型對車輛的運動軌跡進行了預(yù)測分析。 Firl等人［3］提出針對車道變換過程中通過七次多項式對車輛的換道軌跡數(shù)據(jù)進行建模，并在實際換道場景中應(yīng)用。李文禮等人［4］將S－GAN模型與注意力機制相結(jié)合，根據(jù)五次多項式為車輛進行路徑規(guī)劃。隨著網(wǎng)聯(lián)車輛數(shù)據(jù)量的增加，基于數(shù)據(jù)的預(yù)測模型的預(yù)測精確度有明顯提升。Kumar等人［5］提出了一種基于支持向量機和貝葉斯濾波的方法應(yīng)用于在線換道行為預(yù)測。由于基于物理的運動模型對于約束條件與實際場景要求過于理想化，通常只能完成極短時間內(nèi)的車輛軌跡預(yù)測。

近幾年，隨著網(wǎng)聯(lián)車輛數(shù)量的增加，軌跡數(shù)據(jù)的數(shù)據(jù)量也大大增多，基于軌跡數(shù)據(jù)的預(yù)測模型開始變多。陳明哲［6］構(gòu)建了以CNN為基礎(chǔ)的LSTM軌跡預(yù)測模型和基于模糊邏輯算法的換道決策模型。吳曉建等人［7］提出了融合dropout與注意力機制的LSTM－GRU車輛軌跡預(yù)測模型。Xie等人［8］對深度信念網(wǎng)絡(luò)和長短時記憶神經(jīng)網(wǎng)絡(luò)的變道意圖預(yù)測模型進行訓練和仿真。吳翊愷等人［9］基于Transformer模型對車輛特征進行提取，實現(xiàn)車輛的軌跡預(yù)測。高凱等人［10］通過使用基于多頭注意力的CNN－LSTM模型，提取車輛的橫向位置信息和周圍環(huán)境信息輸入到模型中。Liu等人［11］將車輛不同方向進行區(qū)域劃分，根據(jù)各區(qū)域的軌跡概率進行軌跡預(yù)測。

在輸入數(shù)據(jù)量較大時，神經(jīng)網(wǎng)絡(luò)模型會很難捕捉序列中長期的相互依賴性，產(chǎn)生梯度爆炸或梯度消失而影響模型的預(yù)測準確率。Informer模型通過使用稀疏注意力機制來解決存在的梯度問題，使其在長時間序列預(yù)測中具有很大的優(yōu)勢，實現(xiàn)算法上的優(yōu)化創(chuàng)新。本文在Informer模型［12］的基礎(chǔ)上，添加了一個聯(lián)合歸一化層，對每輛車的信息進行特征提取，實現(xiàn)車輛的運動軌跡預(yù)測。首先將目標車輛的相關(guān)信息構(gòu)建成狀態(tài)向量作為輸入，并構(gòu)建基于稀疏注意力機制的編碼器和解碼器，編碼器將接收到的車輛矢量信息進行編碼，將上下文向量輸入到聯(lián)合歸一化層進行數(shù)據(jù)的特征提取并輸入到解碼器中，由解碼器對信息進行解碼得到未來的車輛運動軌跡，最后進行預(yù)測準確度對比。

1 數(shù)據(jù)預(yù)處理

本文所用的數(shù)據(jù)集為NGSIM數(shù)據(jù)集，由于數(shù)據(jù)在采集過程中存在一定的錯誤數(shù)據(jù)，需要對數(shù)據(jù)進行去噪處理。本文選用了對稱指數(shù)移動平均法（sEMA）［13］對軌跡數(shù)據(jù)進行了平滑處理，sEMA方法使用加權(quán)平均值法防止數(shù)據(jù)失真，其權(quán)重隨著距離平滑窗口中心的距離增加而減小。圖1、2分別為車輛速度與加速度經(jīng)過去噪處理前后的數(shù)據(jù)對比圖與概率密度分布圖。

數(shù)據(jù)的去噪處理主要是將原始數(shù)據(jù)中的缺失數(shù)據(jù)、異常數(shù)據(jù)、重復(fù)數(shù)據(jù)、冗余數(shù)據(jù)以及不平衡數(shù)據(jù)等數(shù)據(jù)進行剔除或修復(fù)，使車輛運動數(shù)據(jù)更接近真實的車輛行駛狀態(tài)，減少模型訓練產(chǎn)生的誤差，提高模型的預(yù)測精確度。

2 軌跡預(yù)測模型建立

由于LSTM以及RNN模型的訓練長度會隨著序列的增加而增加，對于過長的時間序列模型的預(yù)測時間會顯著增加，預(yù)測精確度也會有所下降。本文根據(jù)Informer模型并對原有的算法進行了優(yōu)化，實現(xiàn)對車輛的軌跡預(yù)測。模型預(yù)測流程如圖3所示，模型包含數(shù)據(jù)編碼、特征提取與解碼器輸出三個部分。

2.1 Informer模型介紹

Informer模型沿用了Transformer模型中的編譯器－解釋器架構(gòu)，并在此基礎(chǔ)上進行了結(jié)構(gòu)優(yōu)化，降低了算法的計算時間復(fù)雜度，并對解釋器的輸出形式進行了優(yōu)化。后面將對兩種優(yōu)化方法進行詳細介紹。

2.1.1 稀疏自注意力機制

為了解決Transformer模型中計算時間復(fù)雜度與內(nèi)存占用過高的問題，Informer模型提出了一種稀疏的自注意力機制。在實際的算法運行過程中，只有少數(shù)的點積對在主要的注意力函數(shù)中存在貢獻，其他的點積對可以減少相應(yīng)的判斷權(quán)重。對于如何識別出可忽略的權(quán)重，算法使用了KL散度公式，將第i個查詢向量 Q 的注意力權(quán)重看作一個概率分布p（kj|qi），當一些值對注意力權(quán)重產(chǎn)生顯著的影響時就會使p偏離均勻分布，當這些值對注意力的權(quán)重接近于均勻分布時，這些值就成了冗余值。式（1）（2）為權(quán)重的概率分布計算。

如果第i個 Q 的M（qi，K）取值較大，就表明它的注意力權(quán)重更加多樣化，可能會包含點積對中影響力較高的一部分。因此對于所有的 Q 來說，可以選取M（qi，K）排名最靠前的若干個 Q 作為softmax函數(shù)的輸入矩陣，選取的個數(shù)u=c ln L Q ，L Q 表示 Q 矩陣的時間步長，c是一個常數(shù)采樣因子。那么稀疏注意力機制的運算過程就可以表示為

Informer模型改進了Transformer中step－by－step的解碼方式，它的解釋器由一個帶掩碼的稀疏注意力模型和一個多頭注意力模型組成，解釋器的輸入由兩部分組成：第一部分輸入為編譯器的輸出，包含數(shù)據(jù)的K值與V值；第二部分輸入是由上一個解釋器的輸出用0遮擋后得到的向量。在解碼器進行輸入時，Informer模型并沒有設(shè)置一個特定的開始標記，而是根據(jù)預(yù)測序列的長度選擇多個時間步長來生成解碼器的目標函數(shù)，這樣就舍棄了解碼器的動態(tài)解碼過程而采用一次前向過程即可解碼得到整個輸出序列。流程如圖4所示。

2.2 軌跡數(shù)據(jù)特征提取

不同ID車輛的數(shù)據(jù)可能存在重復(fù)的時間序列，這將影響車輛運動行為預(yù)測。為了解決這個問題，本文進行了歸一化處理：將數(shù)據(jù)的輸入層數(shù)轉(zhuǎn)換為單獨的運動提取單元，運動提取單元包含1個詞嵌入層、1個歸一化算法層、1個白化層、2個卷積層和1個池化層。白化層與歸一化算法層可以將數(shù)據(jù)統(tǒng)一到一個規(guī)定的均值和標準差，之后通過兩個卷積層與一個池化層對數(shù)據(jù)進行特征提取，減少了不同車輛數(shù)據(jù)之間的冗余性，提高了網(wǎng)絡(luò)的訓練效率。

為了進行量化分析，需要對車輛的運動特征進行劃分，分為車輛本身的運動數(shù)據(jù)與車輛和周圍環(huán)境之間產(chǎn)生交互的運動數(shù)據(jù)，兩部分特征進行融合實現(xiàn)算法輸入。

其中：x（t）、y（t）表示t時刻目標車輛在路段參考系中的橫縱坐標；a（t）x、a（t）y表示t時刻目標車輛的橫向加速度與縱向加速度；v（t）表示目標車輛的運動速度；θ（t）表示目標車輛的轉(zhuǎn)向角；α（t）表示目標車輛與周圍車輛的車頭間距；β（t）表示目標車輛與周圍車輛的車頭時距；L（t）表示目標車輛所在的車道ID，如果目標車輛的車道ID數(shù)加1則車輛進行了右換道操作，如果目標車輛ID數(shù)減1則車輛進行了左換道操作。

根據(jù)式（5）得到的每輛車在t時刻的狀態(tài)s（t），按照時間排序排列每輛車在每個時刻對應(yīng)狀態(tài)的描述，可以構(gòu)成每輛車的時間序列信息H，即

Informer模型的編碼器可以對車輛的運動特征進行學習，對每一個瞬間Informer網(wǎng)絡(luò)會讀取最新的長度為th的歷史軌跡片段，將每輛車的歷史信息編碼成一個固定長度的上下文向量，這個向量反映了編碼器對車輛歷史軌跡的記錄。

在每一時刻t，輸入量H經(jīng)過嵌入層編碼轉(zhuǎn)換成特征向量，與位置編碼連接使軌跡預(yù)測模型理解序列的順序。之后通過稀疏自注意力層計算注意力分布，并通過相加和歸一化得到上下文向量 I t。

2.3 未來軌跡輸出方法

由于車輛的運行規(guī)律并不固定，所以使用Informer解碼器輸出的車輛位置的概率分布的參數(shù)，并不會判斷駕駛員的駕駛意圖，只會輸出車輛的運動位置。本文使用了一個駕駛意圖模塊獲得車輛的駕駛意圖。在車輛行駛過程中考慮了向左換道、直行和向右換道三種駕駛意圖，定義車輛是否進行換道的主要參數(shù)包括車輛的車道ID、轉(zhuǎn)向角、車輛的橫向加速度等。

本文使用的Informer的解碼器生成未來時刻的車輛軌跡分布，通過預(yù)測上述三種駕駛意圖中的每一個分布概率來描述車輛行駛的多模態(tài)性。解碼器包括1個全連接層與1個softmax層，將聯(lián)合上下文向量的 I t作為輸入，最終輸出車輛的運動位置坐標。softmax輸出的駕駛意圖概率矩陣為 M ={ω1，ω2，ω3}，其中ω1～ω3分別表示車輛向左換道、直行與向右換道三種概率P（mi| I t）。 M 中只有一個是為1，其余值都為0。特征提取后的車輛數(shù)據(jù)經(jīng)過稀疏注意力計算后得到一個注意力矩陣，之后通過一個embedding投影將離散的上下文向量拼接成一個完整的上下文向量，作為解碼器的輸入。每個解碼器包括三個子層：

a）蒙版稀疏自注意力層，這一層的數(shù)據(jù)在時刻t時，大于時刻t的沒有結(jié)果，小于時刻t的有結(jié)果，即只關(guān)注前文信息，并且會將矩陣的查詢向量按影響力進行排序，減少計算時間。

b）多頭自注意力層，用于接收包含鍵向量和值向量的上下文向量，向量的值來自上一時刻的解碼器輸出。

c）一個全連接層，預(yù)防梯度消失。增加軌跡預(yù)測模型性能并計算迭代損失。

解碼器最后會輸出一個實數(shù)向量，包括車輛的運動坐標以及車輛的自身運動信息，最后通過一個線性變換層將浮點數(shù)變成概率索引，softmax層最終輸出軌跡分布概率P（O|I）。計算公式如下：

通過訓練可以確定二元高斯分布的參數(shù)，并與P（O|I）結(jié)合便可判斷車輛是否進行了換道操作并對車輛的運動軌跡進行預(yù)測。

3 實例分析

3.1 數(shù)據(jù)介紹

NGSIM數(shù)據(jù)集包括US－101路段長約640 m的高速公路路段，數(shù)據(jù)集一共包括8個車道，主車道為1～5車道，包含數(shù)據(jù)量約300萬條，車輛數(shù)約為5 000輛，主要包含了車輛的速度、加速度、橫縱坐標、車頭時距、車頭間距等車輛運動信息。NGSIM數(shù)據(jù)集在車輛軌跡預(yù)測、跟馳模型中有著廣泛應(yīng)用，經(jīng)過濾波處理后的數(shù)據(jù)應(yīng)用到的主要參數(shù)如表1所示。

3.2 Informer模型網(wǎng)絡(luò)初始化

Informer模型網(wǎng)絡(luò)的初始化主要包括模型的輸入輸出維度、數(shù)據(jù)重采樣的時間單位、輸入輸出序列長度等內(nèi)容。

實驗設(shè)置的編碼器輸入包含32個樣本，每個樣本中包含100個幀數(shù)的數(shù)據(jù)，數(shù)據(jù)維度12個；解碼器的輸入包括12個維度的數(shù)據(jù)，樣本的時間數(shù)據(jù)100個，其中前50個數(shù)據(jù)從編碼器時間點的后半段進行截取，之后50個數(shù)據(jù)將作為預(yù)測數(shù)據(jù)進行輸出。最終的預(yù)測維度為1個，表示車輛橫向位移數(shù)據(jù)。一維卷積核大小為1×3，embedding層中的投影維度設(shè)置為512，將維度為12的時間數(shù)據(jù)投影成512維的數(shù)組矩陣；稀疏注意力層采用了8個注意力頭并堆疊了16個注意力層。稀疏注意力層將篩選25個Q值作為活躍值。

前饋神經(jīng)網(wǎng)絡(luò)層的維度為2 048，設(shè)定的學習率為0.000 1，越小的學習率對于權(quán)重的更新頻率影響越小。設(shè)置dropout比率為0.1。

3.3 軌跡預(yù)測模型實驗結(jié)果分析

實驗從三類數(shù)據(jù)集中各選取了大約10 000條數(shù)據(jù)作為模型所用的數(shù)據(jù)集，將其中80%用作訓練集，10%用作測試集，另外10%用作驗證集。通過給定前100個歷史軌跡點的上下文信息作為輸入，對未來50個目標軌跡點進行預(yù)測。對車輛的運動軌跡預(yù)測完成之后，使用二元高斯分布輸出三類結(jié)果的概率。

通過使用基于Informer模型的軌跡預(yù)測模型進行訓練，訓練損失值如圖5所示。模型經(jīng)過6個epoch訓練輪數(shù)分別在迭代次數(shù)100與200輪次進行了測試，由圖可知，在模型迭代次數(shù)設(shè)置為100時，模型已經(jīng)具有了很好的收斂性。

在橫向位移軌跡預(yù)測中，模型定義了未來50幀的車輛軌跡數(shù)據(jù)與原始數(shù)據(jù)進行對比分析。圖6分別為326號車輛的向左換道過程與563號車輛的向右換道過程，由圖可知，軌跡預(yù)測模型的橫向軌跡預(yù)測輸出與實際數(shù)據(jù)的誤差可以保持在0.5 m之內(nèi)。圖6（a）的預(yù)測軌跡相較于圖6（b）更加貼合原始軌跡數(shù)據(jù)，因此當實際軌跡數(shù)據(jù)更加平滑時，預(yù)測的精確度會更高。

為了驗證模型中的聯(lián)合歸一化層特征提取模塊是否對軌道預(yù)測起到作用，本文將特征提取模塊去除后，進行了駕駛軌跡預(yù)測分析并進行了橫向軌跡驗證，選用了716號車與4號車的軌跡數(shù)據(jù)進行測試，結(jié)果如圖7所示。由圖可知，去掉聯(lián)合歸一化層之后的軌跡預(yù)測精度明顯下降，誤差基本在0.5 m以上，其主要原因是沒有將不同車輛的特征值進行模糊處理，所以每輛車的預(yù)測結(jié)果都會產(chǎn)生較大的差距。

在直行軌跡預(yù)測情況下，聯(lián)合歸一化層的處理會更加重要。圖8為進行歸一化處理前后的軌跡預(yù)測模型對比，使用了528號車輛的直行軌跡，在105幀左右車輛存在一個向左的移動但沒有產(chǎn)生換道行為，原始的數(shù)據(jù)模型將其預(yù)測為向左換道行為，加入歸一化處理之后模型將軌跡預(yù)測為直行。因此，聯(lián)合歸一化對于車輛換道行為的識別預(yù)測具有較好的修正作用。

3.4 模型的軌跡預(yù)測性能對比

為了驗證模型預(yù)測的實際性能，本文與其他軌跡預(yù)測模型進行對比，驗證Informer 軌跡預(yù)測模型的預(yù)測精準度。本文使用均方誤差（MSE）和平均絕對誤差（MAE）對各種軌跡預(yù)測模型進行性能評價，主要使用了以下軌跡模型進行對比分析：傳統(tǒng)CTRA模型、CNN－LSTM模型、C－LSTM模型、SVM+BF算法。其中，CTRA運動模型以卡爾曼濾波為原理，根據(jù)車輛恒定轉(zhuǎn)向角和加速度對車輛的運動軌跡進行預(yù)測；CNN－LSTM模型通過使用多頭注意力機制提高輸入序列的特征提取能力；C－LSTM預(yù)測模型通過構(gòu)建兩個疊加的LSTM單元對數(shù)據(jù)集進行訓練并進行軌跡預(yù)測；SVM+BF算法將支持向量機與貝葉斯模型相結(jié)合，通過訓練得到狀態(tài)轉(zhuǎn)移矩陣輸出換道意圖預(yù)測。

軌跡預(yù)測模型位移軌跡預(yù)測結(jié)果對比如表2和3所示，其中，一幀時間為0.1 s。

圖9中可以發(fā)現(xiàn)，Informer預(yù)測模型對于長時間序列的軌跡預(yù)測經(jīng)過embedding層和數(shù)據(jù)蒸餾處理，損耗沒有下降，因此擁有更高的預(yù)測準確率。其中，CTRA運動模型的MAE值和MSE值比其他軌跡預(yù)測模型都大，并且隨著預(yù)測時間步長的增加，軌跡預(yù)測效果明顯下降。這是因為該模型沒有考慮周圍車輛情況，而其他模型都加入了環(huán)境車輛信息，所以，車輛間的相互作用是車輛軌跡預(yù)測模型構(gòu)建需要考慮的因素之一。C－LSTM、CNN－LSTM和SVM+BF模型的誤差值也比Informer軌跡預(yù)測模型大，說明Informer模型能更好地提取車輛歷史數(shù)據(jù)的特征，對未來長時間的軌跡預(yù)測性能更好。SVM+BF模型相對于其他深度學習模型的預(yù)測結(jié)果仍有差距，表明支持向量機模型相對于深度學習模型仍有差距，長短時記憶網(wǎng)絡(luò)與注意力機制模型的預(yù)測精度更高，可能是支持向量機模型對于歷史數(shù)據(jù)的理解不夠全面。在前3 s左右，基于Informer的軌跡預(yù)測模型的預(yù)測值與實際值的MSE相比于其他模型降低的幅度不大，但在預(yù)測步長的3 s以后，模型的預(yù)測性能明顯高于其他的軌跡預(yù)測模型。因此，基于注意力機制的Informer軌跡預(yù)測模型對長序列歷史軌跡信息有良好的并行處理能力和良好的軌跡預(yù)測能力。

4 結(jié)束語

對于進行車輛運行軌跡預(yù)測方面，需要考慮的核心問題是進行時間序列預(yù)測，本文通過選用Informer模型對運行車輛進行時間序列預(yù)測，采用聯(lián)合歸一化層對車輛的編號特征進行提取，以減少不同車輛之間的影響；算法方面應(yīng)用了稀疏注意力矩陣與embedding層提取最大值，以減少數(shù)據(jù)的計算時間復(fù)雜度；結(jié)果輸出將駕駛意圖識別與解碼器結(jié)合，根據(jù)軌跡數(shù)據(jù)得到車輛的換道情況。

通過使用NGSIM數(shù)據(jù)集對Informer模型進行了實驗驗證與結(jié)果分析，結(jié)果表示在橫向軌跡預(yù)測方面，模型的預(yù)測精度在0.5 m之內(nèi)，隨著預(yù)測時間步長的增加，模型的預(yù)測精確度與其他模型相比仍能保持在較高的準確率。實驗證明Informer模型在長時間序列模型預(yù)測中，特征提取與處理效率上優(yōu)于其他軌跡預(yù)測模型。未來將根據(jù)車輛的運動軌跡，進一步對車輛是否產(chǎn)生換道行為進行判斷與預(yù)測，并根據(jù)這些行為作出對應(yīng)的決策，完善車輛換道行為預(yù)測模型。

參考文獻：

［1］王靚喆.基于博弈論的智能網(wǎng)聯(lián)自動駕駛車輛換道行為研究［D］.吉林：吉林大學，2022. （Wang Liangzhe.Lane changing behavior of intelligent connected autonomous driving vehicles based on game theory［D］.Jilin：Jilin University，2022.）

［2］Robin S，Christian A，Marcus O，et al.Empirical evaluation of vehicular models for ego motion estimation［C］//Proc of IEEE Intelligent Vehicles Symposium.Piscataway，NJ：IEEE Press，2011：534－539.

［3］Firl J，Tran Q.Probabilistic maneuver prediction in traffic scenarios［C］//Proc of European Conference on Mobile Robots.2011：1－6.

［4］李文禮，韓迪，任勇鵬，等.基于交互車輛軌跡預(yù)測的自動駕駛車輛軌跡規(guī)劃［J］.計算機應(yīng)用研究，2023， 40 （2）：519－525，538. （Li Wenli，Han Di，Ren Yongpeng，et al.Trajectory planning of auto－nomous vehicle based on interactive vehicle trajectory prediction［J］. Application Research of Computers ，2023， 40 （2）：519－525，538.）

［5］Kumar P，Perrollaz M，Lefevre S，et al.Learning－based approach for online lane change intention prediction［C］//Proc of IEEE Intelligent Vehicles Symposium.Piscataway，NJ：IEEE Press，2013：797－802.

［6］陳明哲.基于LSTM的自動駕駛車道預(yù)測與決策方法研究［D］.西安：西京學院，2022. （Chen Mingzhe.Research on automatic dri－ving lane prediction and decision method based on LSTM algorithm［D］.Xi’an：Xijing University，2022.）

［7］吳曉建，危一華，王愛春，等.基于融合Dropout與注意力機制的LSTM－GRU車輛軌跡預(yù)測［J］.湖南大學學報：自然科學版，2023， 50 （4）：65－75. （Wu Xiaojian，Wei Yihua，Wang Aichun，et al.Vehicle trajectory prediction based on LSTM－GRU integrating Dropout and attention mechanism［J］. Journal of Hunan University：Natural Sciences ，2023， 50 （4）：65－75.）

［8］Xie Dongfan，F(xiàn)ang Zhezhe，Jia Bin，et al.A data－driven lane－changing model based on deep learning［J］. Transportation Research Part C：Emerging Technologies ，2019， 106 ：41－60.

［9］吳翊愷，胡啟洲，吳嘯宇.車聯(lián)網(wǎng)背景下的機動車輛軌跡預(yù)測模型［J］.東南大學學報：自然科學版，2022， 52 （6）：1199－1208. （Wu Yikai，Hu Qizhou，Wu Xiaoyu.Vehicle trajectory prediction model in the context of Internet of Vehicles［J］. Journal of Southeast University：Natural Science Edition ，2022， 52 （6）：1199－1208.）

［10］高凱，李勛豪，胡林，等.基于多頭注意力的CNN－LSTM的換道意圖預(yù)測［J］.機械工程學報，2022， 58 （22）：369－378. （Gao Kai，Li Xunhao，Hu Lin，et al.Lane change intention prediction of CNN－LSTM based on multi－h(huán)ead attention［J］. Journal of Mechanical Enginee－ring ，2022， 58 （22）：369－378.）

［11］Liu Yicheng，Zhang Jinghuai，F(xiàn)ang Liangji，et al.Multimodal motion prediction with stacked Transformers［C］//Proc of Computer Vision and Pattern Recognition.2021：7573－7582.

［12］Zhou Haoyi，Zhang Shanghang，Peng Jieqi，et al.Informer：beyond efficient transformer for long sequence time－series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence ，202 35 （12）：11106－11115.

［13］Thiemann C，Treiber M，Kesting A，et al.Estimating acceleration and lane－changing dynamics from next generation simulation trajectory data［J］. Transportation Research Record：Journal of the Transportation Research Board ，2008， 2088 （1）：90－101.

收稿日期：2023－08－21；修回日期：2023－10－20 基金項目：國家自然科學基金資助項目（72071003）；北京市教育委員會科研計劃項目（110052971921/023）

作者簡介：趙懂宇（1999—），男，河北定州人，碩士研究生，主要研究方向為智能交通控制、車輛運動軌跡預(yù)測；王志建（1982—），男，河北石家莊人，教授，碩導，博士，主要研究方向為智能交通、浮動車技術(shù)（wzjian0722@163.com）；宋程龍（2000—），男，陜西寶雞人，碩士研究生，主要研究方向為智能交通、浮動車技術(shù)．