2023年第1期(总第347期)黑龙江交通科技HEILONGJIANGJIAOTONGKEJINo．1，2023(SumNo．347)基于行驶轨迹的车辆换道行为预测方法研究周立宸，邓建华(苏州科技大学土木工程学院，江苏苏州215011)摘要:车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标:横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明:级联LSTM模型预测准确率可达93．6%，具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。关键词:行为特性;随机森林;神经网络;换道预测中图分类号:U492文献标识码:A文章编号:1008－3383(2023)01－0142－03ＲesearchonthePredictionMethodofVehicleLaneChangingBehaviorBasedonDrivingTrajectoryZHOULi-chen，DENGJian-hua(CollegeofCivilEngineering，SuzhouUniversityofScienceandTechnology，Suzhou，Jiangsu215011，China)Abstract:Vehiclelane－changingbehaviorisacommonbehaviorwhenmotorvehiclesaredrivingontheroad，andpredictingitcanef-fectivelyreducetrafficaccidents．BasedonthedataofNGSIMproject，thispaperanalyzesthebehaviorcharacteristicsoflane－chan-gingvehiclesatlane－changingtime，andusestherandomforestalgorithmtoscreenouttheparametersthatcharacterizelane－chan-gingbehavior，suchashorizontalandverticalspeed，acceleration，corner，headwayandrelativetimedistance．AcascadeLSTMmodelisproposedtopredictwhetherthevehicleswillchangelanesduringdriving，andcomparedwiththetraditionalsingle－layerLSTMmod-el．TheresultsshowthatthepredictionaccuracyofcascadeLSTMmodelcanreach93．6%，whichhasagoodlanechangepredictioneffectandishigherthanthatofsingle－layerLSTMmodel，andcanprovidesometheoreticalreferenceforautonomousdrivinganddeeplearning．Keywords:behaviorcharacteristics;randomforest;neuralnetwork;lanechangeprediction收稿日期:2022－05－10作者简介:周立宸(1996—)，男，江苏常州人，硕士，研究方向:交通规划、交通仿真与控制1引言近年来，我国城镇化的进程加快，城镇人口数量随之急速增...
