基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型

邱小平，劉亞龍，馬麗娜，楊達(dá)*,2

(1.西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，成都610031；2.綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，成都610031；3.綜合運(yùn)輸四川省重點(diǎn)實(shí)驗(yàn)室，成都610031)

基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型

邱小平1,2,3，劉亞龍1，馬麗娜1，楊達(dá)*1,2

(1.西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，成都610031；2.綜合交通運(yùn)輸智能化國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，成都610031；3.綜合運(yùn)輸四川省重點(diǎn)實(shí)驗(yàn)室，成都610031)

車(chē)輛換道行為是微觀交通流中最基本的駕駛行為之一，研究車(chē)輛換道行為可以提高車(chē)輛換道模型的仿真精度和減少由不合適的車(chē)輛換道行為引發(fā)的交通事故.當(dāng)前車(chē)輛換道模型大多是基于駕駛員的決策思維方式建立的決策模型，這類(lèi)模型的缺點(diǎn)是很難捕捉到駕駛員在決策過(guò)程中一些潛在決策模式和考慮的影響因素.鑒于此，本文引入了一種典型的人工智能方法——貝葉斯網(wǎng)絡(luò)，建立了一個(gè)全新的車(chē)輛換道模型，試圖通過(guò)機(jī)器學(xué)習(xí)的途徑來(lái)提高車(chē)輛換道模型的精度.采用了分段離散化的方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后使用處理后的數(shù)據(jù)對(duì)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行學(xué)習(xí)，并分別建立了與兩種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)應(yīng)的車(chē)輛換道模型，最后對(duì)建立的模型分別進(jìn)行驗(yàn)證.模型的驗(yàn)證結(jié)果表明，建立的基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型對(duì)換道行為的識(shí)別率可以達(dá)到88%以上.此模型還可進(jìn)一步應(yīng)用到駕駛員輔助系統(tǒng)的開(kāi)發(fā)中.

公路運(yùn)輸；貝葉斯網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)；車(chē)輛換道；特征離散

1 引言

車(chē)輛換道是實(shí)際中最為常見(jiàn)的駕駛行為之一，也是微觀交通流仿真軟件中的基本模塊之一.1985年，美國(guó)為了研究微觀交通流，利用航拍數(shù)據(jù)建立了車(chē)輛運(yùn)行的微觀信息數(shù)據(jù)庫(kù)，促進(jìn)了車(chē)輛換道模型的進(jìn)一步發(fā)展[1].當(dāng)前研究中，根據(jù)駕駛員追求獲益的動(dòng)機(jī)不同，可以將換道行為分為兩類(lèi)：強(qiáng)制性換道和自主性換道[2-5].駕駛員為完成其正常的行駛目的而不得不采取的換道行為，稱(chēng)為強(qiáng)制性換道；駕駛員為了獲得優(yōu)于當(dāng)前車(chē)道的行駛條件而進(jìn)行的變道行為，稱(chēng)為自主性換道[6]. YANG,Koutsopoulos[7]、智永鋒等[8]、王榮本等[9]、Hidas P[10]、Toledo T等[11]采用可接受間隙模型對(duì)換道模型進(jìn)行了研究，在換道車(chē)輛與目標(biāo)車(chē)道上前后車(chē)輛的車(chē)距被駕駛員所接受時(shí)，駕駛員才會(huì)考慮執(zhí)行換道.Meng Q,Weng J[12]、Kita等[13-14]建立了基于離散選擇模型的車(chē)輛換道模型，如二元Logit模型.

上述模型大多是基于駕駛員的思維方式建立的決策模型，此類(lèi)模型的缺點(diǎn)是很難精確捕捉到駕駛員在決策過(guò)程中一些潛在決策模式和考慮的影響因素.而本文引入了貝葉斯網(wǎng)絡(luò)，建立了一個(gè)全新的車(chē)輛換道模型，試圖通過(guò)機(jī)器學(xué)習(xí)的途徑來(lái)提高車(chē)輛換道模型的預(yù)測(cè)精度.傳統(tǒng)的方法只考慮了一些顯性因素，而機(jī)器學(xué)習(xí)的優(yōu)點(diǎn)就在于它能夠捕捉到人類(lèi)察覺(jué)不到的隱性因素，因此，本文提出的模型克服了上述傳統(tǒng)換道模型的缺點(diǎn).首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并將處理后的數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)兩部分，采用兩種方法確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)；然后進(jìn)行參數(shù)學(xué)習(xí)；最后利用測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，將兩種方法所建立的基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型的測(cè)試結(jié)果進(jìn)行對(duì)比，驗(yàn)證了新建的車(chē)輛換道模型的有效性.

2 貝葉斯網(wǎng)絡(luò)簡(jiǎn)介

貝葉斯網(wǎng)絡(luò)是目前不確定知識(shí)表達(dá)和推理領(lǐng)域最有效的理論模型之一，而樸素貝葉斯分類(lèi)器是最為經(jīng)典的貝葉斯網(wǎng)絡(luò)，樸素貝葉斯分類(lèi)的大致思想如下所述[15]：

(1)將每個(gè)樣本用一個(gè)m維特征向量Y={Y1,Y2,...,Ym}表示，分別描述此樣本m個(gè)特征屬性X1,X2,...,Xm的度量.

(2)假定有n個(gè)類(lèi)A1,A2,...,An，現(xiàn)有一所屬分類(lèi)未知的樣本Y，分類(lèi)器將對(duì)Y所屬的具有最高后驗(yàn)概率的類(lèi)進(jìn)行預(yù)測(cè)，也就是樸素貝葉斯算法把所屬分類(lèi)未知的樣本Y分配給Ai(i∈[1,n])，當(dāng)且僅當(dāng)P(Ai|Y)＞P(Aj|Y)，對(duì)任意的j=1,2,...,n，j!=i.其中，P(Ai|Y)稱(chēng)為最大后驗(yàn)概率，由貝葉斯定理知，最大后驗(yàn)概率按式(1)計(jì)算：

(3)P(Y)為樣本Y的先驗(yàn)概率.對(duì)每一類(lèi)，均視P(Y)為常數(shù)，那么只需P(Y|Ai)P(Ai)達(dá)到最大即可.通常假定全部類(lèi)是具有相同概率的，即P(A1)=P(A2)=...=P(An)，因此，求最大后驗(yàn)概率的問(wèn)題就被簡(jiǎn)化為對(duì)P(Y|Ai)的最大化，通常稱(chēng)P(Y|Ai)為給定Ai時(shí)樣本Y的似然度.否則，需要對(duì)P (Y|Ai)P(Ai)最大化，此時(shí)，類(lèi)Ai的先驗(yàn)概率計(jì)算式如式(2)：

式中si是屬于類(lèi)Ai的訓(xùn)練樣本數(shù)；s是訓(xùn)練樣本總數(shù).

(4)對(duì)具有較多屬性的歷史數(shù)據(jù)集，計(jì)算P(Y|Ai)所需的時(shí)間將會(huì)非常長(zhǎng).為縮短計(jì)算P(Y|Ai)的時(shí)間，假定類(lèi)之間條件獨(dú)立，則Y的似然度P(Y|Ai)按式(3)計(jì)算：

(5)判定所屬類(lèi)未知的樣本Y的分類(lèi).對(duì)每個(gè)類(lèi)Ai，先分別計(jì)算似然度P(Y|Ai)，先驗(yàn)概率P(Ai)所對(duì)應(yīng)的值，然后根據(jù)貝葉斯公式計(jì)算得：在Y的條件下每個(gè)類(lèi)的后驗(yàn)概率P(Ai|Y)，i=1,2,...,n.由下式

可知Y∈Ak.

3 數(shù)據(jù)介紹

本文所用到的數(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而發(fā)起的NGSIM（Next Generation Simulation）研究計(jì)劃所獲得數(shù)據(jù)，此數(shù)據(jù)是利用航測(cè)的方法采集指定地點(diǎn)的換道車(chē)輛動(dòng)態(tài)行駛軌跡數(shù)據(jù)集.這套數(shù)據(jù)可以反映多個(gè)車(chē)道中車(chē)輛的速度、行駛位置、車(chē)身長(zhǎng)度，以及加速度等信息，時(shí)間可以精確到0.1 s，是對(duì)換道模型的參數(shù)標(biāo)定、行為分析等方面研究所通用的理想數(shù)據(jù).雖然這個(gè)項(xiàng)目是由美國(guó)高速公路管理局采集的，但車(chē)輛換道特性在總體上具有一般性，受?chē)?guó)籍和區(qū)域影響較小，并且是在一般環(huán)境下采集到的交通參數(shù)數(shù)據(jù)，因此這套數(shù)據(jù)備受學(xué)者關(guān)注，也被很多國(guó)家的研究人員用來(lái)進(jìn)行換道理論的研究.

本文研究的車(chē)輛換道行為是在一般環(huán)境中的表現(xiàn)，在模型訓(xùn)練與模型測(cè)試過(guò)程中都將采用上述數(shù)據(jù)源.本文旨在研究車(chē)輛換道現(xiàn)象，而NGSIM換道數(shù)據(jù)主要反映多車(chē)道車(chē)輛行駛狀況，因此，此數(shù)據(jù)源非常適合用來(lái)進(jìn)行車(chē)輛換道行為的研究.

通過(guò)對(duì)NIGSIM數(shù)據(jù)的甄選，獲得了971組觀測(cè)數(shù)據(jù)，其中包括501次不換道事件，470次換道事件.采用上述離散化處理的方法將連續(xù)型特征變量轉(zhuǎn)換成離散型特征變量，并且將其中70%用于網(wǎng)絡(luò)的訓(xùn)練，30%用于網(wǎng)絡(luò)的測(cè)試，即觀測(cè)數(shù)據(jù)被進(jìn)一步劃分為兩部分：訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù).

4 基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型

建立貝葉斯網(wǎng)絡(luò)模型之前，需要構(gòu)建貝葉斯網(wǎng)絡(luò)，其構(gòu)建的內(nèi)容包括以下三部分：①變量選取；②結(jié)構(gòu)學(xué)習(xí)；③參數(shù)學(xué)習(xí).本文采用兩種方法來(lái)獲得貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)：①專(zhuān)家知識(shí)和數(shù)據(jù)融合相結(jié)合的方法；②直接采用樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu).

4.1 變量選取及離散化處理

影響駕駛員換道行為的因素有很多，本文首先通過(guò)對(duì)前面研究[7-10]中影響車(chē)輛換道行為的因素進(jìn)行分析，然后結(jié)合換道環(huán)境，如圖1所示，最終選用11個(gè)影響因素，這些因素將作為模型的輸入變量，定義如下：

Vm——換道車(chē)輛的行駛速度；

ΔVf——換道車(chē)輛的前方車(chē)輛與換道車(chē)輛的速度差，即

式中Vf為換道車(chē)輛的前方車(chē)輛的行駛速度；

ΔVlf——換道車(chē)輛左側(cè)車(chē)道前方車(chē)輛與換道車(chē)輛的速度差，即

式中Vlf為換道車(chē)輛左側(cè)車(chē)道前方車(chē)輛的行駛速度；

ΔVlb——換道車(chē)輛左側(cè)車(chē)道后方車(chē)輛與換道車(chē)輛的速度差，即

式中Vlb為換道車(chē)輛左側(cè)車(chē)道后方車(chē)輛的行駛速度；

ΔVrf——換道車(chē)輛右側(cè)車(chē)道前方車(chē)輛與換道車(chē)輛的速度差，即

式中Vrf為換道車(chē)輛右側(cè)車(chē)道前方車(chē)輛的行駛速度；

ΔVrb——換道車(chē)輛右側(cè)車(chē)道后方車(chē)輛與換道車(chē)輛的速度差，即

式中Vrb為換道車(chē)輛右側(cè)車(chē)道后方車(chē)輛的行駛速度；

Gf——換道車(chē)輛的前方車(chē)輛與換道車(chē)輛的距離；

Glf——換道車(chē)輛左側(cè)車(chē)道前方車(chē)輛與換道車(chē)輛的距離；

Glb——換道車(chē)輛左側(cè)車(chē)道后方車(chē)輛與換道車(chē)輛的距離；

Grf——換道車(chē)輛右側(cè)車(chē)道前方車(chē)輛與換道車(chē)輛的距離；

Grb——換道車(chē)輛右側(cè)車(chē)道后方車(chē)輛與換道車(chē)輛的距離.

圖1 換道場(chǎng)景示意圖Fig.1 Schematic diagram of lane changing environment

由于采集到的微觀交通數(shù)據(jù)是連續(xù)的數(shù)值，而且特征變量的值域和單位均不相同，因此，在進(jìn)行貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)之前需對(duì)數(shù)據(jù)進(jìn)行離散化預(yù)處理.對(duì)影響車(chē)輛換道行為的11個(gè)變量的狀態(tài)空間進(jìn)行劃分，經(jīng)過(guò)多次嘗試，獲得最優(yōu)劃分情況如下

Vm:[0,9),[9,18),[18,27),[27,36),[27,36),[36,45), [45,54),[54,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7}

ΔVf:(∞-,-30),[-30,-20),[-20,-10),[-10,0), [0,10),[10,+∞)分別對(duì)應(yīng){1,2,3,4,5,6}

ΔVlf:(∞-,-20),[-20,-10),[-10,0),[0,10), [10,20),[20,+∞)分別對(duì)應(yīng){1,2,3,4,5,6}

ΔVlb:(∞-,-20),[-20,-10),[-10,0),[0,10), [10,20),[20,+∞)分別對(duì)應(yīng){1,2,3,4,5,6}

ΔVrf:(∞-,-20),[-20,-10),[-10,0),[0,10), [10,20),[20,+∞)分別對(duì)應(yīng){1,2,3,4,5,6}

ΔVrb:(∞-,-20),[-20,-10),[-10,0),[0,10), [10,20),[20,+∞)分別對(duì)應(yīng){1,2,3,4,5,6}

Gf:(∞-,10),[10,20),[20,30),[30,40),[40,50), [50,60),[60,70),[70,80),[80,90),[90,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7,8,9,10}

Glf:[0,10),[10,20),[20,30),[30,40),[40,50), [50,60),[60,70),[70,80),[80,90),[90,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7,8,9,10}

Glb:[0,10),[10,20),[20,30),[30,40),[40,50), [50,60),[60,70),[70,80),[80,90),[90,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7,8,9,10}

Grf:[0,10),[10,20),[20,30),[30,40),[40,50), [50,60),[60,70),[70,80),[80,90),[90,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7,8,9,10}

Grb:[0,10),[10,20),[20,30),[30,40),[40,50), [50,60),[60,70),[70,80),[80,90),[90,+∞)分別對(duì)應(yīng){1,2,3,4,5,6,7,8,9,10}

離散化處理后的部分訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)如下表1和表2所示.

表1 部分訓(xùn)練數(shù)據(jù)Table 1Part of train-data

表2 部分測(cè)試數(shù)據(jù)Table 2Part of test-data

4.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

訓(xùn)練數(shù)據(jù)共有680組，其中329組換道數(shù)據(jù)和351組不換道事件數(shù)據(jù).利用訓(xùn)練數(shù)據(jù)，采用構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的第一種方法，進(jìn)行網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)，其基本思想是：以樣本數(shù)據(jù)為基礎(chǔ)，利用專(zhuān)家知識(shí)確定節(jié)點(diǎn)全序，應(yīng)用K2算法[16]和Matlab的BNT工具箱進(jìn)行貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)，學(xué)習(xí)結(jié)果（結(jié)構(gòu)1）如圖2（a）所示.樸素貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)（結(jié)構(gòu)2）示意圖如圖2（b）所示.

圖2 貝葉斯網(wǎng)絡(luò)示意圖Fig.2 Schematic diagram of Bayesian network

4.3 貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)

利用貝葉斯參數(shù)學(xué)習(xí)的方法和Matlab中的BNT工具箱對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行參數(shù)學(xué)習(xí)，各節(jié)點(diǎn)的先驗(yàn)分布取作Dirichlet分布，即分別計(jì)算兩種網(wǎng)絡(luò)結(jié)構(gòu)的各個(gè)節(jié)點(diǎn)的似然度和先驗(yàn)概率，兩種網(wǎng)絡(luò)結(jié)構(gòu)部分節(jié)點(diǎn)的似然度計(jì)算結(jié)果分別如表3和表4所示.

表3 節(jié)點(diǎn)A對(duì)節(jié)點(diǎn)Gf的似然度（結(jié)構(gòu)1）Table 3Likelihood ofAtoGf(Structure 1)

表4 節(jié)點(diǎn)A對(duì)節(jié)點(diǎn)Vm的似然度（結(jié)構(gòu)2）Table 4Likelihood ofAtoVm(Structure 2)

4.4 模型建立

本文將換道行為A的“不發(fā)生”和“發(fā)生”分別用“1”和“2”表示.記Y為換道行為的特征屬性向量，其分類(lèi)類(lèi)別為A，訓(xùn)練數(shù)據(jù)集{Y,A}的樣本容量為M，基于貝葉斯網(wǎng)絡(luò)建立車(chē)輛換道模型的步驟如下[15]：

步驟1學(xué)習(xí)訓(xùn)練數(shù)據(jù)集的車(chē)輛換道知識(shí).

定義指示函數(shù)

則按式(3)，計(jì)算在換道行為發(fā)生或不發(fā)生的條件下特征屬性值yk的概率分別為

根據(jù)式(2)，車(chē)輛換道行為發(fā)生的概率為

步驟2計(jì)算在給定條件下?lián)Q道行為發(fā)生的后驗(yàn)概率.按式(1)計(jì)算對(duì)新給定的一組測(cè)試數(shù)據(jù)Y={y1,y2,...,ym}，在換道特征屬性Y下?lián)Q道行為發(fā)生的后驗(yàn)概率為

基于特征屬性之間彼此相互獨(dú)立的樸素假設(shè)，根據(jù)式(3)，計(jì)算特征屬性向量Y的概率為

同理，換道行為發(fā)生的似然度為

將式(13)、(15)和(16)代入式(14)，計(jì)算在Y下?lián)Q道行為發(fā)生的后驗(yàn)概率為P(A=2|Y)

步驟3判斷在給定條件下車(chē)輛換道行為是否發(fā)生.若在Y下?lián)Q道行為發(fā)生的后驗(yàn)概率大于換道行為不發(fā)生的后驗(yàn)概率，則判定車(chē)輛換道行為發(fā)生.換道行為判斷的概念模型為

根據(jù)前面所得到的兩種貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)過(guò)上述三個(gè)步驟，就建立了基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型，此模型示意圖如圖3所示.

圖3 基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型示意圖Fig.3 Schematic diagram of lane change model based on Bayesian networks

5 模型驗(yàn)證

測(cè)試數(shù)據(jù)共有291組，其中141組換道數(shù)據(jù)和150組不換道數(shù)據(jù).利用訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)中車(chē)輛的換道事件進(jìn)行識(shí)別.將模型識(shí)別結(jié)果與實(shí)際換道事件進(jìn)行對(duì)比，進(jìn)而得出模型的識(shí)別率，模型的識(shí)別率反映了模型的精度，如表5所示.

表5 基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型驗(yàn)證結(jié)果Table 5The evaluation results of the lane change model based on Bayesian networks

如表5模型驗(yàn)證結(jié)果所示，與基于結(jié)構(gòu)1（學(xué)習(xí)數(shù)據(jù)所得結(jié)構(gòu)）的車(chē)輛換道模型相比，基于結(jié)構(gòu)2（樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)）的車(chē)輛換道模型對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)中換道行為的識(shí)別率分別提高了6.4%、25.4%，達(dá)到了91.8%和88.7%，表明該模型用于在高速公路上的車(chē)輛換道行為時(shí)可以獲得較高的精度.

6 研究結(jié)論

本文首先對(duì)影響車(chē)輛換道行為的因素進(jìn)行分析，建立基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型，并利用分段離散化后的NGSIM車(chē)輛軌跡數(shù)據(jù)對(duì)此模型進(jìn)行訓(xùn)練與測(cè)試.此模型主要針對(duì)車(chē)輛換道行為的預(yù)測(cè)，測(cè)試結(jié)果顯示：對(duì)于換道行為的識(shí)別率，基于樸素貝葉斯網(wǎng)絡(luò)（結(jié)構(gòu)2）的車(chē)輛換道模型比基于結(jié)構(gòu)1所建立的換道模型提高了25.4%，達(dá)到了88.7%.表明將本文所提出的基于貝葉斯網(wǎng)絡(luò)的車(chē)輛換道模型用于識(shí)別車(chē)輛的換道行為是可行的，并且獲得了較好的效果.將來(lái)，在微觀交通仿真和駕駛員輔助系統(tǒng)開(kāi)發(fā)的領(lǐng)域，換道模型的研究是非常重要的一部分，換道預(yù)警系統(tǒng)是駕駛員輔助系統(tǒng)的重要組成部分，車(chē)輛在高速公路上進(jìn)行換道時(shí)，此系統(tǒng)能為駕駛員提供指示信息，輔助駕駛員做出換道決策，提高了車(chē)輛和駕駛員的安全性.在今后的研究中，將會(huì)考慮把影響駕駛員的因素加入到此模型中，并利用其他的數(shù)據(jù)集對(duì)其進(jìn)行驗(yàn)證，還會(huì)利用其他模式識(shí)別的方法建立換道模型，來(lái)對(duì)模型的精度做進(jìn)一步的提高.

[1]龍小強(qiáng),譚云龍.微觀仿真自主性車(chē)道變換模型[J].公路交通科技,2012,29(11):115-119.[LONG X Q, TAN Y L.Discretionary lane changing model in microscopic simulation[J].Journal of Highway and Transportation Research and Development.2012,29 (11):115-119.]

[2]Ahmed KI.Modeling drivers’acceleration and lane changingbehavior[D].MassachusettsInstituteof Technology,1999.

[3]Zhang Y,Owen L E,Clark J E.A Multi-regime approachformicroscopictrafficsimulation[C]. Transportation Research Board 77th Annual Meeting. Washington,D.C:Transportation Research Board, 1998:103-115.

[4]WeiH,LeeJ.Observation-basedlane-vehicleassignment hierarchy for microscopic simulation on an urbanstreetnetwork[C].TransportationResearch Board 79th Annual Meeting.Washington,D.C: Transportation Research Board,2000:96-103.

[5]Tomer T.Integrateddrivingbehaviormodeling[D]. Cambridge,MA:Massachusetts Institute of Technology, 2003:18-43.

[6]徐英俊.城市微觀交通仿真車(chē)道變換模型研究[D].吉林大學(xué),2005.[XU Y J.Study on lane-changing model inurbanmicroscopictrafficsimulation[D].Jilin University,2005.]

[7]Yang Q,Koutsopoulos H N.A microscopic traffic simulator for evaluation of dynamic traffic management systems[J].Transportation Research Part C:Emerging Technologies,1996,4(3):113-129.

[8]智永鋒,張駿,史忠科.高速公路加速車(chē)道長(zhǎng)度設(shè)計(jì)與車(chē)輛匯入模型研究[J].中國(guó)公路學(xué)報(bào),2009,22(2): 93-97.[ZHI Y F,ZHANG J,SHI Z K.Research on design of expressway acceleration lane length and merging model of vehicle[J].China Journal of Highway and Transport,2009,22(2):93-97.]

[9]王榮本,游峰,崔高健，等.車(chē)輛安全換道分析[J].吉林大學(xué)學(xué)報(bào):工學(xué)版.2005.35(2):179-182.[WANG R B,YOU F,CUI G J,et al.Analysis on lane-changing safetyofvehicle[J].JournalofJilinUniversity: Engineering and Technology Edition,2005,35(2):179-182.]

[10]Hidas P.Modeling vehicle interactions in microscopic simulation of merging and weaving and weavin[J]. TransportationResearchPartC:Emerging Technologies,2005,13(1):37-62.

[11]Toledo T,Koutsopoulos H N,Ben-Akiva M.Integrated driving behavior modeling[J].Transportation Research Part C:Emerging Technologies,2007,15(2):96-112.

[12]Kita H.Effects of merging lane length on the merging behavior at expressway on-ramps[J].Transportation and Traffic Theory,1993.

[13]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.

[14]Kita H.A merging-giveway interaction model of cars in amergingsection:agametheoreticanalysis[J]. Transportation Research Part A:Policy and Practice, 1999,33(3):305-312.

[15]張輪,楊文臣,劉拓，等.基于樸素貝葉斯分類(lèi)的高速公路交通事件檢測(cè)[J].同濟(jì)大學(xué)學(xué)報(bào):自然科學(xué)版, 2014,42(4):558-563.[ZHANG L,YANG W C,LIU T et al.A naive bayesian classifier-based algorithm for freeway traffic incident detection[J].2014,42(4):558-563.]

[16]張秀方,唐興佳.貝葉斯網(wǎng)絡(luò)應(yīng)用中的結(jié)構(gòu)學(xué)習(xí)方法研究[J].電子科技,2014,27(4):179-182.[ZHANG X F,TANG X J.Structure learning methods in bayesian networkapplication[J].ElectranicScienceand Technology 2014,27(4):179-182.]

A Lane Change Model Based on Bayesian Networks

QIU Xiao-ping1,2,3，LIU Ya-long1，MALi-na1，YANG Da1,2
(1.School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 610031,China; 2.Comprehensive Intelligent Transportation National and Local Joint Engineering Laboratory,Chengdu 610031,China; 3.Comprehensive Transportation Key Laboratory of Sichuan Province,Chengdu 610031,China)

Lane change behavior is one of the most foundational driving behaviors in microscopic traffic flow.Researching the lane change behavior contributes to improving the simulation accuracy of lane change models and reducing traffic accidents caused by improper lane change behavior.The current lane change model is the decision model mostly based on the way of driver's thinking.The shortcoming of current models is difficult to catch certain potential decision-making model and influencing factors in the driver's decisionmaking process.In view of this,this paper introduces a typical artificial intelligence method,Bayesian networks,to establish a new lane change model,and tries to improve the accuracy of the lane change model by machine learning.It uses a segmented discrete method to preprocess vehicle trajectory measurement data, and uses the processed data to training and verification this model.The verification results show that,this model's recognition rate to lane change behavior can reach more than 88%.In addition,this model can be further applied to the development of a driver assistance system.

highway transportation;Bayesian networks;machine learning;lane change;characteristic discretization

1009-6744（2015）05-0067-07

U491.2

A

2015-02-10

2015-06-18錄用日期：2015-06-25

國(guó)家自然科學(xué)基金(51278429,51408509)；四川省科技廳項(xiàng)目(2013GZX0167,2014ZR0091)；中央高?；緲I(yè)務(wù)經(jīng)費(fèi)(SWJTU11CX080)；成都市科技局項(xiàng)目(2014-RK00-00056-ZF,2014-RK00-00072-ZF).

邱小平（1976-），男，四川南充人，教授，博士.＊

yangd8@gmail.com