基于自然駕駛數據的高速公路出口換道決策模型

張?zhí)m芳， 陳 程， 張佳妍， 方守恩， 郭靜秋

(同濟大學 道路與交通工程教育部重點實驗室， 上海 201804)

高速公路出口作為出口分流車輛與直行車輛的交織區(qū)域，車輛換道行為多發(fā)，是影響高速公路運行效率和安全的關鍵所在.出口換道是車輛為順利駛離主線而進行的換道行為，駕駛員必須在出口前更換至最外側車道，距離出口越近，換道緊迫性程度越高.換道行為增加了交通流運行的復雜性和事故風險.研究表明，換道行為是導致多車道高速公路交通流擾動的主要原因[1].根據國外資料統(tǒng)計，高速公路的交通事故有近40%發(fā)生在匝道上，其中發(fā)生在出口匝道上的事故約是進口匝道上的2倍[2].為了保障出口匝道處的行車安全性，提高管理水平，有必要對高速公路分流區(qū)上游的出口換道行為特性進行針對性研究.

國內外對城市道路、高速公路一般路段換道特征和影響因素均展開過研究，分別從駕駛員因素[3-5]以及道路與車輛因素[6-8]角度出發(fā)分析車道變換行為特性.在已有研究中,換道行為根據不同的換道意圖被分為強制性換道和自由性換道[9].一般來說,出口車輛執(zhí)行強制性換道(如出匝、交織或避讓障礙)而直行車輛執(zhí)行以改善通行環(huán)境為目的的自由性換道.到目前為止，針對多車道高速公路出口環(huán)境下的換道行為仍缺乏相應研究.

現有換道模型大致可分為兩大類[10]：①為了捕捉到變道決策過程的模型(Lane Change Decision (LCD) Model);②確定變道行為對周圍車輛影響的模型(Lane Change Influence (LCI) Model).對于LCD模型，Gipps[11]最先建立考慮交通信號、障礙物和重型車影響并針對城市道路的換道決策模型，其后Gipps模型得到改進并擴展至高速公路[12-13]；Ahmed等[14]基于隨機效用理論建立換道行為模型，且換道過程被定義為換道決定、目標車道選擇及選擇可接受間隙執(zhí)行換道3個步驟；Toledo[15]則提出一種能夠同時考慮強制換道和自由換道的集成概率換道模型；其余分析方法包括元胞自動機[16]、馬爾可夫過程[17]、基于風險(生存)的換道模型[18]及智能算法，如人工神經網絡[19]、模糊推理等，其中，Balal等[20]基于模糊推理系統(tǒng)針對高速公路自由換道行為建立了駕駛員二元決策模型,Moridpour[21]采用模糊理論構建重型車輛的換道決策模型以研究車道限制策略，實現減少客貨交織的目標.既有研究大多基于理論計算或者交通仿真的方法進行研究，或利用駕駛模擬器和場地實驗采集換道駕駛行為信息，由于實驗設備和環(huán)境對駕駛人行為的干擾和心理暗示，往往不能反映駕駛人的實際駕駛行為，導致現有的換道模型在適用性和精度方面存在不足.

針對模擬駕駛或定點拍攝等實驗手段難以反映駕駛員最真實換道行為[22]，美國最先開展100輛車的自然駕駛研究[23]，2006年日本亦啟動60輛出租車的自然駕駛實驗[24]，而國內尚無充足的實車數據用于支撐換道特征研究.自然駕駛研究是指在自然狀態(tài)下(無干擾、無實驗人員出現、日常駕駛狀態(tài)下)利用高精度數據采集系統(tǒng)觀測、記錄駕駛員真實駕駛過程的研究[25].由同濟大學、通用汽車中國公司、美國弗吉尼亞理工大學交通研究中心三方合作開展的“自然駕駛研究項目”是國內首次開展的針對自然駕駛的研究項目，其目的在于研究中國駕駛員與車輛、道路、交通條件以及交通控制設施的相互作用.實驗由5輛測試轎車實時監(jiān)測并記錄了60位中國駕駛員在自然狀態(tài)下的實際駕駛行為特征.

本研究依托上海自然駕駛實驗(SH-NDS)項目，采集駕駛員真實駕駛狀態(tài)下的駕駛行為樣本及車輛運行數據，確定換道車輛樣本的識別指標與標準，提出高速公路出口換道樣本的篩選方法，重點分析高速公路出口換道行為特性.以單向4車道高速公路為例構建換道決策模型，進而針對高速公路出口范圍內不同交通流水平下的出口換道行為進行效用分析.

1 數據采集與提取

1.1 自然駕駛樣本采集與篩選

參與本次自然駕駛實驗的60位駕駛員年齡分布于35～50歲之間，均有5年以上駕齡，參加實驗之前已行駛的總里程大于2萬km且日常行駛平均里程不小于40 km.實驗時間跨度自2012年至2016年，每位駕駛員駕駛指配的實驗車輛在開放路網中行駛，行駛路線按照日常工作生活需求自主選擇，且無實驗人員陪同，2～3個月后更換下一批駕駛員，直至完成所有實驗人員的駕駛行為數據采集.實驗車輛在隱蔽處安裝高清攝像頭、全球定位系統(tǒng)(GPS)、三軸加速度儀、多普勒雷達、車道偏移系統(tǒng)、事件按鈕等車載數據采集系統(tǒng)，全程記錄駕駛員在自然狀態(tài)下的駕駛行為，總計包括約75萬km行程，超過8萬h視頻數據.

基于本次研究的對象與目的，與研究相關的高速公路出口換道數據包括：①高速公路出口范圍內(出口前車輛開始進行換道至最終進入匝道的整個過程)車輛運行的軌跡數據、運動特性參數(速度、加速度等)；②目標車輛周圍交通流情況(雷達識別范圍內的其他車輛)；③車輛駛出高速公路出口過程中的視頻數據，包括車輛前方、車輛后方、駕駛員面部、手部操作的視頻，如圖1所示.

自然駕駛數據樣本量大、參數條目多，已有數據集包含1萬多個CSV格式文件，其中單個文件存儲實驗車輛單次出行的所有數據.為從龐雜數據中篩選出高速公路出口范圍內的換道樣本，數據采集與提取過程如圖2所示：①對實驗采集的自然駕駛數據進行清洗，包括篩除出行時間短于30 min的無效文件、基于拉依達法則剔除異常值、采用線性插值法補充缺省值.②篩選經過高速公路出口的樣本，排除城市道路、高速公路普通路段的無關數據.根據記錄在CSV格式文件中的出行過程經緯度數據，在Google Earth中標定實驗車輛行駛路徑并匹配至實際路段；將匝道口作為高速公路出口節(jié)點，針對所研究的各個高速公路出口框定經緯度坐標范圍作為檢索依據，即如圖3中A、B、C、D四點所圍成的范圍.其中，A點位置定在距離匝道口50 m處，由于車輛GPS位置采集頻率為1 Hz，設定C點距A點8～10 m以確保能在目標范圍內捕捉到行駛軌跡點.行駛路徑通過目標范圍的出行即為出口樣本，以出匝時刻為基點向前提取數據點以得到高速公路出口處駕駛員從內側車道到駛出匝道的整個換道過程.考慮到道路條件的影響，研究所選的出口均限定為形式一致(平行式)、相鄰出口間距大于4 km且位于直線段.③針對各次出匝過程完成換道樣本的篩選.

a 攝像儀視野范圍示意圖

b 視頻數據框架圖1 自然駕駛實驗數據采集系統(tǒng)Fig.1 Video scenes of SHNDS

圖2 數據采集與提取過程Fig.2 Procedure of data collection and extraction

圖3 四車道高速公路出口范圍示意圖Fig.3 An example of the node range

1.2 出口換道樣本識別

在完成篩選出口樣本的基礎上，需要提取各次出匝過程中的所有換道行為樣本數據.依據自然駕駛實驗所采集的數據，本次研究為識別駕駛員換道行為，采用車道偏移參數作為主要指標，同時結合視頻進行判斷.車道偏移參數LO表征實驗車輛中心線偏移當前車道中心線的距離.對車道中心線的識別由車載車道偏移系統(tǒng)傳感器模塊實現.LO數據采集頻率為10 Hz，精度為0.000 1 m.選取示例出行樣本如圖4所示.LO參數測量時每一條車道獨立成坐標系，車輛中心線與車道中心線重合位置的坐標為0；車輛偏離當前道路中心線,在其右側時LO為正值，在其左側時LO為負值；當車輛中心線越過車道線時，傳感器將自動識別另一條車道的中心線.LO數值由于車道參考系發(fā)生變化而產生從正到負(或從負到正)的突變，根據突變點即可識別出目標車輛的單次換道與連續(xù)換道行為.故采用LO數據的突變特性作為判斷換道是否發(fā)生的標準.

此外，盡管實驗采集了方向盤轉角參數，但由于車輛在高速行駛狀態(tài)下方向盤轉角變化不明顯，相比車道偏移參數較不敏感，識別率較低，故不作為判斷車輛換道的主要指標.

圖4 示例出行樣本的車道偏移時間關系Fig.4 An example of LO values in the dataset

對出口樣本在研究范圍內的行駛全程進行篩選，本次實驗共識別出433組換道樣本，為后續(xù)分析建立了基礎.

1.3 換道樣本數據初步分析

分析建立在已有的433組換道樣本基礎上.實驗路段為8車道高速公路(單向4車道).為便于說明，將最內側車道定義為1車道，最外側車道定義為4車道，行進方向由左至右4條車道依次為1、2、3、4車道，如圖5所示.

圖5 車輛出匝換道情況示意圖Fig.5 Lane-changing process in freeway off-ramp areas

圖6中橫坐標表示車輛換道位置與出口匝道之間的距離，分析線形可知：換道需求次數越多的樣本，在距出口越遠的地方開始執(zhí)行換道，且盡管不同車道換道距出口距離的15%分位值存在明顯差距，但85%分位值較為接近且與出口距離均小于500 m.15%～85%分位值區(qū)間范圍指示了在不考慮交通狀態(tài)差異下大多數駕駛員進行出口換道行為的位置分布，如圖7所示.

2 換道決策模型

2.1 影響因素分析

對于本文所研究的高速公路出口換道行為，其換道行為成因包括：

(1)具有車道變換的需求.在高速公路出口范圍內，駕駛員由于需要離開主線駛入出口匝道而產生了必然的換道需求.

圖6 不同車道換道位置累積頻率Fig.6 Cumulative frequency graph of lane-changingposition on different lanes

(2)具備車道變換的時空條件.車輛與目標車道前后車之間應具備一定的可穿越間隙，并且在時間上保證駕駛員的感知、決策和操作控制能順利實現車輛換道目的.

圖7 高速公路出口換道位置分布Fig.7 Spatial range of lane-changing in freeway off- ramp areas

結合上述分析，可知駕駛員在高速公路出口進行換道決策而選擇目標車道時，應具有如表1所示的特性變量.

其中，對于交通流環(huán)境變量G取值定義如下：當后方車輛速度小于前車速度，或者兩車速度基本接近時,G→∞.為便于定量分析，依據Olsen的處理方法[26]，將以上兩種情況下的G值統(tǒng)一界定為30 s；當后車速度大于前車速度時，若其G在[0,30]之間則取其真實值.

表1 特性變量及數據基礎Tab.1 Influencing factors and data sources

2.2 換道決策模型構建

根據影響因素分析，以隨機效用理論為基礎，建立高速公路出口換道決策模型.所研究的高速公路出口范圍內車輛換道行為存在向左換道和向右換道兩種情況，為二分變量，構成了目標車道的選擇集.根據最大效用原理，駕駛員換道決策行為是為了獲得最大期望效用值.其中，效用可衡量駕駛員在特定交通流環(huán)境以及行駛路徑組合下更換至特定車道所能獲得的滿足程度，具有相對意義.駕駛員通過對不同換道行為進行效用評價,選擇效用最大的車道作為目標車道，對應概率可由模型得到，以此解釋了駕駛員對換道目標的選擇行為.駕駛員選擇目標車道的效用函數可表示為

Un,T=Vn,T+εn,T=Ci+∑βTXn,T+εn,T

(1)

式中:下標T={L,R}，表示選擇集中包含左側車道(L)和右側車道(R)兩種情況；Vn,T為可觀測的確定項；εn,T為效用函數的隨機誤差項；Ci為截距；Xn,T為所有影響目標車道效用的解釋變量；βT為各個解釋變量的對應系數.根據誤差項的假定，離散選擇模型可分為Logit模型和Probit模型.假定隨機誤差項獨立同分布且服從Gumbel分布，因而對于駕駛員n，在時間t選擇目標車道T的概率可用Binary Logit(BL)模型表示如下：

(2)

由于樣本類型的限定，向左換道的樣本量相對少于向右換道，因而在因變量設定時，將向左換道行為定義為Y=1，即探究高速公路出口范圍內相對于向右換道，駕駛員向左換道的機會比(odd ratio)及各變量的影響程度.由于目標車輛行駛在1車道與4車道時其換道選擇唯一，均不滿足二項選擇假設，不符合模型定義，故所選取樣本僅包含位于2車道與3車道的319組換道行為.經過篩選后Y=1樣本量滿足自變量數目10倍以上的要求.

2.3 參數標定

通過MATLAB軟件對模型參數進行標定.經檢驗，各變量方差膨脹因子均小于5，各變量不存在多重共線性關系.各參數含義及標定結果如表2所示.

表2 模型參數及檢驗值Tab.2 Variable definitions and estimations

注：*號表示變量具有顯著性；對于我國單向4車道高速公路，貨車按規(guī)定行駛于外側3、4車道，故僅考慮右側車道行駛重型車輛的情況;下標n表示目標車輛,m表示當前車道前車,l表示左側車道前車,r表示右側車道前車.

由表2可知，左側車道間隙時間Gl對應的p值大于0.05，在95%置信區(qū)間上不具有統(tǒng)計學意義.篩除變量左側車道間隙時間Gl后對模型重新擬合，可得到高速公路出口換道車輛在進行目標車道選擇時左側車道的效用函數，如式(3)所示.經測試，模型對出口換道行為預測的準確率達到86.21%.

(3)

(1)需求換道次數δ和距出口距離S體現了出匝路徑選擇對車道效用的影響進而決定駕駛員的換道決策.δ系數為負值表明對于出匝車輛，受在到達出口前變更至最外側車道的最終目標限制，當前所在車道需求換道次數越多，左側車道對于駕駛員的效用越低;相應地，選擇向左換道的概率越低，即受需求換道次數影響,駕駛員處于2車道時選擇向左換道的概率將低于3車道.S系數為正值表明距離出口匝道區(qū)域越遠，駕駛員的出匝緊迫度越低，左側車道對于駕駛員的效用越高.

(2)右側車道車型Mr、當前車道間隙時間Gm和右側車道間隙時間Gr體現了車輛周圍交通流環(huán)境對駕駛員換道決策的影響.通過效用函數可知右側車道車型對換道行為具有顯著影響，當右側車道前車為重車時，左側車道對駕駛員的效用顯著提高，由于重車行駛速度慢、制動性能差，駕駛員傾向于向左換道以避免跟馳重車；左側車道間隙時間Gl在模型中不具有統(tǒng)計學意義，推測是由于左側1、2車道為快車道，G值一般較高，對效用不產生顯著差異；Gm和Gr系數均為負值表明當前所在車道與右側車道的交通流運行條件良好,符合駕駛員期望時左側車道對出匝車輛的效用不高,吸引力不強，只有在當前車道與右側車道的空間舒適感均無法滿足要求時，駕駛員向左換道的概率才會相應提升.

3 模型應用

根據圖5所示的車輛出匝換道情況示意圖，基于高速公路出口換道決策模型得出的效用函數，可以分析在不同交通流水平下的車道效用，以對高速公路出口范圍內出匝車輛的換道行為作進一步研究.

將交通流運行狀況分為自由流、穩(wěn)定流和擁擠流3個水平，并通過換道決策模型中的G指標進行表征.通過對實測數據進行k-means聚類分析，可定義各個交通流狀態(tài)下的代表性水平：自由流下Gm=30 s，Gr=30 s；穩(wěn)定流下Gm=20 s，Gr=15 s；擁擠流下Gm=5 s，Gr=5 s.當需求換道次數δ=1時，根據決策模型可得到2、4車道的效用值；當需求換道次數δ=2時，可得到1、3車道的效用值，從而可作出高速公路出口范圍內不同交通流水平下完整的分車道效用圖，如圖8所示.

a 自由流

b 穩(wěn)定流

c 擁擠流

圖8換道效用分布圖

Fig.8Utilitygraphinfreewayoff-rampareas

3.1 效用分布同質性分析

(1)由效用等高線走向可發(fā)現，U2>U1，U3>U4，即駕駛員獲得最大效益的行駛路線是由2車道變更至3車道再于出口匝道前換至最外側車道出匝.

(2)效用場左上角與右下角為低效用區(qū)域，邊角4個特征點的效用值如表3所示，對應圖5所示實際道路平面，即出口匝道上游外側車道和出口匝道附近內側車道對出匝車輛的效用較低，故駕駛員的出口換道行為主要集中于圖中的次對角線帶狀低灰度區(qū)域，與1.3節(jié)中所得高速公路出口換道位置分布形成印證，反映所構建的模型具有合理性.

3.2 效用分布異質性分析

對比分析不同交通流水平下的換道效用場分布圖并結合表3可知：

(1)隨著交通流狀態(tài)由自由流過渡到擁擠流，效用最高點由出口處轉移至最上游內側車道，表明隨著交通流密度增大、流速降低，出匝車輛駕駛員通行環(huán)境改善需求對換道決策的影響逐漸提升.

(2)在交通流狀態(tài)由自由流過渡到擁擠流的過程中，內側1、2車道的高效用區(qū)域逐漸向下游出口擴展，外側3、4車道的高效用區(qū)域則逐漸受到擠壓.具體表現為隨交通流密度的增大，出匝車輛駕駛員開始向右換道的位置將逐漸接近分流區(qū)，其在上游的向左換道行為會更加活躍以尋求車道變換效益.其原因在于自由流狀態(tài)下內外車道運行條件無明顯差異，駕駛員更愿意提前向右換道以為出匝做好準備而不影響行車舒適性；當交通流密度增大，上游出匝車輛受到周圍車輛擠壓，將更傾向于保持原有車道行駛或向左變道以尋求通行環(huán)境改善，其向右換道位置相應地趨近于出口.此現象反映出高速公路出口換道行為在自由流環(huán)境下主要表現為強制性換道特征，而在擁擠環(huán)境下則兼有強制性換道和自由性換道的特征，針對之前出口換道屬于強制性換道的既有認識進行了修正.

表3 特征點效用值Tab.3 Utility values of vertexes in utility graph

(3)當由自由流過渡至穩(wěn)定流狀態(tài)時效用等高線分布顯著趨于集中，而由穩(wěn)定流過渡至擁擠流則無明顯變化.推測其原因在于換道行為的實施依賴于必要的可穿越間隙，自由流環(huán)境下車輛間隙較為寬裕，交通流密度的適當波動始終能滿足可穿越間隙的要求，換道機會相對充分；當達到穩(wěn)定流狀態(tài)后交通流密度繼續(xù)提高，車輛間隙受到壓縮，可穿越間隙難以滿足導致自由換道普遍無法實施，車輛換道需要依賴于斜插或擠壓實現.此現象反映出交通流的彈性特征，即自由流狀態(tài)下換道行為對于不同的交通環(huán)境可呈現出彈性變化，而在擁擠狀態(tài)下其彈性喪失并導致高風險換道行為多發(fā).

4 結論

自然駕駛研究為理解駕駛員在自然狀態(tài)下與車輛、道路以及交通環(huán)境的相互作用提供了可能.本文以高速公路出口換道行為作為研究對象，基于上海自然駕駛實驗所采集的駕駛員真實駕駛狀態(tài)下的駕駛行為樣本和車輛運行參數，根據車道偏移參數和方向盤轉角作為指標識別篩選出高速公路出口換道樣本并建立樣本集.本次研究以單向4車道高速公路為例構建換道決策模型，依托隨機效用理論，選用Binary Logit(BL)模型對出口范圍內的換道行為進行擬合并得出車道效用函數，進而作出高速公路出口范圍內分別在自由流、穩(wěn)定流和擁擠流水平下的分車道效用場分布圖.分析結果表明：駕駛員在高速公路出口的換道決策受到行駛路徑和交通流環(huán)境的綜合影響；出匝車輛的換道行為是出匝意愿與通行環(huán)境改善需求兩方面平衡的結果，表現為兼有強制性換道與自由性換道的行為特性，有別于過往出口換道屬于強制性換道行為的固有認識，表明了駕駛員換道決策的復雜性；擁堵環(huán)境下將強化后者的影響并導致駕駛員的出口換道策略傾向于激進.研究結果有助于理解高速公路出口換道行為的相關機理，并有助于為改善高速公路出口范圍內車道管理、出口引導設施的布設以及匝道管理等提供理論指導，具有較高的應用價值.

參考文獻:

[1] BARRIA J A, THAJCHAYAPONG S. Detection and classification of traffic anomalies using microscopic traffic variables[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(3): 695.

[2] 盧川，王朝陽，項喬君,等. 高速公路出口匝道交通安全評價方法研究[J]. 現代交通技術, 2011, 8(6): 60.

LU Chuan, WANG Chaoyang, XIANG Qiaojun,etal. Research on safety evaluation method for expressway off-ramp[J]. Modern Transportation Technology, 2011, 8(6): 60.

[3] SUN D J, ELEFTERIADOU L. Lane-changing behavior on urban streets: a focus group-based study[J]. Applied Ergonomics, 2011, 42(5): 682.

[4] 武超群. 基于駕駛員眼動的車道變換特性研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2008.

WU Chaoqun. Study on characteristics of lane change based on eye movements analysis[D]. Harbin: Harbin Institute of Technology, 2008.

[5] SUN D J, ELEFTERIADOU L. Lane-changing behavior on urban streets: an “in-vehicle” field experiment-based study[J]. Computer-Aided Civil and Infrastructure Engineering, 2012, 27(7): 525.

[6] 黃秋菊. 車道變換行為特性及其對交通安全影響的研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2007.

HUANG Qiuju. Study on lane change behavior character and its influence to traffic safety[D]. Harbin: Harbin Institute of Technology, 2007.

[7] 徐慧智，程國柱，裴玉龍. 車道變換行為對道路通行能力影響的研究[J]. 中國科技論文在線, 2010, 5(10): 749.

XU Huizhi, CHENG Guozhu, PEI Yulong. Study on effect of lane-changing behavioral characteristic to capacity[J]. Sciencepaper Online, 2010, 5(10): 749.

[8] 漆巍巍，裴玉龍. 城市道路擁堵狀態(tài)下駕駛人換道特性研究[J]. 城市交通, 2014, 12(4): 72.

QI Weiwei, PEI Yulong. Characteristics of drivers’ lane change under traffic congestion on urban roadways[J]. Urban Transport of China, 2014, 12(4): 72.

[9] TOLEDO T, CHOUDHURY C F, BEN-AKIVA M E. Lane-changing model with explicit target lane choice[J]. Transportation Research Record: Journal of the Transportation Research Board, 2005, 1934(1): 157.

[10] ZHENG Z D. Recent developments and research needs in modeling lane changing[J]. Transportation Research Part B, 2014, 60: 16.

[11] GIPPS P G. A model for the structure of lane-changing decisions[J]. Transportation Research Part B, 1986, 20(5): 403.

[12] YANG Q I, KOUTSOPOULOS H N. A Microscopic traffic simulator for evaluation of dynamic traffic management systems[J]. Transportation Research Part C, 1996, 4(3): 113.

[13] HIDAS P. Modelling vehicle interactions in microscopic simulation of merging and weaving[J]. Transportation Research Part C, 2005, 13(1): 37.

[14] AHMED K I, BEN-AKIVA M E, KOUTSOPOULOS H N,etal. Models of freeway lane changing and gap acceptance behavior[C]∥Proceedings of the 13th International Symposium on the Theory of Traffic Flow and Transportation. Lyon: Transport Research Laboratory, 1996: 501-515.

[15] TOLEDO T. Integrated driving behavior modeling[D]. Cambridge: Massachusetts Institute of Technology, 2007.

[16] 王艷娜,周子力,王新偉. 基于元胞自動機的模糊控制換道模型[J]. 計算機應用, 2007, 27(5):1197.

WANG Yanna, ZHOU Zili, WANG Xinwei. Lane-changing model with fuzzy control based on cellular automata[J]. Computer Applications, 2007, 27(5):1197.

[17] WORRALL R D, BULLEN A G, GUR Y. An elementary stochastic model of lane-changing on a multilane highway[J]. Highway Research Record, 1970(308): 1.

[18] HAMDAR S H. Modeling driver behavior as a stochastic hazard-based risk-taking process[D]. Evanston: Northwestern University, 2009.

[19] WEI C. Developing freeway lane-changing support systems using artificial neural networks[J]. Journal of Advanced Transportation, 2010, 35(1): 47.

[20] BALAL E, CHEU R L, SARKODIE-GYAN T. A binary decision model for discretionary lane changing move based on fuzzy inference system[J]. Transportation Research Part C, 2016, 67: 47.

[21] MORIDPOUR S. Analysing the performance of a fuzzy lane changing model using data mining[J]. Data Mining in Dynamic Social Networks and Fuzzy Systems, 2013. DOI: 10.4018/978-1-4666-4213-3.cho13.

[22] ZHAO D, PENG H, NOBUKAWA K,etal. Analysis of mandatory and discretionary lane change behaviors for heavy trucks[C/CD]∥Proceedings of the 12th International

Symposium on Advanced Vehicle Control. Tokyo: Tokyo University of Agriculture and Technology, 2014.

[23] DINGUS T A, KLAUER S G, NEALE V L,etal. The 100-car naturalistic driving study: phase II-results of the 100-car field experiment[R]. Washington D C: National Highway Traffic Safety Administration, 2006.

[24] UCHIDA N, KAWAKOSHI M, TAGAWA T,etal. An investigation of factors contributing to major crash types in Japan based on naturalistic driving data[J]. IATSS Research, 2010, 34(1): 22.

[25] FITCH G M, HANOWSKI R J. Using naturalistic driving research to design, test and evaluate driver assistance systems[M]∥Handbook of Intelligent Vehicles. London: Springer, 2012: 559-580.

[26] OLSEN E C B. Modeling slow lead vehicle lane changing[D]. Blacksburg: Virginia Polytechnic Institute and State University, 2003.