典型文献
基于规则与机器学习融合的换道决策建模方法研究
文献摘要：
自主换道系统是智能车辆技术的重要发展方向,而换道决策是自主换道系统的关键.针对结构化道路下的自由换道场景,提出基于规则与机器学习融合的换道决策模型.针对换道决策过程中存在的多参数与非线性问题,提出基于支持向量机的换道决策模型,并引入贝叶斯优化算法确定决策模型的最优参数.从基于规则的角度出发,分析换道决策过程中的影响因素,包括换道必要性、安全性与换道收益,并将上述规则转化为模型训练数据的新特征与安全约束,对原有训练样本进行增广,以提升支持向量机模型的分类准确率.在NGSIM数据集上进行测试验证,结果表明,仅利用周围车辆基本行驶信息进行模型训练,对换道行为预测的准确率为73.05％,而引入基于换道规则计算得到的新特征后,模型预测准确率提升至83.83％.
文献关键词：
智能车辆;换道行为决策;支持向量机;贝叶斯优化;融合建模
中图分类号：
作者姓名：
贾寒冰;刘鹏;张雷;王震坡
作者机构：
北京理工大学电动车辆国家工程实验室 北京 100081;北京电动车辆协同创新中心 北京 100081
文献出处：
引用格式：
[1]贾寒冰;刘鹏;张雷;王震坡-.基于规则与机器学习融合的换道决策建模方法研究)[J].机械工程学报,2022(04):212-221
A类：
换道行为决策
B类：
基于规则,自主换道,智能车辆,结构化道路,路下,道场,换道决策模型,对换,决策过程,多参数,非线性问题,贝叶斯优化算法,最优参数,模型训练,训练数据,新特征,安全约束,训练样本,增广,支持向量机模型,分类准确率,NGSIM,测试验证,本行,行为预测,换道规则,预测准确率,准确率提升,融合建模
AB值：
0.293166
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
