典型文献
轨迹数据驱动的车辆换道意图识别研究
文献摘要：
为实现准确识别车辆换道意图,提高车辆行驶安全性,综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度,提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型.首先,筛选和平滑处理车辆轨迹数据,将车辆轨迹数据分为向左换道、向右换道及直线行驶3类,构建换道意图样本集.其次,构建融合注意力机制的CNN_GRU模型,识别换道意图样本集,考虑到行驶过程中车辆之间的交互性,将被预测车辆和周围车辆的位置和速度信息作为模型的输入,经过CNN层特征提取的特征作为GRU层的输入,经过注意力机制层对不同的特征增加不同的权重系数,利用Softmax层识别换道意图.最后,选用NGSIM中US-101数据集的轨迹数据验证融合注意力机制的CNN_GRU模型性能,同时,与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析.验证结果表明,所提模型车辆换道意图识别整体准确率达到97.37％,迭代时间为6.66 s,相比于其他模型准确率最多提高9.89％,最少提高2.1％.分析不同预判时间下的意图识别,模型可在车辆换道前2 s内均能识别换道意图,准确率在89％以上,表现出良好的识别性能.
文献关键词：
智能交通;换道意图识别;数据驱动;门控神经单元网络;注意力机制
中图分类号：
作者姓名：
赵建东;赵志敏;屈云超;谢东繁;孙会君
作者机构：
北京交通大学交通运输学院,北京100044;北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京100044;北京交通大学轨道交通控制与安全国家重点实验室,北京100044
文献出处：
引用格式：
[1]赵建东;赵志敏;屈云超;谢东繁;孙会君-.轨迹数据驱动的车辆换道意图识别研究)[J].交通运输系统工程与信息,2022(04):63-71
A类：
门控神经单元网络
B类：
车辆换道,换道意图识别,准确识别,高车,车辆行驶,行驶安全性,换道过程,时空特性,门控循环神经网络,GRU,注意力机制,识别模型,平滑处理,车辆轨迹数据,直线行驶,图样,样本集,行驶过程,交互性,速度信息,权重系数,Softmax,层识别,NGSIM,US,数据验证,模型性能,Att,模型车,代时,模型准确率,少提,识别性,智能交通
AB值：
0.244029
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。
