典型文献
基于神经网络的车辆强制换道预测模型
文献摘要：
针对高速公路上车辆行驶速度快,换道行为危险程度高的问题,聚焦于不可避免、发生频繁、一旦发生事故后果严重的强制换道行为,改进基于门控循环单元(GRU)的换道模型,对强制换道行为进行分析与预测.为保证模型的有效性,选取下一代仿真技术(NGSIM)数据作为模型的训练集与检测集,使用侧向加速度将车辆侧向摆动数据有效删除并得到强制换道的最迟换道点,进而实现车辆位置与换道决策的预测.实验结果证明,所提模型能够以96.01％的准确率判定车辆在最迟换道点的强制换道行为,相较于LSTM模型准确率提升了3.67％,同时相较于朴素贝叶斯网络准确率提高了7.31％.
文献关键词：
强制换道行为;神经网络;换道决策;侧向加速度;门控循环单元(GRU)
中图分类号：
作者姓名：
崔洁茗;余贵珍;周彬;李存金;马继伟;徐国艳
作者机构：
北京航空航天大学 交通科学与工程学院 特种车辆无人运输技术工业和信息化部重点实验室,北京100083;内蒙古霍林河露天煤业股份有限公司,通辽028001
文献出处：
引用格式：
[1]崔洁茗;余贵珍;周彬;李存金;马继伟;徐国艳-.基于神经网络的车辆强制换道预测模型)[J].北京航空航天大学学报,2022(05):890-897
A类：
强制换道行为
B类：
高速公路,路上车,车辆行驶,行驶速度,危险程度,事故后果,后果严重,门控循环单元,GRU,换道模型,取下,下一代,仿真技术,NGSIM,训练集,侧向加速度,摆动,删除,最迟,换道点,换道决策,模型准确率,准确率提升,朴素贝叶斯,贝叶斯网络
AB值：
0.257722
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。
