基于深度学习与交互特征的智能车辆换道风险预测模型

孟 令一
山东科技大学交通学院

摘要

随着自动驾驶技术的发展，车辆换道风险预测已成为提高智能车辆安全性和性能的关键任务之一。传统的换道风
险预测方法往往忽略了换道车辆与周围环境之间的复杂交互特征，导致预测准确度不足。本文提出了一种基于交互特征的
智能车辆换道风险预测方法。首先基于 highD 数据集提取周围交互车辆轨迹数据，利用停车距离指数建立风险评价指标，
并通过聚类算法划分风险等级。最后，采用 LSTM 模型进行风险预测，实验结果表明，加入交互特征的 LSTM 模型预测效
果更好。

关键词

交互特征；智能车辆；换道风险预测；LSTM 模型

参考

[1] 陈吉清 , 翁楚滨 , 兰凤崇 . 智能车辆换道潜在冲

突分析与风险量化方法 [J]. 汽车工程 , 2021, 43(11): 1565-

1576+1586.

[2] 郝志国 . 高速公路换道冲突预测与安全评价研究

[D]. 吉林大学 , 2019.

[3] 刘巧斌 , 杨路 , 高博麟等 . 基于认知风险动态平衡

的智能汽车跟车模型 [J]. 汽车工程 , 2022, 44(11): 1627-1635.

[4] 马艳丽 , 范璐洋 , 吕天玲 , 等 . 车辆运行风险贝叶

斯网络量化分级方法 [J]. 哈尔滨工业大学学报 , 2020, 52(03):

33-37.

[5] 温惠英 , 李秋灵 , 赵胜 . 快速路合流区大型车换道

时空特征及风险研究 [J]. 华南理工大学学报 ( 自然科学版 ),

2022, 50(05): 11-21.

[6] Ali Y, Haque M M, Zheng Z, et al. A hazard-based

duration model to quantify the impact of connected driving

environment on safety during mandatory lane-changing[J].

Transportation Research Part C, 2019, 106(C):113-131.

[7] Chen T, Shi X, Wong Y D, et al. Predicting lanechanging risk level based on vehicles’ space-series features: A

pre-emptive learning approach[J]. Transportation Research Part

C-Emerging Technologies, 2020, 116:102646.

[8] 程士强 . 混驶环境下基于风险评估的自动驾驶车辆

换道轨迹规划 [D]. 合肥工业大学 ,2020.

[9] 宋佳 . 异质交通流环境下高速公路合流区车辆换道

行为研究 [D]. 吉林大学 ,2023.