基于神经网络的车辆强制换道预测模型

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%。