Simultaneous modeling of car-following and lane-changing behaviors using deep learning

Simultaneous modeling of car-following and lane-changing behaviors using deep learning

摘要

跟车（CF）和变道（LC）行为是交通流中的两个基本动作，在文献中一般是分开建模的，因此这两种行为之间的相互作用在分开的模型中很容易被忽略，导致不现实的交通流描述。在本文中，我们采用深度学习模型–长短期记忆（LSTM）神经网络，对这两种基本行为同时建模。通过观察目标车辆周围六辆车的位置信息，LSTM可以自动提取影响CF和LC行为的重要特征，并通过时间序列数据和记忆效应预测车辆的行为。此外，我们提出了一种混合再训练约束（HRC）训练方法，以进一步优化LSTM模型。利用NGSIM数据集的I-80轨迹数据，我们对HRC LSTM模型进行了训练和测试，结果表明，与经典模型相比，HRC LSTM模型能够同时准确地估计CF和LC行为，纵向轨迹误差小，LC预测精度高。我们还用US101数据集评估了所提模型的可转移性，也得到了良好的可转移性结果。

难点