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。