基于PSO-GRU模型的车辆换道意图识别

doi:10.13229/j.cnki.jdxbgxb.20250008

摘要/Abstract

摘要：

针对传统神经网络模型进行车辆换道意图识别时，手动调整超参数耗时、效率低下且求解空间有限的问题，提出了一种基于PSO-GRU的换道意图识别模型。首先，针对NGSIM数据集横、纵向轨迹的特点提出了多步轨迹平滑方法。然后，对轨迹数据进行参数挖掘并将其重构到数据集中，构建车辆换道轨迹数据库，使用随机森林（RF）算法评估数据库特征的重要性。最后，建立了基于PSO-GRU的换道意图识别组合模型，使用粒子群优化（PSO）算法优化门控循环单元（GRU）网络的超参数，以找到最佳的网络配置。结果表明，相较于传统深度学习算法和机器学习算法，本文提出的PSO-GRU换道意图识别组合模型具有更高的识别准确率和更稳定的性能。

关键词: 交通运输系统工程, 换道意图识别, 多步轨迹平滑, 随机森林算法, 深度学习, 粒子群优化算法

Abstract:

To address the issues of low efficiency and limited solution space caused by manual hyperparameter tuning when using traditional neural network models for vehicle lane-changing intention recognition， a lane-changing intention recognition model based on PSO-GRU was proposed. First， a multi-step trajectory smoothing method was developed considering the characteristics of horizontal and vertical trajectories in the NGSIM dataset. Next， the trajectory data were mined for parameters and reconstructed into the dataset to establish a vehicle lane-changing trajectory database. The importance of features in the database was evaluated using the random forest algorithm. Finally， a combined model for lane-changing intention recognition based on PSO-GRU was built， with the PSO algorithm used to optimize the hyperparameters of the GRU network to find the optimal configuration. The results demonstrate that， compared to traditional deep learning and machine learning algorithms， the proposed PSO-GRU model exhibits higher recognition accuracy and more stable performance.

Key words: engineering of communications and transportation system, lane change intention recognition, multi-step trajectory smoothing, random forest algorithm, deep learning, particle swarm optimization algorithm

中图分类号:

U495

郭瑞军,范超冉,付明迪. 基于PSO-GRU模型的车辆换道意图识别[J]. 吉林大学学报(工学版), 2026, 56(8): 2084-2094.

Rui-jun GUO,Chao-ran FAN,Ming-di FU. Vehicle lane change intention recognition based on PSO⁃GRU model[J]. Journal of Jilin University(Engineering and Technology Edition), 2026, 56(8): 2084-2094.

图/表 23

表1

图1

图2

图3

图4

图5

表2

输入参数指标"

	特征名称	特征描述
自身车辆	$L o c a l_X$	车辆横坐标/m
	$L o c a l_Y$	车辆纵坐标/m
	$v x$	车辆横向速度/（m·s^-1）
	$v y$	车辆纵向速度/（m·s^-1）
	$a x$	车辆横向加速度/（m·s^-2）
	$a y$	车辆纵向加速度/（m·s^-2）
	angle	车辆偏角/（°）
关联车辆	$F Y$	前车纵向位置差/m
	$F V$	前车纵向速度差/（m·s^-1）
	$B Y$	后车纵向位置差/m
	$B V$	后车纵向速度差/（m·s^-1）
	$L F Y$	左前车纵向位置差/m
	$L F V$	左前车纵向速度差/（m·s^-1）
	$L B Y$	左后车纵向位置差/m
	$L B V$	左后车纵向速度差/（m·s^-1）
	$R F Y$	右前车纵向位置差/m
	$R F V$	右前车纵向速度差/（m·s^-1）
	$R B Y$	右后车纵向位置差/m
	$R B V$	右后车纵向速度差/（m·s^-1）

表2

表3

图6

图7

图8

图9

表4

表5

图10

表6

表7

图11

表8

图12

表9

图13

表10

参考文献 10

[1]	张海伦, 付锐. 高速场景相邻前车驾驶行为识别及意图预测[J].交通运输系统工程与信息, 2020, 20(1): 40-46.
	Zhang Hai-lun, Fu Rui.Driving behavior recognition and intention prediction of adiacent preceding vehicle in highway scene[J].Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 40-46.
[2]	David R, Rothe S, Soffker D. Lane changing behavior recognition based on artificial neural network-based state machine approach[C]∥Proceedings of lEEE Conference on Intelligent Transportation Systems, Indianapolis, Indiana, USA, 2021: 3444-3449.
[3]	季学武, 费聪, 何祥坤, 等.基于LSTM网络的驾驶意图识别及车辆轨迹预测[J].中国公路学报, 2019, 32(6): 34-42.
	Ji Xue-wu, Fei Cong, He Xiang-kun,et al.Intention recognition and trajectory prediction for vehicles using LSTM network[J].China Journal of Highway and Transport, 2019, 32(6): 34-42.
[4]	宋晓琳, 曾艳兵, 曹昊天, 等.基于长短期记忆网络的换道意图识别方法[J].中国公路学报, 2021, 34(11): 236-245.
	Song Xiao-lin, Zeng Yan-bing, Cao Hao-tian,et al.Lane change intention recognition method based on an LSTM network[J].China Journal of Highway and Transport, 2021, 34(11): 236-245.
[5]	赵建东, 赵志敏, 屈云超, 等.轨迹数据驱动的车辆换道意图识别研究[J].交通运输系统工程与信息,2022, 22(4): 63-71.
	Zhao Jian-dong, Zhao Zhi-min, Qu Yun-chao, et al.Vehicle lane change intention recognition driven by trajectory data[J].Journal of Transportation Systems Engineering and Information Technology, 2022, 22(4): 63-71.
[6]	张洪加, 郭应时, 高松, 等. 网联与非网联环境下驾驶人换道意图识别研究[J].中国公路学报,2023,36(9): 257-270.
	Zhang Hong-jia, Guo Ying-shi, Gao Song,et al.Driver lane-changing intention recognition in connected and non-connected environments[J].China Journal of Highway and Transport, 2023, 36(9): 257-270.
[7]	Montanino M, Punzo V. Trajectory data reconstruction and simulation-based validation against macroscopic traffic patterns[J]. Transportation Research Part B: Methodology, 2015, 80: 82-106.
[8]	李依, 赵建有, 叶云涛.NGSIM轨迹重构研究综述[J].汽车实用技术, 2021, 46(4): 204-208.
	Li Yi, Zhao Jian-you, Ye Yun-tao, et al.A review of NGSIM trajectory reconstruction[J].Automobile Applied Technology, 2021, 46(4): 204-208.
[9]	刘阳林. 无人驾驶车辆局部换道决策与换道轨迹规划算法研究[D].长春: 吉林大学汽车工程学院, 2023.
	Liu Yang-lin. Research on local lane change decision and lane change trajectory planning algorithm of driverless vehicle[D]. Changchun: College of Automotive Engineering, Jilin University, 2023.
[10]	赵志敏. 数据驱动的车辆换道意图识别及轨迹预测研究[D].北京: 北京交通大学交通运输学院, 2022.
	Zhao Zhi-min. Data-driven vehicle lane change intention recognition and trajectory prediction[D]. Beijing: School of Traffic and Transportation, Beijing Jiaotong University, 2022.

相关文章 15

[1]	潘义勇,杨赛赛. 自动驾驶汽车接管模式与事故严重程度关联性分析[J]. 吉林大学学报(工学版), 2026, 56(8): 2077-2083.
[2]	冯天军,郝延铭,李飞燕,高赫遥,刘一贤,刘楠,李金凤. 考虑驾驶风格的网联自动驾驶车辆集聚换道模型[J]. 吉林大学学报(工学版), 2026, 56(7): 1834-1844.
[3]	孟云伟,李智鹏,张引,全振宇,杨光清,陈芳,赖思静,乔俊. 基于纵向间距和亮度差的隧道群驾驶舒适度[J]. 吉林大学学报(工学版), 2026, 56(7): 1904-1914.
[4]	王金鹏,窦顺瑶,王珏,赵昕. MIMO-NOMA系统中基于深度学习CCDNN框架的传输速率提高和能量效率优化算法[J]. 吉林大学学报(工学版), 2026, 56(3): 830-842.
[5]	张玉召,丁欣茹,侯长啸,陈虎林. 交通运输网络韧性研究现状及展望[J]. 吉林大学学报(工学版), 2026, 56(3): 585-602.
[6]	岳丹,王崇帅,杨亚廷,聂海涛,揣雅惠. 一种简单自适应光学系统高分辨计算成像技术[J]. 吉林大学学报(工学版), 2026, 56(2): 543-554.
[7]	慈玉生,黄轶康. 基于文献计量的交叉口车路协同研究综述[J]. 吉林大学学报(工学版), 2026, 56(2): 313-332.
[8]	张文会,叶梅茹,席聪,宋子文. 混合交通流环境下车辆编队与碳排放特性[J]. 吉林大学学报(工学版), 2026, 56(2): 416-430.
[9]	潘义勇,曹天宇,刘宇. 随机交通网络约束最可靠路径乘子交替方向法[J]. 吉林大学学报(工学版), 2026, 56(2): 455-463.
[10]	孙宇,李世武,郭梦竹,金桐彤,宋会军,刘德志,高雯. 多模态数据在驾驶疲劳监测中的有效性分析[J]. 吉林大学学报(工学版), 2026, 56(2): 473-479.
[11]	蔡晓东,龙顺宏,梁焜峻. 基于增强对象学习和注意力网络的视频描述方法[J]. 吉林大学学报(工学版), 2026, 56(2): 516-522.
[12]	李坤宸,袁伟,王畅,张会明,穆雨薇. 基于驾驶风险和驾驶能力的人机控制权分配[J]. 吉林大学学报(工学版), 2026, 56(2): 575-584.
[13]	马壮林,毕宇明,周备,邓亚娟,兆雪. 公交换乘优惠政策下居民换乘意向的异质性分析[J]. 吉林大学学报(工学版), 2026, 56(1): 158-169.
[14]	姚宗伟,陈辰,高振云,靳鸿鹏,荣浩,李学飞,黄虹溥,毕秋实. 基于合成图像数据集的挖掘机关键点识别[J]. 吉林大学学报(工学版), 2026, 56(1): 76-85.
[15]	王琳虹,刘宇阳,刘子昱,鹿应佳,张宇恒,黄桂树. 基于YOLOv5的轻量化桥梁缺陷识别[J]. 吉林大学学报(工学版), 2025, 55(9): 2958-2968.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

字段	说明	单位及描述
Vehicle_ID	车辆编号	-
Frame_ID	数据帧号	1/10 s
Local_X	采集区域车辆的横坐标	ft
Local_Y	采集区域车辆的纵坐标	ft
v_Class	车辆类型	1-摩托车；2-小汽车；3-大型车
v_Vel	车辆速度	ft/s
v_Acc	车辆加速度	ft/s²
Lane_ID	所在车道	-
Preceding	跟驰前车编号	-
Following	跟驰后车编号	-
Location	路段名称	-

树的数量	未标准化分类准确率/%	标准化分类准确率/%	增幅/%
100	53.24	60.10	6.86
110	53.08	60.24	7.16
120	52.93	60.53	7.60
130	52.65	60.22	7.57
140	53.08	60.33	7.25
150	53.02	60.39	7.37

类别	准确率/%	精确率/%	召回率/%
未平滑	90.59	91.65	90.38
平滑后	92.35	92.94	92.47

参数	实验设定	数值
输入层	InputSize	19
GRU层数	GruLayer	2
隐藏神经元数量	NumHiddenUnits	50
批次大小	batch size	128
学习率	learning rate	0.001
最大迭代次数	MaxEpochs	100
输出层	OutputSize	3

换道意图	精确率/%	召回率/%	F₁/%	准确率/%
向左换道	93.88	100.00	96.84	92.35
保持直行	95.75	80.36	87.38
向右换道	89.19	97.06	92.96