混合示教长短时记忆网络的车辆轨迹预测研究.pdf

第23卷第4期2023 年 8 月交通运输系统工程与信息Journal of Transportation Systems Engineering and Information TechnologyVol.23 No.4August 2023文章编号：1009-6744(2023)04-0080-08中图分类号：U495文献标志码：ADOI:10.16097/ki.1009-6744.2023.04.009混合示教长短时记忆网络的车辆轨迹预测研究方华珍，刘立，肖小凤，顾青*，孟宇(北京科技大学，机械工程学院，北京 100083)摘要：为实现智能网联车对周围车辆运行轨迹准确地长时预测，本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先，通过特征筛选和历史轨迹序列标注建立轨迹预测数据集；其次，构建长短时记忆网络的编码器-解码器模型，编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量，解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹；最后，采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明：本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性，5 s的终点位移误差在2.7 m以内；并且模型在稀疏采样后的数据集上达到更高的预测准确率，5 s的位移误差在1.3 m以内。关键词：智能交通；混合示教；长短时记忆网络；人工驾驶车辆；智能网联车；车辆轨迹预测Vehicle Trajectory Prediction Based on Mixed TeachingForce Long Short-term MemoryFANG Hua-zhen,LIU Li,XIAO Xiao-feng,GU Qing*,MENG Yu(School of Mechanical Engineering,University of Science and Technology Beijing,Beijing 100083,China)Abstract:Abstract:To improve the long-term trajectory prediction of the intelligent connected vehicle to the surroundingvehicles,this paper proposes an interaction-aware network framework based on mixed teacher forcing Long Short-Term Memory(LSTM)encoder-decoder.First,a trajectory prediction dataset is established through feature selectionand trajectory sequence labeling.Then,the LSTM encoder-decoder model is developed.The encoder encodes thehistorical trajectory of the target vehicle,the information of surrounding vehicles,and the road environment into thecontext vector.The decoder adopts the mixed teaching mode to decode the context vector dynamically into the futuretrajectory.At last,the model is verified on the real road datasets NGSIM US101 and I-80 and compared with thetraditional models.The experimental results show that the proposed model performs better than the traditional methodsin long-term prediction.The 5 seconds final displacement error is 2.7 meters.The accuracy of the model after sparsesampling has been significantly improved compared with other methods,the 5 seconds final displacement error is 1.3meters.Keywords:Keywords:intelligent transportation;mixed teaching force;long short-term memory(LSTM);human driven vehicles;intelligent connected vehicle;vehicle trajectory prediction0引言智能网联车应具备感知周围车辆运动趋势，做出合理运动规划和行为决策的能力，以保证行车安全。相对单车智能传感器的局限性1，智能网联车具有更强的环境信息获取能力2，在可预见未来的高速公路场景中，以不同比例的人工驾驶车辆和智能网联车组成的混合交通流将长期存在3。智能网联车之间能够通过数据交互获得彼此未来的轨迹，但对于人工驾驶车辆的轨迹只能通过预测的手段获取。针对车辆轨迹预测，根据所用方法对数据的收稿日期：2023-03-05修回日期：2023-05-28录用日期：2023-05-29基金项目：国家自然科学基金青年科学基金/Young Scientists Fund of the National Natural Science Foundation of China(52202505)；国家重点研发计划/National Key Research and Development Program of China(2019YFC0605300)。作者简介：方华珍(1996-)，男，江西鄱阳人，博士生。*通信作者：第23卷 第4期混合示教长短时记忆网络的车辆轨迹预测研究依赖关系，将其分为基于模型的方法与基于数据学习的方法，后者得益于深度学习的迅速迭代，得到了快速的发展4。基于模型的方法主要依赖于车辆运动学和动力学建模，利用各个运动参数之间的数学关系预测轨迹。HOUENOU等5提出一种恒角速度恒加速度(Constant Yaw Rate and Acceleration,CYRA)模型和基于驾驶意图识别的模型预测车辆轨迹。BARTH等6运用恒角加速度恒加速度(Constant Turn Rateand Acceleration,CTRA)模型预测车辆轨迹。谢枫等7根据感知获得的障碍物信息，结合高清地图提供的车道线信息，识别车辆驾驶行为(车道保持、换道和转弯)，根据行为识别的结果得到车辆横向和纵向轨迹集合，通过约束优化得出预测轨迹。总的来说，基于模型的方法在短时预测(小于等于2 s)的效果尚可，但在长时预测(大于2 s)效果不佳。基于数据学习方法的兴起，有效弥补了基于模型方法在长时预测的短板。ZYNER8以目标车辆的历史轨迹为特征数据，在T字路口采用基于长短时记忆网络(Long Short-Term Memory,LSTM)方法预测车辆轨迹，这种特征选择法不能建模与周围车辆的交互关系，轨迹预测效果已被证明劣于基于交互的方法。季学武等9融合目标车辆和周围6辆车作为特征，基于LSTM编码解码网络，首先，识别车辆驾驶意图(左换道、车道保持和右换道)；然后，将意图识别结果与编码所得中间向量结合；最后，通过解码器给出不同意图的预测轨迹。CUI等10融合根据6类驾驶意图预测6类轨迹分布，可生成多条轨迹。XIN等11采用两个LSTM模块，第1个模块识别驾驶意图，第2个模块融合驾驶意图预测未来轨迹。DEO等12采用社交池化层，采用LSTM编码解码的方法融合驾驶意图预测轨迹。然而，这类融合驾驶意图的轨迹预测方法9-12有一个通病，即轨迹预测的能力锚定于驾驶意图识别的效果，预测结果稳定性差。ZHAO等13将卷积层融入对抗神经网络(Generative Adversarial Network,GAN)编码器解码器网络，融合静态场景和上下文与动态场景测 车 辆 轨 迹，但 模 型 在 长 时 预 测 效 果 一 般。MESSAOUD等14使用融合注意力机制的LSTM编码解码器，利用注意力抽取周围车辆特征，用LSTM对车辆轨迹进行编码解码，预测多条车辆轨迹。ALAHI等15采用社交池化LSTM模型，同时预测多条行人的轨迹。DEO等16基于LSTM模型，根据意图的类别，输出多条预测轨迹。DAI等17提出一种时空LSTM轨迹预测，同时描述不同车辆之间的空间相互作用和轨迹时间序列之间的时间关系，引入两个连续LSTM层之间的连接，解决梯度消失问题，预测车辆单一轨迹。在自动驾驶轨迹预测的下游任务中，无论是轨迹规划或是行为决策，均需要使用单一的轨迹17进行碰撞检测。因此，即使预测输出多条轨迹14-16，也需要选出其中可能性最高的一条轨迹。目前的车辆轨迹预测方法在短时预测方面已经取得了比较显著的效果，然而，在长时预测方面仍有较大的误差，存在较大的提升空间。本文针对高速公路混合交通流中人工驾驶车辆轨迹预测问题，将智能网联车视为自车，人工驾驶车辆视为目标车辆，剩余车辆视为周围车辆。自车根据目标车辆与周围车辆的当前和历史状态及环境信息，预测目标车辆的轨迹。其中，本文采用基础设施(摄像头等)所能采集提取的特征，例如位置、速度、加速度和所处车道等。主要贡献如下：(1)融入道路信息的特征选取在实际高速场景中，目标车辆的决策往往与周围车辆及道路信息相关。本文提出的模型融入道路环境信息，将目标车辆和周围车辆的历史轨迹信息及道路信息作为模型输入，使模型学习到道路环境的影响，提高轨迹预测的准确性。(2)基于混合示教的轨迹预测将混合示教学习率引入LSTM编码解码网络，预测混合交通流中人工驾驶车辆的未来轨迹。编码器模块将车辆历史轨迹及环境信息进行特征编码，解码器模块通过混合示教的解码方式动态输出车辆未来轨迹。通过选取最优示教学习率，以的概率采用示教解码，以1-概率采用递归解码模式。1模型描述混合示教解码的长短时记忆网络(MixedTeaching Force LSTM,MTF-LSTM)模型的整体框架如图1所示，可分为编码器和解码器两大模块。其中，X为历史轨迹，Y为未来真实轨迹，Y为预测轨迹，为历史轨迹长度，为预测轨迹长度。编码器接受自车和周车历史轨迹数据以及道路信息作为输入，并将其处理为一个上下文向量；解码器接受上下文向量解码输出预测轨迹。81交通运输系统工程与信息2023年8月图 1 模型整体框架Fig.1 Overall structure of MTF-LSTM model1.1 编码器模块编码器的输入包含3部分，分别为目标车辆的特征(Target Vehicle Feature,TVF)，周围车辆的特征(Surrounding Vehicle Feature,SVF)和 环 境 特 征(Environment Feature,EF)，如表1所示，其中，T为相邻轨迹点时间间隔。选取周围车辆标准如图2所示，Vs1Vs6分别处于3车道。为了简化计算范围，本文只考虑自车纵向相对位移在-100，100 m范围的6辆车，并将其视为重点关注的目标车辆。值得注意的是，在实际情况中，某些位置i可能没有周围车辆Vsi的存在，如图2所示。针对这种情况，本文将此位置的周围车辆特征设置为xi=sgn-1+()i-1/2 dyi=()-1i+1vix=vxviy=vyaix=axaiy=ay(1)式中：sgn为符号函数；/为地板除；d为车道宽度；vx,vy,ax和ay分别为目标车辆的横向速度、纵向速度、横向加速度和纵向加速度。最终，处理数据如图3所示，其中，batch_size为数据批次。每个批次为8 s的轨迹序列，其中，前3 s作为模型输入，后5 s则用于模型的验证。表 1 数据输入特征描述Table 1 Features description table of input data组别TVFSVFEF参数xt,ytvtx,vtyatx,atyxt,i,yt,ivt,ix,vt,iyat,ix,at,iyRl,Rr特征描述目标车辆的横向与纵向位移目标车辆的横向与纵向速度目标车辆的横向与纵向加速度周围车辆i相对于目标车辆的横向与纵向位移周围车辆i的横向与纵向绝对速度周围车辆i的横向与纵向绝对速度目标车辆左右车道标志位，如果其存在为1，否则为0计算公式-vtx=xt+T-xtT,vty=yt+T-ytTatx=vt+Tx-vtxT,aty=vt+Ty-vtyTxt,i=xt,i-xt,yt,i=yt,i-ytvt,ix=xt+T,i-xt,iT,vt,iy=yt+T,i-yt,iTat,ix=vt+T,ix-vt,ixT,at,iy=vt+T,iy-vt,iyT-数量6362图 2 周围车辆选取标准示意Fig.2 Schematic diagram of criterion of surrounding vehicles1.2 解码器模块编码器模块接受上下文向量，输出预测轨迹。本文提出的MTF-LSTM模型采用的是混合解码模式，融合了常用的递归和示教两种方法。递归训练模式如图4所示，初始值为编码器输入轨迹序列的最后一项，解码器单步输出的值作为下一步输入，循环-1步，最终输出预测长度为的序列。示教训练模式如图5所示，模型输入初始值和循环步骤均与递归模式一致，唯一不同之处在于示教模式循环输入的为真实值。混合示教的解码模式，如图1所示。引入超参数示教学习率，其取值范围为()0,1。在解码过程中，以概率采用示教解码模式，以概率1-采用递归解码模式。82第23卷 第4期混合示教长短时记忆网络的车辆轨迹预测研究图 3 数据处理结果示意Fig.3 Diagram of data processing result图 4 递归解码训练模型简图Fig.4 Diagram of decoder recursive training mode图 5 示教解码训练模型简图Fig.5 Diagram of decoder teacher forcing training mode2数据准备针对高速公路驾驶场景，本文采用公开数据集NGSIM 验证，并与其他模型进行对比。NGSIM(Next Generation SIMulation)数据集源于美国联邦公路局，根据所研究的场景，选取US101和I-80路段的数据集。该数据集包含多维度的车辆轨迹信息，例如车辆位置、速度、加速度以及车道编号等。数据集的采集频率为10 Hz，数据处理流程如图6所示。由于NGSIM数据集在采集过程中存在一定的误差，尤其是横向速度误差明显，因此，有必要对其进行平滑处理，本文采用小波分解法对轨迹数据进行滤波。图 6 NGSIM数据处理流程Fig.6 Data processing flow of NGSIMNGSIM数据集主要以车道保持为主，为保证轨迹预测数据集(左换道、车道保持和右换道)平衡性，需要标注轨迹数据，筛选出所需平衡的数据集。本文采用航向角作为轨迹标注的指标，即=arctanxt+1-xtyt+1-yt(2)式中：t和t+1为当前时刻和下一时刻，下同；x和y为横向和纵向位置。关于轨迹标注，常见的有两种方式，第1种方式18-19，将车辆换道过程视为横跨边界车道线两侧的连续过程，在跨过边界车道线后的轨迹点亦视为换道过程；第2种方式9，仅将换道标签标注在跨过车道边界线之前的轨迹点。本文采用的是第1种换道标注方式，根据算法1和图7，首先，通过车辆编号(Vehicle_ID)筛选出目标车辆的轨迹特征；然后，根据车道编号(Lane_ID)的变化定位轨迹与车道边界之间的交点tLC；接着，根据式(2)计算航向角。沿着交点tLC两边进行回溯航向角，如果连续3个相邻点的航向角满足|Threshold:7:Local the lane change timestamptstart,tend8:Label=left lane change(0)9:else if constantThreshold:10:Local the lane change timestamptstart,tend11:Label=right lane change(2)12:else:13:Label=lane keeping(1)14:Process data based on Eq.(1)15:End83交通运输系统工程与信息2023年8月图 7 NGSIM轨迹数据标注Fig.7 Data labeling of NGSIM trajectory由于模型要求具有相同长度的数据序列，因此，需要对数据进行对齐处理。本文采用滑动窗口法获取轨迹序列集合，其中，序列长度为80，滑动步长为1，例如，原始长为n的序列，可得到n-79条子序列。本文使用3 s的历史轨迹预测未来5 s的轨迹，因此，每段轨迹的标注结果是在3 s时刻对应的标签。最终标注的数据结果如表2所示。表 2 数据标注结果Table 2 Result of trajectory labeling标签类别数量左换道149215车道保持1205655右换道38829为确保数据的平衡性，本文在车道保持和左换道数据中进行随机采样，以保证采集到与右换道数量相同的样本，最终得到的数据结果如表3所示。此外，为充分利用数据集，随机采样10组表3数据，用于模型验证。为减少计算量，在子序列上进行稀疏采样，采样得到的数据为5 Hz，同时，将未稀疏采样的数据集作为对比。最后，将数据按6 2 2的比例划分为训练集、测试集和验证集。表 3 数据选取结果Table 3 Result of chosen trajectory标签类别数量左换道38829车道保持38829右换道38829为提高模型的收敛速度，本文采用两种数据正则化的方法，先进行数据差分，然后，特征缩放。数据差分的作用是去除轨迹的趋势，即diff=t-t-1(3)特征缩放的作用是消除不同量纲对模型训练的影响。不同特征参数，例如，NGSIM数据中的横向位移量纲为100，而纵向位移的量纲为102。为减少量纲的影响，实现特征缩放，即new=2ori-()max+minmax-min(4)式中：ori,max,min分别为数据差分后的原始值、最大值与最小值。3模型验证3.1 模型评价指标本文用3 s的历史轨迹预测未来5 s的轨迹，评价指标为15 的终点位移误差(Displacement Error,DE)。EtDE=()xt-xt2+()yt-yt2(5)式中：EtDE为时间戳t的终点位移误差。由于在实际验证中，未来轨迹的真值不可得，于是本文在训练集和测试集中使用混合示教训练模式，而在验证集中采用递归训练模式。为防止训练中模型过拟合，本文采用控制训练和测试损失比保存模型，即LtestLtrain1.05(6)EnRMSE=1ni=1n()xi-xi2+()yi-yi2(7)式中：Ltest和Ltrain分别为测试和训练损失；EnRMSE为时长为n的均方根误差(Root of Mean SquareError,RMSE)。实验在NVIDIA GeForce RTX 3090 GPU上进行，代码在深度学习框架PyTorch下实现。训练迭代次数(epochs)为100，批次(batch_size)为1024，损失函数为均方误差(Mean Square Error,MSE)，优化器为Adam，学习率(learning rate)为0.001，权重衰减(weight decay)为0.0001。编码器与解码器的LSTM模块结构相似，层数均为 4 层，隐藏层为 128，dropout为0.2。3.2 混合教学率网格搜索为了确定最优混合教学率，设置其参数为0.10.9，共9组参数，每组参数进行3次实验，分别在10组数据集上进行，共270组实验。取3次实验中表现最优的1组作为该参数在数据集上的结果，在10组数据集中 15 s 的 DE 及整体的 RMSE如图8所示，其中圆圈为箱型图范围外的点。根据图8可知，15 s的终点位移误差(DE)和模型整体的均方根误差(RMSE)均呈现随着示教学习率先减后增的趋势，存在最小值，综合预测表现比单一递归和示教的模式要更优。在2，3，4，5 s的DE和整体RMSE中，示教学习率为0.5的模型，在10个数据集上均值和方差都比较小，综合表现最好，并且，在1 s的DE中表现也靠前。因此，从实验结果可以看出，采用混合示教的方式能够有效提升模型84第23卷 第4期混合示教长短时记忆网络的车辆轨迹预测研究性能，且在此数据集中最优的示教学习率为0.5。图 8 不同混合示教学习率在10组数据集结果Fig.8 Results of different mixed teaching force rates in 10 datasets3.3 不同特征选择法分析不同特征选择法对模型影响有所差异，季学武等9实验说明，融入周围车辆信息的特征选择法优于仅考虑自车信息特征选择法。本文在自车与周围车辆信息的基础上，融入道路信息，比较基于两种特征选择法的模型表现，结果如表4所示。表 4 不同特征选择法对比结果Table 4 Comparison of different feature selection methods特征选择法周车周车和道路预测终点位移误差/m1 s0.520.472 s0.910.853 s1.121.054 s1.221.095 s1.471.22由表4可知，在15 s的轨迹预测，模型在融入道路信息特征选择法的表现相对于未融入的方法分别提升了 9.62%(即|0.47-0.52|/0.52)、6.59%、6.25%、10.66%和 17.01%，精度平均提升 10.01%。结果表明，相比仅融入周车信息的方法，融入周车和道路信息能够提高轨迹预测的准确性。3.4 不同模型性能分析为验证模型的先进性，本文将与当前表现较好的模型进行对比。(1)S-LSTM15，使用社交池化层的LSTM编码解码模型。(2)CSP-LSTM12，在S_LSTM的基础上加上卷积层。(3)M-LSTM10，使用融合驾驶行为的LSTM编码解码模型。85交通运输系统工程与信息2023年8月(4)MATF-GAN13，加入卷积层的GAN编码解码模型。(5)ST-LSTM17，该模型将空间相互作用嵌入LSTM模型中，以隐式测量相邻车辆之间的相互作用。(6)MHA-LSTM14，采用注意力机制抽取周围车辆特征的LSTM编码解码模型。(7)I-LSTM(SP)9，在5 Hz 稀疏采样数据集上采用融合驾驶意图的LSTM编解码模型。(8)MTF-LSTM，本文提出的采用混合示教的LSTM编码解码模型在10 Hz数据集。(9)MTF-LSTM(SP)，对训练数据进行5 Hz 稀疏采样后训练的MTF-LSTM模型。本文对比的多方法均为基于交互的模型，对比结果如表5和图9所示。表 5 不同模型的表现对比结果Table 5 Comparison result of different models模型S-LSTMCSP-LSTMM-LSTMMATF-GANST-LSTMMHA-LSTMI-LSTM(SP)MTF-LSTMMTF-LSTM(SP)预测终点位移误差/m1 s0.650.610.580.660.540.410.130 0.58580 0.47472 s1.311.271.261.341.161.010.531 1.07070 0.85853 s2.162.092.122.081.881.741.121 1.50501 1.05054 s3.253.103.242.972.702.672.181 1.99991 1.09095 s4.554.374.664.133.633.833.432 2.69691 1.2222图 9 不同模型的表现结果Fig.9 Result of different models由表 4 和图 9 可知，未稀疏采样前的 MTF-LSTM模型相较于其他方法在短期预测中与真实值差距较小，在长期预测上差强人意。而稀疏采样后的MTF-LSTM(SP)模型相较于I-LSTM(SP)模型短时预测上无优势，但长时预测更为精准。模型对3类轨迹预测的部分结果如图10图12所示。图 10 左换道轨迹预测结果Fig.10 Left lane change trajectory prediction results图 11 车道保持轨迹预测结果Fig.11 Lane keeping trajectory prediction results图 12 右换道轨迹预测结果Fig.12 Right lane change trajectory prediction results4结论本文得到的主要结论如下。(1)提出的融入道路环境信息的特征选取法实验结果表明：相较于仅考虑自车和周围车辆信息特86第23卷 第4期混合示教长短时记忆网络的车辆轨迹预测研究征选取法，融入道路特征的方法在15 s内车辆轨迹预测精度上平均提升了10.01%，说明融入道路信息的特征选取法能够增强模型的学习能力。(2)提出的混合示教长短时记忆编码解码模型的实验结果表明：示教学习率为0.5的模型最优，在原始数据集中，模型预测的轨迹在5 s内的终点位移均方根误差在2.7 m以内，在2 s后的长期预测能力均优于其他模型；在稀疏采样后的数据集中，5 s内的终点位移均方根误差在1.22 m以内，说明引入示教学习率能够提升模型对真实轨迹数据的学习能力。本文数据处理及模型验证代码：https:/ C,GUIDOLINI R,CARNEIRO R V,et al.Self-drivingcars:AsurveyJ.ExpertSystemswithApplications,2021,165:113816.2丁飞,张楠,李升波,等.智能网联车路云协同系统架构与关键技术研究综述 J.自动化学报,2022,48(12):2863-2885.DING F,ZHANG N,LI S B,et al.A surveyofarchitectureandkeytechnologiesofintelligentconnectedvehicle-road-cloudcooperationsystemJ.Acta Automatica Sinica,2022,48(12):2863-2885.3MONTANARO U,DIXIT S,FALLAH S,et al.Towardsconnected autonomous driving:Review of use-casesJ.Vehicle System Dynamics,2019,57(6):779-814.4MOZAFFARI S,AL-JARRAH O Y,DIANATI M,et al.Deep learning-basedvehiclebehaviorprediction forautonomous driving applications:A reviewJ.IEEETransactionsonIntelligentTransportationSystems,2020,23(1):33-47.5HOUENOU A,BONNIFAIT P,CHERFAOUI V,et al.Vehicle trajectory prediction based on motion model andmaneuver recognitionC.Tokyo:Intelligent Robots andSystems,IEEE,2013.6BARTH A,FRANKE U.Where will the oncomingvehicle be the next second?C.Eindhoven:IntelligentVehicles Symposium,IEEE,2008.7谢枫,娄静涛,赵凯,等.基于行为识别和曲率约束的车辆轨迹预测方法研究J.汽车工程,2019,41(9):1036-1042.XIE F,LOU J T,ZHAO K,et al.Aresearch on vehicle trajectory prediction method basedon behavior recognition and curvature constraintsJ.Automotive Engineering,2019,41(9):1036-1042.8ZYNER A,WORRALL S,WARD J,et al.Long shortterm memory for driver intent predictionC.RedondoBeach:Intelligent Vehicles Symposium,IEEE,2017.9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 X W,FEI C,HE X K,et al.Intentionrecognition and trajectory prediction for vehicles usingLSTMnetworkJ.ChinaJournalofHighwayandTransport,2019,32(6):34-42.10 CUI H,RADOSAVLJEVIC V,CHOU F C,et al.Multimodal trajectory predictions for autonomous drivingusingdeepconvolutionalnetworksC.PalaisdesCongresdeMontreal:InternationalConferenceonRobotics and Automation,IEEE,2019.11 XIN L,WANG P,CHAN C Y,et al.Intention-aware longhorizon trajectory prediction of surrounding vehiclesusingdualLSTMnetworksC.Maui:InternationalConference on Intelligent Transportation Systems,IEEE,2018.12 DEO N,TRIVEDI M M.Convolutional social pooling forvehicletrajectorypredictionC.SaltLakeCity:Computer Vision and Pattern Recognition Workshops,IEEE,2018.13ZHAO T,XU Y,MONFORT M,et al.Multi-agent tensorfusionforcontextualtrajectorypredictionC.LongBeach:ComputerVisionandPatternRecognitionWorkshops,IEEE,2019.14MESSAOUD K,YAHIAOUI I,VERROUST-BLONDETA,et al.Attention based vehicle trajectory predictionJ.IEEE Transactions on Intelligent Vehicles,2020,6(1):175-185.15ALAHI A,GOEL K,RAMANATHAN V,et al.SocialLSTM:Human trajectory prediction in crowded spaceC.LasVegas:ComputerVisionandPatternRecognition Workshops,IEEE,2016.16DEON,TRIVEDIMM.Multi-modaltrajectoryprediction of surrounding vehicles with maneuver basedlstmsC.Changshu:Intelligent Vehicles Symposium,IEEE,2018.17DAI S,LI L,LI Z.Modeling vehicle interactions viamodified LSTM models for trajectory predictionJ.IEEEAccess,2019,7:38287-38296.18 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.ZHANGHL,FUR.DrivingbehaviorrecognitionandintentionpredictionofadjacentprecedingvehicleinhighwaysceneJ.JournalofTransportation Systems Engineering and InformationTechnology,2020,20(1):40-46.19 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 J D,ZHAO Z M,QU Y C,et al.Vehicle lane change intention recognition driven bytrajectory dataJ.Journal of Transportation SystemsEngineering and Information Technology,2022,22(4):63-71.87