基于WNN的隧道交织区车辆换道持续距离预测.pdf

第 卷第 期 年 月兰州交通大学学报 ，收稿日期：?学报网址：基金项目：国家自然科学基金（）；甘肃省教育厅“双一流”科研重点项目（?）第一作者：安醇（），女，甘肃天水人，硕士研究生，主要研究方向为交通运输规划与管理。?：通信作者：朱昌锋（），男，甘肃天水人，教授，博士生导师，工学博士，主要研究方向为交通运输规划与管理。?：文章编号：（）：基于 的隧道交织区车辆换道持续距离预测安醇，朱昌锋，章超，贾锦秀，赵良晟，王盓（兰州交通大学 交通运输学院，兰州 ）摘要：车辆换道行为往往被当作瞬时交通行为而忽视其换道过程的行为特征。采用城市连续隧道交织区换道行为作为研究对象，探究其换道过程中换道持续距离的选择行为，提出了一种引入小波变换和人工神经网络的组合预测模型。首先，对提取到的换道数据进行一定程度的降噪处理，将影响换道持续距离的主要因素作为神经网络的输入变量，以南京市“九华山?西安门”连续隧道交织区轨迹数据为例，通过训练模型来提高对车辆换道持续距离的预测精度。结果表明：与机器学习模型和神经网络模型进行对比分析，发现所提出的小波神经网络模型具有较高的预测性能，对该交织段典型换道行为进行特征分析研究，可以为城市连续隧道交织区管理方案的制定奠定理论基础。关键词：换道持续距离；小波神经网络模型；城市连续隧道交织区中图分类号：文献标志码：?，（，）：?，?，?，?，?，?：?；?车辆的换道行为是造成道路交通流堵塞、通行效率低下的重要原因之一，对换道行为特征进行深入研究有利于解读城市道路交通运行的内在机理。此外，城市连续隧道交织区（?兰州交通大学学报第 卷 ，）作为城市道路交通中的特殊路段，其内部车辆行驶更加复杂、换道更加频繁，为缓解城市交通拥堵，提升 内车辆通行效率，需要对该交织区交通特性进行分析。最后，大部分对交通流的研究，忽视了表征换道过程的因素，可能会造成换道行为安全和效率的评价存在缺陷。因此，通过分析 车辆换道持续距离的影响因素，继而构建行为预测模型，不仅有利于揭示交通流状态的演变规律和交通事件的发生机理，同时还可以为交织区内交通安全管理方案的制定提供理论依据。首先，关于交织区的研究主要集中于城市快速路、高速公路等合流区。如文献?研究了城市快速路上复杂的交通拥堵和换道行为特征；文献?研究了高速公路合流区车辆换道轨迹和交通状态。后续，随着城市立体交通体系的建设，逐渐成为城市范围内常见的交织区类型之一，目前 等 、等 已针对城市连续隧道交织区分别开展了安全和换道行为的相关研究。此外，早期关于车辆换道过程的研究，文献?研究了瞬时交通情况下车辆之间的变道效应，并且对车辆的换道行为进行了预测，即大部分学者是将换道过程当作瞬时交通行为来研究的。为了探究换道的过程性，赵建东等 在研究车辆换道意图时，发现综合考虑车辆换道过程时空特性的模型可以表现出较良好的识别性能。综上所述，因逐渐成为新型交织区类型而受到关注，且对交织行为的研究缺乏换道的过程性。此外，随着人工智能的发展，深度学习（，）模型正逐渐成为各领域的研究热点。如孙秦豫等 提出了一种基于长短期记忆神经网络和注意力机制的换道轨迹规划模型；文献?分别提出了长短期记忆神经网络和优化算法及基于集成经验模态分解算法结合的预测模型，对短期交通流进行了预测。此外，由于道路交通流的复杂多变，在收集原始数据的过程中可能会受到不同程度噪声的影响，故各种模型开始与小波去噪理论相结合，如朱才华等 在构建基于回归移动平均模型的短期客流预测方法时，采用小波变换算法对客流数据进行去噪处理，以提高模型的收敛速度和预测精度；等 提出小波去噪方法和 神经网络结合的交通量预测组合模型。鉴于此，本文以典型的双隧道连续隧道交织区作为研究对象，在考虑周边环境对换道的影响基础下，选取车辆换道持续距离为主要特征进行研究，提出了一种基于小波变换的人工神经网络（，）预测模型。首先，采用小波变换（，）的方法对换道数据进行处理，然后将处理后的数据作为人工神经网络（，）模型的输入变量，对换道持续距离进行预测，以改进传统神经网络在数据信息存储、模型性能和精度等方面的缺陷，从而进一步提升模型的预测精度。车辆换道过程场景分析 交织车辆的换道持续距离由于城市隧道要与地面道路间进行交通交换，往往需要在转换交通需求较大区域设置连续隧道交织区，该类交织区上下游均为隧道路段，且隧道内车道分隔线为实线，从而导致大量跟驰换道行为集中在交织影响区域内进行。故本文采用换道持续距离这一表征换道过程的因素进行研究。如图 所示，集中了单车轨迹数据反映出横向位置的改变过程，确定换道执行的起终点，换道持续距离为车辆完成换道过程在车道方向上移动的距离。换道起点换道终点地面道路高速公路车道分隔线换道持续距离横向位置?距离?图 车辆换道执行特征?影响换道持续距离因素分析换道持续距离不仅依赖于车辆自身因素，还受到该交织区环境的间接制约。本研究从周边车辆、环境因素、换道车辆自身因素和车辆间交互作用四个方面提取了有关影响换道持续距离的关键要素，各影响要素间的相互关系如图 所示。由图 可知，交织区的环境因素直接影响道路中车辆的行驶状态和车辆间的交互作用，换道车辆自身因素及周边车辆直接影响车辆换道交互作用，进而影响车辆的换道持续距离。预测模型构建 组合预测模型整体框架通过上述分析，从交织区内换道车辆中提取有第 期安醇等：基于 的隧道交织区车辆换道持续距离预测关换道过程的数据信息，初步筛选出主要的影响因素，根据这些选定的影响因素来预测车辆换道持续距离。如图 所示，为基于 模型的换道持续距离预测框架图，是利用小波阈值消噪对含有噪声的换道数据进行处理，获得较为纯洁的原始数据，然后将消噪后数据中的训练集输入到人工神经网络模型中，通过设定训练次数及损失函数等参数得到最终预测模型，将测试集输入到训练好的模型中得到换道持续距离的预测结果。周边车辆原车道前后车速度原车道前后车加速度目标车道前后车速度目标车道前后车加速度车辆类型?环境因素道路坡度隧道间距离时间?是否为高峰期?天气?自身因素车辆类型换道前速度?加速度换道后速度?加速度驾驶员行为?交互作用换道车辆与原车道前后车间距换道车辆与目标车道前后车间距换道时间?影响直接影响直接影响影响影响影响间接影响间接影响结束换道开始换道换道持续距离?图 影响换道持续距离的因素?选定影响因素设置数据标签基础数据集小波阈值数据消噪测试数据训练数据初始化人工神经网络模型设定训练次数计算损失函数是否完成训练次数?训练好的模型得到预测结果保留记忆是否图 小波神经网络框架图 基于小波变换的数据消噪大量的交织行为极易导致车辆缓行甚至交通拥堵，且车辆换道决策受驾驶员主观和环境客观的影响，是一种复杂的交互过程，因此，车辆换道数据的采集易受多种因素的影响而产生数据噪声，采用小波变换的方式对换道数据进行降噪处理，可以减少数据噪声带来的误差。其技术路线如图 所示。原始信号?含噪信号?噪声信号?小波分解阈值处理小波重构去噪后信号小波逆变换重构信号各尺度小波系数去噪合适的小波基分解层数?图 小波去噪流程图 假设 为时间变量，（）为含噪信号，（）为去噪完成后信号，（）为去噪过程，（）为原始信号，（）为噪声信号，一维含噪换道数据模型和消噪完成后模型为（）（）（）（）（）（）（）对于一维信号 （）进行离散采样，得到 点离散信号 （），（，），则小波变换为 （，）（）（）（）式中：（，）为小波系数，记为 ，（）为母小波。采用软阈值函数的方法对含噪系数进行处理，即过滤含噪小波系数，软阈值函数为，槇，（，），（）式中：为阈值，槇为阈值化后的小波系数。人工神经网络预测模型本文采用的 模型由层 神经网络构建而成，各神经元节点数为?，学习结构如图 所示。各层 神经网络的正向传播子过程为 （）（）（）式中：为节点 和 之间的权值，为节点 的阈值，为每个节点的输出值，为激活函数。误差反向传播子过程的求解流程为（，）（）（）（）（）（）（，）（）式中：（，）为预测值与实际值之间的损失函数，为梯度下降学习率。考虑到预测误差，故通过多次重复实验，选取最兰州交通大学学报第 卷优情况的参数，即设置最大迭代次数 为 ，训练集和测试集批处理大小 分别为、，优化器为 ，激活函数为 ，损失函数为 ，学习率为 。其中，激活函数为（）（）（）（）式中：为输入值，（）为输出值。定义预测值为（，），真实值为（，），则损失函数为 （，）（）实例分析 数据来源和特征提取选取南京市“九华山?西安门隧道”连续隧道交织区作为研究对象进行数据采集，该交织区为城市快速路单向三车道，辅路单向两车道，研究区域长 ，其物理结构如图 所示。?输入层?隐藏层输出层?非线性元素?求和节点?映射关系?图 人工神经网络 上游隧道下游隧道交织区高速公路地面道路?隧道匝道隧道图 连续隧道交织区结构图（单位：）?（：）换道车辆数据采集方式为使用无人机拍摄天气晴朗的早高峰：?：时段交通流视频，通过中佛罗里达大学智能与安全交通实验室的 系统进行处理 。初步获取的基础数据包括：帧数、车辆编号、车头、车辆中心、车尾部的像素坐标等数据，共计约 多万条，利用仿射变换将像素点转换为笛卡尔坐标 。对转换后的数据样本进行过滤，获得共计 辆车的完整换道行为数据。以现有研究为基础，结合对换道过程的主观认知，经初步筛选得到可能影响换道持续距离的因素，如表 所列。模型训练结果分析 模型预测考虑到原始数据存在一定的误差和噪声，故采用小波变换对原始数据进行消噪处理，其中，小波层数为 ，阈值公式采用自适应阈值，阈值函数采用软阈值方法，选用 、小波函数进行对比分析，选用信噪比（?，）和均方根误差（，）对各小波基下的去噪效果进行衡量，即 （）（）（）（）（）槡（）式中：（）为原始信号，（）为噪声信号，为原始信号，为噪声能量。第 期安醇等：基于 的隧道交织区车辆换道持续距离预测表 变量描述 变量描述变量描述换道前车辆速度（）换道前原车道后方车辆加速度（）换道前车辆加速度（）换道前目标车道前方车辆加速度（）换道后车辆速度（）换道前目标车道后方车辆加速度（）换道后车辆加速度（）换道前当前车辆 坐标与原车道前方车辆 坐标之差 换道前原车道前方车辆速度（）换道前当前车辆 坐标与原车道后方车辆 坐标之差 换道前原车道后方车辆速度（）换道前当前车辆 坐标与目标车道前方车辆 坐标之差 换道前目标车道前方车辆速度（）换道前当前车辆 坐标与目标车道后方车辆 坐标之差 换道前目标车道后方车辆速度（）换道时间 换道前原车道前方车辆加速度（）换道持续距离 运用四种不同小波基对原始换道持续距离的含噪数据信号进行小波分解，去噪效果对比分析如表 所列。由表可知，采用 小波函数去噪效果相比其他小波函数更好，且去噪信号与原始信号之间的误差更小，故采用 小波基作为母小波。部分参数 、的消噪对比如图 所示，其中，每组对比图左侧为原始换道数据序列，右侧为软阈值方法消噪后的换道数据序列。从上图 中可以看出：）消噪数据保留了有用信号中的尖峰和突变部分，有效过滤了数据信息中的噪声分量，波形整体上较为理想，保留了特征点且滤除了异常抖动，总体上数据信息保留较为完整；）由表 中数据去噪对比发现，使用 小波基和软阈值函数的小波变换，数据信号噪声滤除效果更佳，处理重构后信号的 有所提升，且去噪精度也有所提升。表 不同小波基去噪效果对比分析 指标?车辆编号?车辆编号?车辆编号?车辆编号?车辆速度消噪对比图?车辆加速度消噪对比图车辆速度?车辆加速度?车辆速度?车辆加速度?兰州交通大学学报第 卷?车辆编号?车辆编号?车辆编号?车辆编号?车辆编号?车辆编号?车辆间?坐标距离消噪对比图?车辆换道时间消噪对比图?车辆换道持续距离消噪对比图?车辆间?坐标距离?车辆间?坐标距离?车辆换道时间?车辆换道持续距离?车辆换道持续距离?车辆换道时间?图 消噪效果对比图 将上述消噪后的数据传入 模型的输入层，进行模型预测的可视化，其中，模型归一化后的损失值和准确率变化曲线如图 所示。结合图 、可知，在训练开始阶段损失率曲线下降幅度很大，经反复学习后，总体趋于平稳，其损失率位于区间 ，总体呈下降趋势，即随着迭代次数的增加，模型预测值与实际值之间的误差减小，模型的准确率增加，保持在 附近，表明所提出模型的预测结果较优。模型评估指标为衡量上述 模型的性能，采用预测时间、决定系数（?，）、平均绝对误差（，）、均方根误差 和准确率（，）四种指标（如公式（）至（）来评价模型预测结果的性能。其中，模型的预测时间为运行十次的预测时间平均值。（）（）（）（）（）槡（）（）（）第 期安醇等：基于 的隧道交织区车辆换道持续距离预测式中：（，）为车辆换道持续距离的实际值，（，）为实际值所对应的预测值，为实际值的均值，为预测样本的数量。?迭代次数?次损失率训练损失率图 预测模型损失曲线变化图 训练准确率?迭代次数?次准确率?图 预测模型准确率曲线变化图 实验结果对比分析为评估 模型的有效性，引入支持向量机（，）模型、神经网络 模型与 模型进行对比分析。模型对比分析如图 所示。由以上三种模型的预测结果对比图可以看出：）模型在一些尖峰和突出的地方，其预测值相比 模型更接近于实际值；）模型预测精度同样优于 模型，即预测值与实际值更接近；）模型的数据总体较为平缓，保留了尖峰和突变处，有效的降低了数据在采集和误差等方面造成的噪声对预测结果的影响。以上三种模型的评价指标对比如表 所列：?车辆编号?模型?车辆编号?模型?车辆编号?模型?车辆换道持续距离?车辆换道持续距离?车辆换道持续距离?实际值预测值实际值预测值实际值预测值图 模型对比分析 表 模型评价指标对比 模型预测时间 通过对表 中 模型与其他几种模型对比可知。）从预测时间来看，模型预测时间基本可以忽略不计，远远高于深度学习模型，且 模型相比 模型更快，相差约一分钟左右；）从 来看，深度学习模型的拟合效果远远优于机器学习模型模型，且 和 模型的 相差不大，均接近于 ，回归拟合效果较好；）从 、来看，模型的 值最小，即预测值与平均值平均相差较少，预测值最接近实际值，而 模型的 值较高，即预测结兰州交通大学学报第 卷果受个别异常值的影响较大；）从 来看，模型的预测准确率最高，较 模型和 模型分别提升了约 和 ，故在提取换道数据信息时，要优先考虑数据噪音问题，故为了达到预测精度最优应该选取 模型。结论本文以 为背景，以交织区内车辆换道持续距离为研究对象，利用航拍获取换道车辆的车行轨迹数据。引入小波变换的方法对换道轨迹数据进行消噪处理，并作为 模型的输入变量，预测车辆的换道持续距离，通过与其他模型进行对比分析，发现本文所提出的 模型预测准确率达到了 ，相比 和 模型分别提高了 、，表明 模型具有良好的预测性能，改善了单一模型容易造成信息缺失及预测精度不足的缺陷，且考虑数据噪声对结果的影响，故预测精度较高。综上所述，本文针对换道持续距离的研究可以深化换道行为的理论基础，同时也可以提高交通仿真模型中针对换道行为建模的准确性，为交通流研究提供真实的仿真环境。参考文献：唐克双，陈思曲，曹喻，等 基于 卷积神经网络的城市快速路行程速度短时预测 同济大学学报（自然科学版），（）：?谢济铭，彭博，秦雅琴 基于换道概率分布的多车道交织区元胞自动机模型 交通运输系统工程与信息，（）：?韩皓，谢天 基于注意力 网络的高速公路交织区车辆变道轨迹预测 中国公路学报，（）：?，（）：，?，（）：?，?，（）：，（）：?，?，（）：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 交通运输系统工程与信息，（）：?孙秦豫，付锐，王畅，等 人机协作系统中车辆轨迹规划与轨迹跟踪控制研究 中国公路学报，（）：?，?：?，（）：?李杰，张子辰，孟凡熙，等 基于融合神经网络的短期交通流预测研究 兰州交通大学学报，（）：?，朱才华，孙晓黎，李培坤，等 融合车站分类和数据降噪的城市轨道交通短时客流预测 铁道科学与工程学报，（）：?，?，：王祉祈，吴宇轩，赵靑 基于车辆行为特征的城市隧道交织区换道模型研究 软件导刊，（）：?（责任编辑：马延麟）