考虑车辆历史状态数据的加速车道汇入策略研究.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)04-0102-09中图分类号：U495文献标志码：ADOI:10.16097/ki.1009-6744.2023.04.011考虑车辆历史状态数据的加速车道汇入策略研究郭应时，谷梦路，王畅*，苏彦奇，付锐，袁伟(长安大学，汽车学院，西安 710064)摘要：为研究汇入场景中车辆历史状态数据对高速公路加速车道汇入车辆汇入决策行为的影响，本文结合GentleBoost(Gentle adaptive Boosting)集成学习算法框架，提出考虑历史时间窗口的加速车道汇入决策模型。首先，使用高精度摄像头和毫米波雷达组成路侧数据采集平台，采集国内典型高速公路加速车道车辆汇入行为数据。其次，搭建汇入决策模型，基于汇入场景车辆当前时刻状态信息和历史状态信息，考虑剩余加速车道长度的影响，建立GentleBoost汇入决策模型。最后，通过SUMO(Simulation of Urban Mobility)仿真平台和MATLAB算法控制平台搭建智能网联高速公路加速车道汇入仿真测试环境，测试不同主线交通流密度下的汇入决策效果。研究结果表明，随着车辆历史状态数据时间窗口的增大，汇入决策模型的准确率先增大后趋于稳定。在考虑汇入场景车辆历史状态信息的时间窗口为1.7 s时，GentleBoost模型得到了最大的汇入决策识别准确率，其中识别“汇入”事件的准确率为98.9%，识别“不汇入”事件的准确率为97.4%。微观仿真结果表明，相比SUMO中的LC2013换道模型，考虑车辆历史状态信息的GentleBoost汇入决策模型获得了更高的汇入成功率和更大的通过平均速度。关键词：智能交通；车辆历史状态数据；GentleBoost；汇入决策模型；加速车道；SUMO仿真验证Merging Decisions from Acceleration Lanes ConsideringHistorical Vehicle Operating State DataGUO Ying-shi,GU Meng-lu,WANG Chang*,SU Yan-qi,FU Rui,YUAN Wei(School of Automobile,Changan University,Xian 710064,China)Abstract:Abstract:To investigate the impact of the historical vehicle operating state data on merging decisions of the mergingvehicle in a highway acceleration lane,a merging decision model for the merging vehicle considering the vehiclehistorical operating state data in a time window was proposed by combining with GentleBoost(Gentle adaptiveBoosting)ensemble learning algorithm.First,a roadside data acquisition platformwasdesignedusinghigh-definition cameras and millimeter radar devices,and real traffic interaction data at a typical merging zone with anacceleration lane in China were collected.Second,a merging decision model based on a GentleBoost algorithmconsidering current and historical vehicle operating state data in the merging scenario,and the impact of the remainingdistance in the acceleration lane was proposed.Finally,a microscopic simulation merging scenario was built based onSUMO(Simulation of urban mobility)and MATLAB platforms,to test the GentleBoost merging decision model in anintelligent connected environment under different traffic flow conditions.The results showed that,as the length of thetime window increased,the overall recognition accuracy of the model first increased and finally tended to be stable.The merging decision model reached its best performance when the time window length was 1.7 s.And the recognitionaccuracy was 98.9%for Merge events and 97.4%for Non-merge events.The simulation results showed that,compared to the LC2013 model embedded in SUMO,the proposed GentleBoost model considering the historical dataobtained a higher merging success rate and a larger average traveling speed in the merging control zone.收稿日期：2023-03-28修回日期：2023-05-06录用日期：2023-05-08基金项目：国家自然科学基金/National Natural Science Foundation of China(51908054)；国家重点研发计划/National KeyResearch and Development Program of China(2019YFB1600500)；中央高校基本科研业务费专项资金/Fundamental ResearchFunds for the Central Universities(CHD300102220202)。作者简介：郭应时(1964-)，男，辽宁凌海人，教授，博士。*通信作者：第23卷 第4期考虑车辆历史状态数据的加速车道汇入策略研究Keywords:Keywords:intelligent transportation;vehicle historical state data;GentleBoost;merging decision model;accelerationlane;SUMO simulation0引言车辆的换道行为会导致交通流振荡，甚至在道路合流区、分流区和交织区引发交通瘫痪1。根据公安部交通管理局发布的道路交通事故统计年报，2020年全国高速公路交通事故共发生7923起，其中与换道相关的事故数超过3%2。由此可见，高速公路上每年仍有大量与换道相关的事故发生。高速公路加速车道汇入路段是典型的强制换道行为(Mandatory Lane Changing,MLC)发生路段，受加速车道剩余长度和主线匝道速度差的影响，高速公路加 速 车 道 的 汇 入 行 为 相 比 于 自 由 换 道 行 为(Discretionary Lane Changing,DLC)更加复杂，驾驶人的负荷更高。研究人类驾驶员高速公路加速车道汇入决策行为，建立类人化的汇入决策模型，对于提高混行模式和智能网联环境下的交通效率具有重要意义。前人对换道决策已经做了大量研究，根据汇入决策模型原理，可将换道决策模型分为：基于安全距离的换道模型，基于后车最大可接受减速度的换道模型，间隙接受模型，基于风险冲突量化指标的换道模型。Li等3认为车辆换道的最小纵向安全距离和周围车辆的运动状态有直接关系，建立了基于安全势场理论的最小安全距离模型，融合了车辆速度、加速度、转向角和质量参数，可以根据车辆运动状态动态调整模型结果。Wang等4通过信号检测理论(Signal Detection Theory,SDT)方法确定了换道的前后极限阈值，该值以后车减速度值进行表征，分别为-1.5 ms-2和-2.7 ms-2。Ali等5基于广义估计方程建立了换道的间隙接受模型，并研究了网联环境对换道行为的影响，结果表明，网联环境下驾驶人倾向于接受更大的间隙；叶颖俊等6通过风险理论和期望反应时间(Desired Reaction Time)建立了汇入过程中主线后车间隙风险边界。关于风险冲突量TTC(Time to Collision)和后侵占时间PET(Post Encroachment Time)等，Qi等7使用修正的后侵占时间模型对换道特征和安全性进行评估，其中，PET小于0.70表示存在严重冲突，PET在0.70,1.31)表示存在一般冲突，PET 在1.31,2.25)表示存在轻微冲突，PET大于2.25表示可能存在潜在冲突。对于智能网联环境下的换道行为研究，赵建东等8结合强化学习和分子动力学，提出一种融合掩码机制和注意力机制的双深度 Q 网络(Mask-Attention-DDQN,MAQ)换道决策模型，该模型提高了智能网联车辆的平均通过速度。张洪加等9通过stacking集成学习方法建立了网联和非网联环境下的换道意图识别模型，研究表明，网联环境下驾驶人的换道时间更长。总结前人研究发现，关于换道决策的研究，多是基于当前车辆运行状态参数和交通环境参数对换道与非换道行为进行决策。然而，驾驶人在换道过程中对环境的观测和评估是一个动态而非静止的过程10，换道场景车辆历史状态信息可能也包含影响当前换道决策的重要信息，较少有研究指出历史状态数据对当前换道决策行为的影响。其次，缺少典型的高速公路加速车道汇入数据。目前，国内外有关汇入行为的研究多是基于 NGSIM(NextGeneration Simulation)公开数据集，然而NGSIM中的汇入路段US101和I-80均处在汇入汇出的交织区，而非典型的加速车道汇入路段。本文通过建立路侧数据采集平台，采集国内典型高速公路加速车道汇入路段的汇入场景数据。基于真实自然汇入数据，考虑车辆历史状态数据对汇 入 决 策 的 影 响，引 入 GentleBoost(Gentleadaptive Boosting)集成学习框架，建立高速公路加速车道汇入决策模型。在上述研究基础上，基于SUMO(Simulation of Urban Mobility)仿真场景平台和MATLAB R2021b算法模型平台建立高速公路加速车道智能网联车辆汇入决策测试环境，并将本文提出的考虑车辆历史状态数据的GentleBoost类人化汇入决策模型与SUMO中的LC2013换道模型进行对比分析。1汇入数据采集1.1 数据采集过程将高清摄像头、毫米波雷达和笔记本电脑组成路侧数据采集平台，经时间校正后安装于G70福银高速三营收费站高速公路入口加速车道与主线道路硬隔离区末端，具体安装位置如图1所示。路侧数据采集平台通过毫米波雷达获取车辆纵向位置、速度、角度信息，通过高清摄像头记录汇入场景视频信息，通过笔记本电脑保存采集数据。其中，汇入数据采集路段的主线限速值为120 kmh-1。加速103交通运输系统工程与信息2023年8月车道的长度为L=156 m。高清摄像头的视频采集速率为30 frames-1，雷达采用Dephi ESR毫米波雷达，采集速率为20 Hz。毫米波雷达的最大监测范围为204.7 m，可同时追踪64个目标，监测角度为雷达波束中心左右各45，监测距离精度为0.5 m，角度精度为0.5，速度采集精度为0.12 ms-1。在实际数据采集之前，首先对摄像头和雷达进行时间同步校正，通过摄像头观察汇入场景辅助挑选雷达数据。当摄像头监控视频中观察到来车时，雷达可同步记录来车的时间、角度、距离、速度等信息。为验证雷达数据的有效性，在实际采集数据之前，试验采集人员先进行数据试采集。首先利用该路侧数据采集平台采集少量汇入场景视频和雷达数据，通过Photoshop软件逐帧导入采集视频，利用参考线工具标记某车辆前后轴分别通过道路某一点所用的帧数nf(视频采集速率为30 frames-1，通过时间为nf30s)，即可大致计算出该车通过标记路段的速度(s()nf30，其中，s为该车轴距(m)，其值通过车型可查到)。通过视频中的标记时间在雷达数据中找到该车辆的位置、速度和角度信息，将雷达数据进行余弦校正(详见1.2节)，并将校正后的速度与以上方法计算得到的车辆速度进行对比，结果表明，以上方法得到的车辆速度和雷达测量得到的车辆速度是大致相同的，说明本试验测得的数据是可靠有效的。由于实验采用的雷达和摄像头体积较小，且安装位置隐秘，因此，该路侧数据采集平台不会对驾驶人的驾驶行为产生干扰，可获得真实可靠的汇入行为数据，且可实现对驾驶行为的连续采集。汇入数据采集累计时长约16 h，监测到超过2000辆汇入车的汇入过程，其中单车汇入过程约1000组。数据采集路段道路交通流量分布在25005560 vehh-1之间(双向4车道，非拥堵条件，无停走现象)，主线车辆平均速度约为2233 ms-1，加速车道汇入车平均速度约为1520 ms-1。通过该路侧数据采集平台采集的数据集与现存的 NGSIM、UbiquitousTraffic Eyes数据集相比，包含了更加丰富和典型的加速车道汇入场景数据，适用于高速公路场景下的加速车道汇入行为研究。图 1 设备安装位置Fig.1 Devices installation position1.2 数据预处理典型汇入场景如图2所示。当车辆进入路侧数据采集平台监控范围时，路侧数据采集平台可获得车辆的一组参数值Sdataraw=()vdet,pdet,svehraw。其中，vdet为毫米波雷达测得的车辆速度，pdet为车辆距离路侧数据采集平台的直线距离，为毫米波雷达波束中心与车辆的夹角，Sveh为汇入环境车辆集合。由于数据采集过程存在噪声，本文基于MATLAB R2021b 中 的 小 波 工 具 箱，采 用“ddencmp”“wpdencmp”函数对路侧数据采集平台获得的原始数据进行分解和重构得到去噪数据。去噪之后的数据为Sdata=()vdet,pdet,sveh，记去噪函数为Sdata=()Sdataraw(1)如图2所示，由于余弦效应存在，vdet比真实车辆纵向速度v要小，vdet和v的关系为v=vdetcos(2)设路侧数据采集平台距离加速车道起点的距离为lbias，则pdet与车辆距离加速车道起点的纵向距离d之间的关系为104第23卷 第4期考虑车辆历史状态数据的加速车道汇入策略研究d=pdetcos-lbias(3)经过余弦效应校正后，可得到汇入环境中所有车辆的实际纵向速度v和距离加速车道起点的纵向距离d。设经过余弦效应校正后的数据为P=()v,dSveh，记余弦效应校正函数为P=()Sdata(4)图 2 典型高速公路加速车道汇入场景Fig.2 Typical merging scenario in highway acceleration lane2汇入决策模型2.1 模型输入特征向量(1)主要特征参数邬岚等11建立了高速公路交织区的二元Logit汇入模型，认为汇入车辆和目标车道前车的距离是影响汇入决策的显著因素。叶颖俊等6将主线前后车间隙，主线后车速度考虑到主线后车换道意图识别模型当中。Cantisani等12研究得到汇入车辆的速度越高，汇入决策时间越短。综合前人研究发现，在换道、汇入决策行为中，自车的速度、自车与目标车道前后车的速度和位置关系是主要的考虑因素。不同于传统的DLC，在高速公路加速车道的MLC换道决策行为还会受到加速车道剩余长度lRD的影响，由于不同的汇入车辆MV纵向速度vM不同，以当前时刻MV到达加速车道终点所需的时间lRDvM作为表征MV汇入紧迫度的参数，分析汇入紧迫度对汇入决策行为的影响。统计MV汇入时的汇入紧迫度值，并根据汇入车 辆 数 量 将 汇 入 紧 迫 度 平 均 分 成 3 个 区 间lRDvM5.13 s(约1/3车辆汇入),5.13 s lRDvM6.63 s(约 1/3 车辆汇入)，lRDvM6.63 s(约 1/3 车辆汇入)。设汇入时刻MV与目标车道前车LV的距离为GmergeLM，目标车道后车FV与MV的后侵占时间为TmergeMF(Post Encroachment Time)，TmergeMF表示MV到达汇入点的时刻与 FV 到达同一位置的时间差5。GmergeLM和TmergeMF表示MV的风险接受度。统计MV在不同汇入紧迫度下进行汇入时可接受的GmergeLM和TmergeMF，其中，GmergeLM和TmergeMF的第十百分位数P10如表1所示。表 1 不同汇入紧迫度下风险接受度差异Table 1 Risk acceptance difference in differentlRDvMrangeslRDvM/s6.63,+)5.13,6.63)0.00,5.13)GmergeLM()P10/m39.234.723.0TmergeMF()P10/s1.51.31.1由表 1 可知，随着lRDvM值减小，GmergeLM(P10)和TmergeMF(P10)值也均减小，即随着lRDvM的减小MV在汇入时的风险接受程度增大。因此，本文将lRDvM考虑到汇入模型的输入参数当中。综上，对汇入决策产生影响的主要特征参数如表2所示。表 2 特征参数及其定义Table 2 Impact factors and definitions特征参数vMvLMvMFGLMGMFlRDvM定义MV速度(ms-1)目标车道前车LV和MV速度差(ms-1)MV和目标车道后车FV速度差(ms-1)目标车道前车LV和MV的距离(m)MV和目标车道后车FV的距离(m)MV距离到达加速车道终点的时间(s)105交通运输系统工程与信息2023年8月设I=(vM,vLM,vMF,GLM,GMF,lRDvM)，I可以通过P=()v,dSveh经过简单四则运算函数计算得到，即I=()P(5)(2)历史时间窗口Doshi等13研究发现，驾驶人在换道决策之前，通常需要3 s的时间对所在交通场景状态进行评估。这表明驾驶人需要综合汇入场景车辆历史状态信息和当前车辆信息进行分析以决定是否执行汇入行为。分析整理汇入场景数据集发现，在通过加速车道汇入路段时，主线车辆可能会出现运动状态的改变，其在一段时间内的加减速行为可能会对当前加速车道汇入车辆的汇入决策行为产生影响。为了研究车辆历史状态信息对汇入车汇入决策的影响，本文引入时间窗口tw，将时间窗口tw中每一时刻的特征参数值It串联得到新的汇入场景信息SItw作为汇入模型的输入特征向量，即SItw=()Itcur-tw,Itcur-tw+0.1,Itcur-tw+0.2,Itcur(6)以0.1 s为时间窗口控制精度，当时间窗口为tw时，考虑历史时间窗口tcur-tw,tcur内每一时刻的汇入场景数据。设SItw=tw()I，根据式(1)，式(4)和式(5)可得SItw=tw()Sdataraw(7)根据当前时刻t=tcur下 MV 是否执行汇入行为，将t时刻的汇入决策结果分为“汇入”Bmerge和“不汇入”Bstay，即D=Bmerge,Bstay(8)2.2 汇入决策模型Boosting集成算法通过逐步训练一系列弱学习器组合成最终的强学习器。Simsek等14通过对比 AdaBoost，GentleBoost 和 RUSBoost(RandomUnder-sampling Boosting)这3种boosting集成算法模型在移动设备恶意提交任务的识别准确率发现，GentleBoost模型的检测准确率可达到95.29%，优于其他两种boosting集成学习模型。因此本文拟采用GentleBoost算法建立汇入决策模型以分析汇入环境车辆历史状态信息对汇入车辆汇入决策行为的影响。为验证 GentleBoost 算法在汇入决策模型中的适用性和有效性，本文基于 MATLAB R2021b平台，分别建立了基于 DT(Decision Tree)算法，Bi-LSTM(Bi-directionalLongShort-termMemoryNetwork)算法，BERT(Bi-directionalEncoder Representation from Transformers)算法和GentleBoost算法的汇入决策模型，并对比了不同tw下4类模型的汇入决策准确率。模型训练集和测试集的比例为4 1。取tw=0.0,2.5，为了在0.0,2.5的区间内表现出tw的大小对模型准确率的影响规律，同时与SUMO仿真平台中的环境状态更新频率保持一致，tw控制精度取0.1 s。普通人类驾驶员的反应时长约为0.31.0 s，tw=0.1 s能够满足智能网联车的决策频率快于普通人类驾驶员的需求。以SItw作为模型输入，D作为模型输出，比较不同tw下 DT，BERT，Bi-LSTM和GentleBoost这4类模型的汇入决策准确率，结果如图3所示。当tw=0.0时，模型只考虑当前时刻汇入环境的特征参数向量，SI0=Itcur。由图3(c)可知，随着tw增大，GentleBoost，Bi-LSTM，BERT和DT这4类模型识别“汇入”事件和“不汇入”事件的整体准确率都呈波动上升的趋势。在任意的tw下，GentleBoost模型的汇入决策整体识别准确率均大于相应tw下的 Bi-LSTM 模型、BERT 模型和 DT 模型，GentleBoost模型和Bi-LSTM模型分别在tw=1.7 s和tw=1.6 s时达到最高整体识别准确率，之后两类模型整体识别准确率均趋于稳定。DT 模型在tw=1.8 s时达到其最高整体识别准确率，之后模型整体识别准确率出现较大波动。BERT模型始终没有收敛到一个较为稳定的决策准确率值，在tw=2.4 s时达到其最高整体识别准确率。对比图3(a)和图3(b)可知，“不汇入”事件的识别准确率对时间窗口tw较为敏感，而“汇入”事件随着tw变大增幅较小。这可能是由于“汇入”事件的识别边界较为清晰，往往更依赖于车辆之间的相对速度和相对位置关系，如MV倾向于在LV和FV间隙较大时进行汇入。“不汇入”事件则可能更依赖于车辆本身的运动状态变化规律，例如，若激进的FV采取加速的方式通过汇入区域，这时MV应识别到FV的状态变化并判断其意图，进而采取“不汇入”的决策行为。由图3(a)和图3(b)可知，相比于GentleBoost模型，Bi-LSTM模型和BERT模型识别“汇入”事件和“不汇入”事件的准确率随tw的变化出现显著的振荡，且随着tw变大不能很好地收敛，这可能与深度神经网络本身的特性有关，算法准确率依赖于深度106第23卷 第4期考虑车辆历史状态数据的加速车道汇入策略研究神经网络框架背后的大量训练参数，然而，这些参数之间的逻辑与意义目前尚不能很好地解释，相比于固定逻辑和规则的算法，这些参数未知的相互作用可能是神经网络算法模型准确率出现振荡的原因。同时，其难以解释性也将为事故分析、智能驾驶算法改进带来巨大的挑战。再者，模型准确率的振荡对于本文的目的研究历史数据时间窗口对汇入决策模型准确率的影响表现性较差。图 3 模型准确率Fig.3 Accuracies of models由图3(c)可知，当tw为0.81.7 s时，相比于较小的tw和较大的tw，GentleBoost模型的整体决策准确率波动较大，这可能是由于较小的tw中不能捕捉到车辆状态的变化，而随着tw变大，模型捕捉到更多的车辆状态变化信息，当tw大于0.8 s时，模型准确率开始出现明显升高，当tw超过一定阈值时，tw中已经几乎包含决策所需的全部车辆状态变化信息，tw的增大不会再引起模型识别准确率的较大变化。DT(tw=1.8 s)，BERT(tw=2.4 s)，Bi-LSTM(tw=1.6 s)，GentleBoost(tw=1.7 s)的模型整体识别率分别为87.0%，93.7%，94.8%，98.4%，对“汇入”事件的识别准确率分别为 91.9%，94.7%，97.5%，98.9%，对于“不汇入”事件的识别准确率分别为76.1%，92.2%，90.2%，97.4%。以“汇入”事件为正事件，对比整体模型识别准确率最高时的 DT(tw=1.8 s)，BERT(tw=2.4 s)，Bi-LSTM(tw=1.6 s)，GentleBoost(tw=1.7 s)模型和只考虑当前汇入环境特征参数的DTcur，BERTcur，Bi-LSTMcur和GentleBoostcur模型(tw=0.0 s)的受试者 特 性 曲 线(Receiver operation characteristicscurve,ROC)如图4所示。图 4 不同汇入决策模型的ROC曲线Fig.4 ROC curves of different merging decision models根据图4可知，考虑汇入环境历史数据的汇入决策模型的ROC曲线下的面积AAUC值均大于相应算法对应的只考虑当前汇入环境特征参数的模型。tw=1.7 s时的 GentleBoost 模型 ROC 曲线的AAUC值最大，为 0.9966。虽然 Bi-LSTM 模型在tw=1.6 s时达到了模型最高准确率，比GentleBoost算 法 提 前 达 到 最 高 准 确 率，但 GentleBoost(tw=1.7 s)模型比Bi-LSTM(tw=1.6 s)模型整体识别准确率提高了3.6%，其中，“汇入”事件识别准确率提高 1.4%，“不汇入”事件识别准确率提高107交通运输系统工程与信息2023年8月7.2%。尽管GentleBoost需要更长的tw以达到模型的最高识别准确率，相比于其对模型整体性能的提高程度，更长的tw仍是值得的。基于LSTM，BERT，Transformer的模型在自然语言处理(Natural Language Processing,NLP)和生成式人工智能(Generative Artificial Intelligence)等领域表现出了巨大的优势和潜力。然而，深度神经网络框架在智能驾驶领域的发展仍需要海量自然驾驶数据来奠基，随着数据云平台和数据采集处理技术的发展，未来可能出现基于海量自然驾驶数据的神经网络预训练模型，应用于各种针对性驾驶任务的驾驶决策、操作和轨迹规划算法设计。此外，鉴于GentleBoost相比于神经网络算法有更清晰的内部逻辑算法结构，其模型训练速度要更快。在 MATLAB R2021b 环境和 11th Gen Intel(R)Core(TM)i7-11800H 2.30 GHz 处理器下，GentleBoost(tw=1.7 s)训练用时1.7 s，预训练后的BERT(tw=2.4 s)用时 5.9 s，Bi-LSTM(tw=1.6 s)用时51.7 s。综上，tw=1.7 s的GentleBoost模型为高速公路加速车道汇入决策的最优模型，该模型汇入决策的准确率最高，即时性最好。3仿真与分析3.1 仿真场景设置使用SUMO交通仿真平台建立典型高速公路加速车道汇入场景，如图5所示，并通过TraCI接口将SUMO仿真环境与MATLAB R2021b平台搭建的GentleBoost汇入决策模型算法框架进行联合交互，实现对汇入车辆的汇入决策控制。图 5 SUMO仿真汇入场景Fig.5 Simulation merging scenario in SUMO该道路仿真环境可模拟智能网联道路条件下高速公路加速车道的汇入过程，其中加速车道汇入车为智能网联车辆，主线车辆为传统人类驾驶车辆。通过在本文提出的路侧数据采集平台的相同位置设置路侧智能网联交通设施 IC-RSU(Intelligent Connected Road Side Unit)，连续采集汇入场景特征参数数据流Sdataraw，并将采集数据进行处理后通过V2I将汇入决策传递给智能网联汇入车。设置IC-RSU的优点是可解决合流三角区的路段盲区问题，同时当主线车辆为传统人类驾驶车辆，或者智能网联汇入车车载数据采集传感器失效时，仍可实现主线车辆状态信息的稳定采集，实现混行模式下智能网联车辆的汇入决策控制。SUMO和MATLAB的联合仿真框架如图6所示，其中决策控制区域为整个加速车道区域。本文将自然汇入数据中汇入时刻汇入紧迫度lRDvM1.7 s时，模型整体识别准确率趋于稳定。当tw=1.7 s时，GentleBoost模型识别“汇入”事件的准确率为98.9%，识别“不汇入”事件的准确率为97.4%，模型整体识别准确率为98.4%。对比不同tw下的DT，BERT，Bi-LSTM 和 GentleBoost 模型，GentleBoost模型达到了最优的分类效果。(3)通过SUMO和MATLAB平台对智能网联汇入仿真测试环境的联合仿真结果表明，考虑汇入场景车辆历史状态信息的GentleBoost汇入决策模型相比于SUMO中的LC2013模型，在不同的主线交通流量上可实现更大的通过平均速度和汇入成功率。随着主线目标车道交通流量的增加，LC2013 模 型 控 制 下 的 MV 等 待 次 数 增 加，在1200 vehh-1时车辆等待率超过34%，GentleBoost汇入决策模型控制下则能在同样的交通流量下实现所有MV的无等待汇入。参考文献1MORIDPOUR S,SARVI M,ROSE G.Lane changingmodels:A critical reviewJ.Transportation Letters,2010,2(3):157-173.2中华人民共和国公安部交通管理局.中华人民共和国道路交通事故统计年报(2020年度)R.无锡:公安部交通管理局,2021.Traffic Administration Bureau ofThe Ministry of Public Security of the Pepoles Republicof China.Annual report on road traffic accident statisticsof the Peoples Republic of ChinaR.Wuxi:TrafficAdministration Bureau of the Ministry of Public Security20213LI L,GAN J,ZHOU K,et al.A novel lane-changingmodel of connected and automated vehicles:Using thesafety potential field theoryJ.Physica A:StatisticalMechanics and its Applications,2020,559:125039.4WANG C,SUN Q,FU R,et al.Lane change warningthreshold based on driverperceptioncharacteristicsJ.Accident Analysis&Prevention,2018,117:164-174.5ALI Y,ZHENG Z,HAQUE MD M.Connectivitys impacton mandatory lane-changing behaviour:Evidences from adriving simulator studyJ.Transportation Research PartC:Emerging Technologies,2018,93:292-309.6叶颖俊,倪颖,孙剑.高密度瓶颈交通流主动-回应汇入行为定义与建模J.中国公路学报,2022,35(8):278-290.YE Y J,NI Y,SUN J.Defining and modelingactive-responsivemergingbehaviorathigh-densityexpresswayon-ramp bottlenecksJ.China Journal ofHighway and Transport,2022,35(8):278-290.7QI W,WANG W,SHEN B,et al.A modified postencroachment time model of urban road merging areabased on lane-change characteristicsJ.IEEE Access,2020,8:72835-72846.8赵建东,贺晓宇,余智鑫,等.多网联范围下的智能网联车换道决策组合模型研究J.交通运输系统工程与信息,2023,23(1):77-85.ZHAO J D,HE X Y,YUZ X,et al.A combination model for connected andautonomousvehicleslane-changingdecision-makingundermulti-connectivityrangeJ.JournalofTransportation Systems Engineering and InformationTechnology,2023,23(1):77-85.9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/OL.中国公路学报,(2023-01-02)2023-03-23.http:/ H J,GUO Y S,GAO S,et al.Research ondriver lane-changing intention recognition in connectedand non-connected environmentsJ.China Journal ofHighway and Transport,(2023-01-02)2023-03-23.http:/ CHEEL O,SCHWARZ L,NAVAB N,et al.Situationassessmentforplanninglanechanges:CombiningrecurrentmodelsandpredictionC.2018IEEEInternational Conference on Robotics and Automation(ICRA),Brisbane,QLD:IEEE,2018.11 邬岚,赵乐,李根.基于方差异质性随机参数模型的汇合行为分析J.吉林大学学报(工学版),2022(6):1-7.WU L,ZHAO L,LI G.Analysis of merging behaviorbased on random parameter model with heterogeneity invari