Lane-GNN：集成 GNN 用于预测驾驶员的换道意图
机器学习
2022-07-06 v2
摘要
如今，智能高速公路交通网络在现代交通基础设施中发挥着重要作用。可变限速（VSL）系统可部署于高速公路交通网络中，为驾驶员提供有用且动态的限速信息以提升出行安全性。此类系统通常设计有稳定的建议车速，以便驾驶员遵循该速度行驶时交通顺畅，而非在有空隙时加速、在拥堵时减速。然而，对于驾驶员离开受 VSL 系统管辖的道路网络后的车辆行为研究甚少，这可能大量涉及意外加速、减速和频繁换道，给后续高速公路道路使用者带来混乱。本文中，我们关注由于驾驶员在 VSL 系统之后的高速公路交通网络上的换道意图所导致的交通流异常检测。更具体地，我们在道路段级别上对流行的移动性模拟器 SUMO 生成的交通流数据应用图建模。然后，我们使用提出的 Lane-GNN 方案（一种注意力时序图卷积神经网络）评估换道检测性能，并将其与时序卷积神经网络（TCNN）作为基线进行比较。我们的实验结果表明，在特定假设下，所提出的 Lane-GNN 能在 90 秒内以 99.42% 的准确率检测驾驶员的换道意图。最后，将一些解释方法应用于训练好的模型，以进一步阐明我们的发现。
引用
@article{arxiv.2207.00824,
title = {Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention},
author = {Hongde Wu and Mingming Liu},
journal= {arXiv preprint arXiv:2207.00824},
year = {2022}
}
备注
The manuscript has been accepted by the 25th IEEE International Conference on Intelligent Transportation Systems (IEEE ITSC 2022)