高速公路换道操纵预测：机器学习与集成学习算法的基准分析

理解与预测高速公路换道操纵对驾驶建模及其自动化至关重要。基于数据的换道决策算法开发当前正全面展开。本文利用欧洲双车道高速公路轨迹数据，将不同机器学习与集成学习分类技术与基于规则的 MOBIL 模型进行实证比较。分析基于当前及相邻车道上与四辆邻近车辆的至多二十四个时空变量的瞬时测量。通过主成分与逻辑分析进行的初步描述性研究，可识别驾驶员意图换道的主要变量。我们预测两类随意换道操纵：超车（从慢车道至快车道）与折返（从快车道至慢车道）。预测精度由总误差、换道误差与保道误差及相应受试者工作特征曲线量化。基准分析包含逻辑模型、线性判别、决策树、朴素贝叶斯分类器、支持向量机、神经网络机器学习算法，以及至多十种装袋与堆叠集成学习元启发式。若基于规则的模型提供有限预测精度，无建模偏差的基于数据算法则允许显著预测改进。交叉验证表明，选定的神经网络与堆叠算法可从单次观测高精度提前至多四秒预测折返与超车操纵。