基于GS-AdaBoost优化模型的隧道入口车辆换道行为预测

摘要

准确估计隧道入口车辆行为对于提高隧道行车安全与效率具有重要意义.现有车辆行为预测较少考虑车辆之间的交互信息，且车辆运动数据往往存在特征条件多等问题，难以应用于存在强交互的密集交通流场景.基于此，对隧道入口车辆换道特性进行分析，并提出一种车辆换道行为预测的模型优选超参数优化方法.首先，基于车辆轨迹数据，从换道位置和持续时间角度进行小轿车和货车换道特性分析；然后，遴选含3 570个样本的轨迹数据，进行描述性统计，并对车辆换道行为进行分类，标记出向左和向右换道样本2 265、1 305组；最后，针对经典逻辑回归和机器学习方法局部最小化以及过拟合问题，优选出Adaboost换道预测模型，采用网格搜索(Grid Search, GS)超参数优化方法实现超参数自动寻优，提出一种GS-AdaBoost优化模型的车辆换道意图预测方法.结果显示：与经典DT(Decision Tree, DT)换道预测模型相比，GS-AdaBoost优化在模型精确率(Precision)、召回率(Recall)、准确率(Accuracy)、F1值(F1score)、特异度(Specificity)方面分别提升了6.18%、17.83%、12.97%、29.38%、8.88%,优选模型性能得到有效提升，表明GS-AdaBoost集成学习优化模型具有较好的鲁棒性和适用性，可为车辆换道意图预测多分类问题提供一种理论方法.

关键词

交通工程 / 隧道入口 / 换道意图预测 / 机器学习 / 网格搜索 / AdaBoost