基于PSO-GWO-BiLSTM-Attention的换道意图识别预测模型研究

摘要

针对复杂交通场景中车辆换道意图识别准确率不足的问题，提出了一种融合PSO-GWO优化策略与BiLSTM-Attention机制的混合模型.该模型以目标车辆的轨迹序列及其与周围车辆的动态交互特征为输入，利用双向长短期记忆网络(BiLSTM)对时间序列数据进行处理，从而挖掘其中的长期依赖特性，并结合注意力机制(Attention)动态调整不同时间步的权重，聚焦关键信息，从而提升识别精度.为了优化模型性能，采用粒子群优化与灰狼优化相结合(PSO-GWO)算法对模型超参数进行多目标寻优，有效解决了传统方法中参数调优困难的问题.将该模型与其他5种模型进行对比，结果表明该模型的意图识别准确率最高，达到94.23%,在换道前2.5 s的识别精度均能达到90%以上，展现了较强的预判能力和鲁棒性，为复杂交通场景下的车辆换道意图识别提供了高效且可靠的解决方案.

关键词

换道意图识别 / 注意力机制 / 自动驾驶 / 粒子群算法 / 双向长短期记忆网络