基于时空轨迹聚类的交叉口机非碰撞风险预测

Collision risk prediction for motor and non-motorized vehicles at intersections based on spatiotemporal trajectory clustering

摘要

针对城市道路交叉口机动车与非机动车混合交通环境下路权冲突导致的安全风险防控需求，该文提出一种融合轨迹聚类与深度学习的机非碰撞风险预测方法，以期提高交叉口交通安全评估的准确性。首先，基于DataFromSky软件提取无人机视频中的多类型车辆轨迹数据，构建包含车辆坐标、速度及加速度的高精度时空数据集，并通过风险场景特征分析筛选高风险场景轨迹；其次，采用DBSCAN时空轨迹聚类算法，结合轮廓系数法优化空间半径R_Eps与最小样本数D_MinPts，将非机动车轨迹划分为保守型与激进型；接着，设计基于LSTM的时间序列预测模型，实现对非机动车未来时空轨迹的多步预测，并构建基于欧氏距离与TTC阈值的时空碰撞风险量化模型，动态评估潜在碰撞风险。试验结果表明：DBSCAN聚类算法能够有效识别非机动车的驾驶行为模式（轮廓系数为0.256 6），LSTM模型可准确预测未来3个时间步的车辆轨迹，时空碰撞风险量化模型能够提前识别高风险交互场景，该研究成果可为混合交通环境下的实时风险防控提供量化决策依据和有效技术支撑。

Abstract

To address the safety risk prevention requirements caused by right-of-way conflicts in the mixed traffic environment of motor and non-motorized vehicles at urban intersections, a collision risk prediction method for motor and non-motorized vehicles integrating trajectory clustering and deep learning was proposed in this paper to improve the accuracy of traffic safety assessment at intersections. First, multi-type vehicle trajectory data in drone videos were extracted based on the DataFromSky software to construct a high-precision spatiotemporal dataset containing vehicle coordinates, velocities, and accelerations, and high-risk scenario trajectories were screened through the feature analysis of risk scenarios. Second, the DBSCAN spatiotemporal trajectory clustering algorithm was adopted, and the spatial radius (REps) and minimum sample size (DMinPts) were optimized in combination with the silhouette coefficient method to divide the non-motorized vehicle trajectories into conservative and aggressive types. Then, an LSTM-based time series prediction model was designed to realize the multi-step prediction of future spatiotemporal trajectories of non-motorized vehicles, and a spatiotemporal collision risk quantification model based on Euclidean distance and TTC threshold was constructed to dynamically evaluate potential collision risks. The test results indicate that the DBSCAN clustering algorithm can effectively identify the driving behavior patterns of non-motorized vehicles (with a silhouette coefficient of 0.256 6), the LSTM model can accurately predict vehicle trajectories for the future three time steps, and the spatiotemporal collision risk quantification model can proactively identify high-risk interaction scenarios. The research results can provide a quantitative decision-making basis and effective technical support for real-time risk prevention and control in mixed traffic environments.

Graphical abstract

0 引言

道路交叉口范围内机动车与非机动车交会频繁，是交通事故的高发区域。据《中国统计年鉴2024》数据显示，2023年中国共发生25.5万起道路交通事故，造成6万多人死亡，导致的直接经济损失高达11.8亿元^［1］。因此，准确评估和预测交叉口高风险驾驶行为具有重要理论和实践价值。

道路交通安全风险预测领域的学者从多学科交叉融合的视角，运用机器学习、深度学习、数据挖掘等多种方法展开了深入研究。Zeng等^［2］使用时空逻辑回归模型分析了城市交叉口机动车‒行人碰撞的伤害严重程度，结果表明，采用条件自回归先验和随机游走结构的模型在拟合优度和分类准确性方面表现最佳；Babaei等^［3］采用相关随机参数有序概率模型，分析了交叉口自行车‒机动车碰撞的伤害严重程度，结果显示交叉口类型、时间和交通流量等因素显著影响了伤害的严重程度；胡立伟等^［4］结合交通冲突原理与机器学习算法，对交通冲突的空间分布和影响因素进行深入分析，开发了一种用于识别中国环形交叉口机动车冲突风险区的模型；王羿童等^［5］实现了基于风险矩阵的城市道路交叉口交通安全研究；刘明剑等^［6］研发了基于车路通信协作型交叉路口防碰撞预警系统，提高了车辆在交叉路口行驶时的安全性和通行效率；王博等^［7］针对高速公路作业区车辆碰撞风险高的问题，提出了一种基于道路监控的碰撞风险预警方法。该方法利用计算机视觉技术和深度学习模型，可提前90 s预测作业区上游过渡段的碰撞风险，提高道路行车安全；杨路^［8］构建了基于车辆损伤估计的碰撞风险评估模型，通过量化碰撞发生概率与损伤程度，为智能车换道决策提供安全依据。该模型融合距离、速度与车辆稳定性因素，试验表明其能有效降低交叉口换道风险。

现有研究已在交通安全理论体系构建、事故数据统计分析等方面取得一定成果，但由于道路交叉口交通流运行复杂且动态变化，对行车风险的精准预测仍面临较大挑战。本文研究聚焦于城市交叉口的机非混合交通场景，通过基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）区分非机动车驾驶行为（保守型/激进型），结合改进碰撞时间（Time-to-Collision，TTC）模型（融合方向角和加速度），可更加精准地量化斜向冲突风险；并应用长短时记忆神经网络（Long Short-Term Memory，LSTM）融合DBSCAN聚类生成的驾驶行为标签（保守型/激进型），将轨迹数据（速度、加速度）与驾驶行为特征联合输入，显著提升了激进型轨迹的预测敏感度。本文所提出的方法直接关联个体车辆的实时轨迹与行为模式，适用于复杂多变的交叉口环境，致力于交叉口行车安全提升实践^［9-11］，帮助交管部门及时发现高风险交叉口并采取干预措施，尤其在交通流量大、交叉口结构复杂、交通安全管理薄弱的区域，可及时为驾驶员提供碰撞风险预警，有效降低事故发生的概率，提升道路交通安全水平^［12-13］。

1 时空车辆轨迹数据提取

1.1 车辆轨迹数据提取与处理

车辆轨迹数据主要通过DataFromSky软件从无人机视频图像数据中进行提取，包含多个关键字段，如轨迹编号、交通参与者类型、入口、进入时间、出口、离开时间、行驶距离、平均速度和轨迹信息等。为简化轨迹数据冗余，将每个数据点的x坐标、y坐标、速度、总加速度和时间等字段拆分成独立记录，并为每个轨迹编号获取多个数据点，创建具有相同轨迹编号但不同时间序列的数据集。然而，对这些数据进行清理和标准化处理，有助于进一步筛选出可能发生路权冲突的机动车与非机动车轨迹ID。筛选过程重点关注交叉口区域内运动路径交叉、速度变化异常或有明显避让动作的车辆。共记录了9 546条车辆行驶轨迹。经过筛选与分析，人工识别出其中432辆车（包括机动车和非机动车）存在潜在的碰撞风险。

1.2 风险指标解析与改进

采用改进TTC来衡量车辆碰撞风险程度。将之前步骤中提取出的速度、加速度和时间，用于TTC的计算，设定TTC的物理量为T可得：

T_i\left(t\right)=\left\{\begin{array}{cc}\frac{\left[X_{i-\mathrm{1}}\left(t\right)-X_i\left(t\right)\right]-L}{V_i\left(t\right)-V_{i-\mathrm{1}}\left(t\right)},& V_i\left(t\right)>V_{i-\mathrm{1}}\left(t\right)\\ \mathrm{\infty },& V_i\left(t\right)\le V_{i-\mathrm{1}}\left(t\right)\end{array}\right.（1）

式中：X_{i-\mathrm{1}}(t)、X_i(t)分别为车流中的第i-1辆、第i辆车t时刻在设定坐标轴上的位置；V_{i-\mathrm{1}}(t)、V_i(t)分别为车流中的第i-1辆、第i辆车t时刻在设定坐标轴上的速度。

特别地，在有横向的路权冲突时，TTC可由式（2）计算获得：

T_i\left(t\right)=\frac{D_i\left(t\right)}{V_i\left(t\right)}（2）

式中：D_i\left(t\right)为t时刻距预计碰撞点的距离。

传统TTC模型假设车辆沿直线运动，未考虑交叉口场景下非机动车轨迹的曲率变化和加速度扰动。

为准确评估冲突车辆的时空接近度、提高模型的适用性，研究引入了方向角权重因子（cos α）及加速度修正项，修正交叉口斜向冲突中的投影误差，进而动态反映急加减速对碰撞时间的敏感性。该方法考虑了车辆运动状态的随机性，利用两车之间的最短距离L、速度和加速度分量，计算预期碰撞时间。首先对每个交通参与者的轨迹数据进行分组，并计算其在x轴和y轴方向上的速度，定义正交分解角\alpha：

\mathrm{c}\mathrm{o}\mathrm{s}\alpha =\frac{x}{L}（3）

车辆的速度在x轴方向上的分量为：

v_x=v\cdot \mathrm{c}\mathrm{o}\mathrm{s}\alpha（4）

车辆的速度在y轴方向上的分量为：

v_y=v\cdot \mathrm{s}\mathrm{i}\mathrm{n}\alpha（5）

通过遍历每个交通参与者的轨迹数据，计算相邻时间点的位移（dx和dy）和时间差（dt），从而得到x方向和y方向的速度（v_x和v_y），接下来计算加速度，加速度是速度对时间的变化率。为了计算加速度，再次遍历交通参与者的轨迹数据，与计算速度的方法类似，计算相邻速度点的变化量和时间差，得到x方向和y方向的加速度（a_x 和a_y ），计算完成后，可获得带有矢量分解的数据集，见表1。改进的TTC模型通过融合运动方向速度与加速度因素，解决了传统方法在交叉口斜向冲突中的误判问题，可更加准确地量化交叉口斜向冲突风险。

2 时空车辆轨迹聚类

轨迹数据通常包含时间和空间信息，具有连续性和高维特性，因此聚类算法需要能够捕捉轨迹的时空特性。DBSCAN作为一种基于密度的时空轨迹聚类算法，能够有效区分高密度轨迹群体和稀疏轨迹噪声，识别具有相似运动模式的轨迹群；该算法可同时考虑车辆的空间位置和时间维度，精确反映交通参与者在时空中的行为特征^［14-16］。

2.1 时空轨迹可视化

将轨迹数据进行三维空间展示和时间序列分析，通过直观呈现轨迹数据在空间与时间维度上的分布态势，能够洞察交通参与者的行为模式，进而为DBSCAN算法关键参数（如邻域半径、最小样本数）的合理设定提供科学依据。同时，轨迹可视化有助于识别数据中的异常轨迹，有效地避免这些异常值对DBSCAN聚类结果准确性的干扰。不同ID的运动轨迹呈现显著差异：部分轨迹平滑规律，曲率和速度变化率较低，多出现在固定路线；另一部分轨迹复杂，表现为高曲率和频繁速度波动，反映急转弯或频繁加减速等异常行为，这些差异揭示了不同交通参与者的行为特征。

2.2 DBSCAN算法

DBSCAN算法通过识别密度相似的点来形成簇，对于处理轨迹数据中的噪声和离群点特别有效。与K-Means等需要预先指定簇数量的聚类算法^［17-18］不同，DBSCAN通过定义一个半径参数R_Eps和最小样本数D_MinPts，识别高密度区域并将其作为簇，使其在面对复杂和未知的数据结构时更具灵活性。DBSCAN算法步骤如表2所示。

试验首先加载了包含车辆位置（X、Y坐标）和速度信息的轨迹数据，并依据轨迹编号对数据进行分组以提取特征。选取了起点和终点的X和Y坐标、轨迹长度、平均速度以及最大速度作为聚类特征。DBSCAN算法的核心参数R_Eps和D_MinPts直接影响聚类效果，本文试验采用系统化方法确定最优参数组合：首先基于k-距离图确定R_Eps的合理范围，k-距离图展示了每个点与其第k个近邻的距离，曲线的拐点对应合适的R_Eps值。基于k-距离图分析，确定R_Eps的搜索范围为0.25~1.75，D_MinPts的搜索范围为1~30。之后采用网格搜索方法遍历参数空间，计算各参数组合下的轮廓系数，轮廓系数越高，表明聚类效果越优。

图1所示为聚类超参数矩阵，其中横轴为R_Eps，纵轴为D_MinPts，矩阵颜色梯度表示轮廓系数得分，得分范围：-0.5（紫色，低得分）~0.2（黄色，高得分）。颜色越接近黄色，表明对应参数组合下的聚类效果越好。通过分析发现，当R_Eps=1.6、D_MinPts=21时获得最大轮廓系数0.256 6，此时聚类效果最优且稳定。

图2所示的轨迹聚类结果展示了不同簇的起点和终点坐标，颜色代表不同簇，黑色为噪声点。通过图中的各簇分布情况，可以将轨迹数据分为若干簇并识别噪声点，最佳参数下的轮廓系数得分为0.256 6，表明聚类效果中等。

2.3 轨迹聚类结果分析

通过DBSCAN聚类算法统计指标量化车辆驾驶波动率^［19］，可以对轨迹数据进行深度分析。将轨迹数据分成了两类，分别是保守型和激进型两种轨迹风格。传统研究常将驾驶行为分为激进型、保守型和普通型3类，本文研究主要聚焦高风险场景预测，激进型行为与碰撞风险强相关，保守型、普通型反之，并根据文中DBSCAN聚类结果显示，两类划分聚类效果最好，故简化分类以提高模型效率。保守型的车辆轨迹加速度变化较为平缓，如图3（a）、图3（b）所示；激进型的车辆轨迹数据存在较多突然加速或减速的情况，如图3（c）、图3（d）所示。激进型轨迹表现出高频率的加速和减速，注重行驶效率，倾向于以较高速度快速通过交叉口，但可能增加交通事故风险。

3 高风险预测算法研究

3.1 多数据融合预测模型

基于DBSCAN时空聚类算法的研究结果，能够有效识别车辆轨迹中的常见路径、高风险区域及异常驾驶轨迹等。现有基于LSTM的轨迹预测研究多聚焦于车辆运动状态的时序建模^［20-21］，其输入特征通常局限于坐标、速度及加速度等物理量。然而，在交叉口机非混行场景中，非机动车的驾驶行为呈现出显著的异质性（保守型与激进型的驾驶风格差异）。驾驶风格差异会通过加速度突变、路径偏离等行为模式直接影响风险演化进程，传统方法难以量化行为特征对风险生成的动态影响。针对该问题，本文提出了多模态数据源特征融合的预测方法，将轨迹数据（速度、加速度）与DBSCAN聚类生成的驾驶行为标签（保守型/激进型）进行联合输入，可提升激进型驾驶轨迹加速度突变的敏感度。

通过提取每个聚类的时空信息（包括车辆轨迹、速度、加速度、位置及时间等特征），并结合图4所示的LSTM模型，能够从历史轨迹数据中学习高风险区域的动态变化规律，从而实现对车辆碰撞风险的精准预测。在轨迹预测中，LSTM模型能够根据历史轨迹数据（如位置、速度、加速度等）预测未来时刻的车辆状态。通过训练该模型，可以在给定当前时刻状态的情况下，预测未来若干时刻的轨迹^［22-23］。

3.2 模型训练

为构建车辆碰撞风险预测模型，本文基于DBSCAN时空聚类算法提取车辆轨迹的时空特征（如常见路径、热点区域及异常轨迹），并结合驾驶行为标签构建训练数据集。数据归一化处理后，输入为18个时间步的特征（x、y方向的速度和加速度，驾驶行为标签等），输出为未来3个时间步的预测数据。本文设计的LSTM模型，包含一个LSTM层和一个全连接层，分别用于提取时间序列特征和映射预测结果。模型输出为12（每个时间步4个特征）。训练过程中，通过wandb实时监控损失变化，优化超参数（如隐藏层大小、学习率和训练轮数）。模型训练完成后，对验证集进行预测，反标准化后计算均方误差（E_MSE）评估性能，结果表明模型预测效果良好。

3.3 碰撞风险预测

目前的风险判断主要依赖两车之间的距离，但传统模型在检测到车辆接近时会立即触发报警，存在较高的误报率。与传统方法不同，基于LSTM的风险预测模型通过分析车辆的历史轨迹数据，预测其未来的相对运动趋势，从而实现更精准的风险评估。

当两车接近时，模型首先预测其未来轨迹：若预测结果显示车辆将逐渐分离，则不触发报警；若预测结果表明两车持续接近且距离超出预设的安全阈值，则系统会生成预测轨迹的平面图并触发报警。在二维空间切片中，模型进一步对每个时间步的运动体进行碰撞体积检测。首先，基于欧几里得距离公式计算任意两运动体之间的几何距离；随后，识别当前时刻距离最近的两运动体，并在平面图中以叉号标记其位置，直观地展示潜在的碰撞风险区域。

在图5（a）中，红点代表通过LSTM预测运算出的机动车和非机动车在未来可能出现的位置点，1.33 m表示在所有的预测点中直线相隔最近的两个点的距离，图中坐标表示中点（即预测碰撞点的位置）的坐标。经过预测的未来最近相隔距离已缩短至0.84 m［图5（b）］，已达到极高的碰撞风险。为了能够更清晰地展示预测的风险，引入了基于预测轨迹的风险评估机制。此机制主要计算未来时间点各运动体之间的最小距离，并根据这些距离评估碰撞风险。

在交叉口机非混合交通场景中，本文研究通过轨迹聚类识别行为模式、改进TTC模型量化动态风险及LSTM轨迹预测及防范，实现了更精准、实时的碰撞风险评估，对比王博等^［7］及杨路^［8］关于道路车辆碰撞风险预测的研究方法，本文提出的基于轨迹-风险联合预测模型方法实现了更高的风险预测精度，更精准、更实时的碰撞风险评估，并可识别交叉口复杂场景中，急加速、急减速等危险驾驶行为，在低速场景下进行提前干预与预警，具有较好的应用效果。

通过上述研究方法，本文能够有效预测运动体在未来特定时刻的位置。随着轨迹数据的实时更新，系统动态计算各运动体的未来位置，并识别空间中距离最近的两个运动体。此外，系统精确计算两者之间的几何距离，为碰撞风险的量化评估提供了可靠的数据支持^［24-26］。

4 结论

针对城市道路交叉口机动车与非机动车混合交通环境下因路权冲突导致的安全风险防控需求，研究并实现了基于DBSCAN轨迹数据聚类与LSTM模型的非碰撞风险预测算法。得到以下主要结论：

（1） 采用DataFromSky平台对道路交叉口的视频数据进行处理，将其转化为高精度的轨迹数据。之后通过时空轨迹可视化技术与DBSCAN时空轨迹聚类算法，实现了对交叉口非机动车轨迹的深度分析。该方法不仅能够有效识别常见行驶路径和高风险区域，还能准确检测异常驾驶轨迹等关键信息，并可将非机动车驾驶行为分类为保守型与激进型。

（2） 改进的TTC模型通过融合运动方向速度与加速度因素，解决了传统方法在交叉口斜向冲突中的误判问题，可更加准确量化交叉口斜向冲突风险。

（3） LSTM模型融合了DBSCAN聚类生成的驾驶行为标签（保守型/激进型），将轨迹数据（速度、加速度）与驾驶行为特征联合输入，显著提升了激进型轨迹的预测敏感度。试验结果表明，LSTM可准确预测未来3个时间步的车辆轨迹，且通过轨迹预测动态评估风险，避免了传统方法依赖固定安全阈值的误报问题。

参考文献

[1] 国家统计局. 中国统计年鉴2024[M]. 北京:中国统计出版社, 2024.

[2] National Bureau of Statistics. China statistical yearbook 2024[M]. Beijing: China Statistics Press, 2024.

[3] Zeng Q, Wang Q F, Zhang K K, et al. Analysis of the injury severity of motor vehicle‑pedestrian crashes at urban intersections using spatiotemporal logistic regression models[J]. Accident Analysis & Prevention, 2023, 189: 107119.

[4] Babaei Z, Metin Kunt M. A correlated random parameters ordered probit approach to analyze the injury severity of bicycle-motor vehicle collisions at intersections[J]. Accident Analysis & Prevention, 2024, 196: 107447.

[5] 胡立伟, 张瑞杰, 赵雪亭, 等. 道路环形交叉口机动车冲突风险区识别模型研究[J]. 交通运输系统工程与信息, 2024, 24(1): 168-178.

[6] Hu Liwei, Zhang Ruijie, Zhao Xueting, et al. Round about motor vehicle conflict risk identification model[J]. Journal of Transportation Systems Engineering and Information Technology, 2024, 24(1): 168-178.

[7] 王羿童, 张爱红, 鲍瀚涛, 等. 基于风险矩阵的城市道路交叉口交通安全研究[J]. 公路与汽运, 2023, 39(4): 28-34.

[8] Wang Yitong, Zhang Aihong, Bao Hantao, et al. Research on traffic safety at urban road intersections based on risk matrix[J]. Highways & Automotive Applications, 2023, 39(4): 28-34.

[9] 刘明剑, 谭国真, 钱经纬, 等. 基于交叉路口道路时空网格的车辆碰撞预警方法研究[J]. 北京邮电大学学报, 2015, 38(2): 38-44.

[10] Liu Mingjian, Tan Guozhen, Qian Jingwei, et al. Research on traffic safety warning method based on space-time grid intersection[J]. Journal of Beijing University of Posts and Telecommunications, 2015, 38(2): 38-44.

[11] 王博, 刘昌赫, 张驰, 等. 基于道路监控的高速公路作业区碰撞风险预警[J]. 浙江大学学报(工学版), 2024, 58(6): 1221-1232.

[12] Wang Bo, Liu Changhe, Zhang Chi, et al. Crash risk early warning in highway work zone based on road surveillance camera[J]. Journal of Zhejiang University (Engineering Science), 2024, 58(6): 1221-1232.

[13] 杨路. 基于碰撞风险评估的智能车主动换道控制策略研究[D]. 长春: 吉林大学, 2024.

[14] Yang Lu. Research on active lane change control strategy for intelligent vehicles based on collision risk assessment[D]. Changchun: Jilin University, 2024.

[15] 陈刚, 王国新, 明振军, 等. 基于DBSCAN聚类和LSTM网络的装甲车辆集群轨迹预测方法[J]. 兵工学报, 2024, 45(12): 4295-4310.

[16] Chen Gang, Wang Guoxin, Ming Zhenjun, et al. Armored vehicle cluster trajectory prediction method based on DBSCAN clustering algorithm and LSTM network[J]. Acta Armamentarii, 2024, 45(12): 4295-4310.

[17] Tian Y, Zhang K L, Li J Y, et al. LSTM-based traffic flow prediction with missing data[J]. Neurocomputing, 2018, 318: 297-305.

[18] Venthuruthiyil S P, Chunchu M. Anticipated collision time (ACT): A two-dimensional surrogate safety indicator for trajectory-based proactive safety assessment[J]. Transportation Research Part C: Emerging Technologies, 2022, 139: 103655.

[19] 王海亮, 程冲, 官洪, 等. 基于交通冲突的城市地下互通左出匝道减速车道长度研究[J]. 中外公路, 2024, 44(1): 209-217.

[20] Wang Hailiang, Cheng Chong, Guan Hong, et al. Study on length of deceleration lane of left off-ramp for urban underground interchanges based on traffic conflicts[J]. Journal of China & Foreign Highway, 2024, 44(1): 209-217.

[21] 王昊, 闫杰, 郭建民, 等. 山区高速公路事故严重度多分类预测研究[J]. 中外公路, 2025, 45(4): 203-210.

[22] Wang Hao, Yan Jie, Guo Jianmin, et al. Research on multi-classification prediction of traffic accident severity on mountainous expressways[J]. Journal of China & Foreign Highway, 2025, 45(4): 203-210.

[23] Lan D T, Yoon S. Trajectory clustering-based anomaly detection in indoor human movement[J]. Sensors, 2023, 23(6): 3318.

[24] Huang Z H, Gao S B, Cai C X, et al. A rapid density method for taxi passengers hot spot recognition and visualization based on DBSCAN+[J]. Scientific Reports, 2021, 11: 9420.

[25] 王梓昊, 冯姣, 李鹏. 结合改进相似度的MFDBSCAN算法的船舶轨迹聚类[J]. 信息技术, 2025(1): 1-7, 14.

[26] Wang Zihao, Feng Jiao, Li Peng. Ship trajectory clustering based on MFDBSCAN algorithm combined with improved similarity[J]. Information Technology, 2025(1): 1-7, 14.

[27] 倪思齐, 江浩斌, 尹晨辉, 等. 基于K-means的自然驾驶轨迹聚类研究[J]. 时代汽车, 2023(6): 181-183.

[28] Ni Siqi, Jiang Haobin, Yin Chenhui, et al. Natural driving trajectory clustering based on K-means[J]. Auto Time, 2023(6): 181-183.

[29] 吴志敏, 黄觉, 向崎. 基于K-means聚类算法的高速公路事故多发路段鉴别[J]. 中外公路, 2022, 42(6): 260-264.

[30] Wu Zhimin, Huang Jue, Xiang Qi. Identification of freeway accident-prone sections based on K-means clustering algorithm[J]. Journal of China & Foreign Highway, 2022, 42(6): 260-264.

[31] Mohammadnazar A, Arvin R, Khattak A J. Classifying travelers' driving style using basic safety messages generated by connected vehicles: Application of unsupervised machine learning[J]. Transportation Research Part C: Emerging Technologies, 2021, 122: 102917.

[32] Wang J Q, Liu K, Li H T. LSTM-based graph attention network for vehicle trajectory prediction[J]. Computer Networks, 2024, 248: 110477.

[33] Min H T, Xiong X Y, Wang P Y, et al. A hierarchical LSTM-based vehicle trajectory prediction method considering interaction information[J]. Automotive Innovation, 2024, 7(1): 71-81.

[34] Shi X J, Chen Z R, Wang H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[C]//Proceedings of the 29th Conference on Neural Information Processing Systems (NeurIPS), Montreal, Canada, 2015.

[35] 刘智, 李欣雨, 李震, 等. 基于Bayes-LSTM的公路隧道围岩变形预测方法研究[J]. 中外公路, 2024, 44(1): 166-176.

[36] Liu Zhi, Li Xinyu, Li Zhen, et al. Prediction method of surrounding rock deformation of highway tunnels based on Bayes-LSTM[J]. Journal of China & Foreign Highway, 2024, 44(1): 166-176.

[37] 季学武, 费聪, 何祥坤, 等. 基于LSTM网络的驾驶意图识别及车辆轨迹预测[J]. 中国公路学报, 2019, 32(6): 34-42.

[38] Ji Xuewu, Fei Cong, He Xiangkun, et al. Intention recognition and trajectory prediction for vehicles using LSTM network[J]. China Journal of Highway and Transport, 2019, 32(6): 34-42.

[39] Rossi L, Ajmar A, Paolanti M, et al. Vehicle trajectory prediction and generation using LSTM models and GANs[J]. PLoS One, 2021, 16(7): e0253868.

[40] Li R M, Zhong Z R, Chai J, et al. Autonomous vehicle trajectory combined prediction model based on CC-LSTM)[J]. International Journal of Fuzzy Systems, 2022, 24(8): 3798-3811.