基于交互信息融合网络的车辆行驶风险预测模型

Vehicle traveling risk prediction based on interactive information fusion network

摘要

针对车路协同环境下车辆行驶风险影响因素复杂未知、传统数据驱动和物理模型驱动的预测模型可解释性与自适应性不足的问题，提出了利用自车车载传感器获取周围车辆行驶状态信息构建自车行驶势能场，并融入自车行驶状态信息建立广义力模型以构建车车交互信息网络的方法。同时，基于自车车载传感器采集道路标志标线信息构建车路交互信息网络，进而构建两种信息网络协同的动态交互信息融合网络。引入路由机制，针对不同自车广义力动态交互过程设计了Transformer和混合专家模型相结合构建切换变换器，提出了基于交互信息融合网络的车辆行驶风险预测模型。实证分析结果显示，在综合测试集中，切换变换器模型相比Transformer的预测性能有较大提升，MAE降低了3.48%，RMSE降低了2.19%，R²提升了1.39%。在换道测试集中，切换变换器模型体现出更好的适应性，与Transformer相比MAE降低了11.1%，RSME降低了9.0%，R²提升了5.4%。在风险预测结果中，模型在跟驰、停车、驶出、变道加驶出混合场景中分别高于碰撞时间倒数0.288 7、0.200 5、0.714 2、0.288 8。

Abstract

To tackle the issues that vehicle driving risk influencing factors are complex and unknown in the cooperative vehicle-infrastructure environment， and that traditional data-driven and physics-based model-driven prediction models lack sufficient interpretability and adaptability， a method is proposed in which an ego vehicle driving potential field is constructed using surrounding vehicles' motion state information acquired by onboard sensors， and a generalized force model is established by integrating ego vehicle driving state information to construct a vehicle-to-vehicle interaction information network. A generalized force model integrates the vehicle's driving state to create a vehicle-to-vehicle interaction network， while a vehicle-to-road network is formed using road sign and marking data. These networks are then fused into a dynamic interaction information network. To handle the dynamic nature of these forces， a routing mechanism is introduced. A switching Transformer model， combining the Transformer framework with a hybrid expert model， forms the foundation of the proposed vehicle driving risk prediction model， which is enhanced by the interaction information fusion network. Results show that the switching Transformer model outperforms the standard Transformer， with a 3.48% reduction in Mean Absolute Error（MAE）， a 2.19% reduction in Root Mean Square Error（RMSE）， and a 1.39% increase in the coefficient of determination （R²） in the comprehensive test set. In the lane-changing test set， the model shows improved adaptability， reducing MAE by 11.1%， RMSE by 9.0%， and increasing R² by 5.4%. Additionally， in risk prediction scenarios， the model demonstrates significant improvements in Inverse Time to Collision （ITTC）， with increases of 0.288 7， 0.200 5， 0.714 2， and 0.288 8 for car-following， parking， exiting， and mixed lane-changing and exiting scenarios.

Graphical abstract

关键词

智能网联车辆 / 交互信息融合 / 车辆行驶风险 / 动态势能场 / 混合专家系统

Key words

connected and automated vehicles / interactive information fusion / traveling risk / dynamic potential field / mixture of experts

0 引 言

车辆行驶过程中，始终面临来自车车交互和车路交互带来的潜在风险^［1，2］，特别是在执行换道、超车等复杂驾驶行为时^［3，4］，车辆间的交互作用可能导致行驶风险的急剧变化^［5］。若车辆缺乏有效的风险预警能力，无法及时识别潜在风险，将严重威胁行驶安全^［6］，即造成车辆横纵向碰撞风险急剧上升。因此，预测潜在行驶风险对于车辆决策规划至关重要^［7］。通过实时监测周围环境，驾驶辅助系统能够及时向驾驶员发出风险预警，提升行驶安全性^［8］。

目前，从软件层面提升驾驶辅助系统对车辆行驶风险预测有效性的研究，主要可分为基于物理模型与数据驱动两类。基于物理模型方法，通过量化车辆运动过程中的各类风险因素，实现风险的预测。朱西产等^［9］引入了时间裕度指标表示潜在风险，分析了制动和制动转向两种典型避撞操作下时间裕度指标计算方法，并结合了图像处理技术的跟驰场景潜在风险的两级危险域划分。Sheikh等^［10］针对高速公路入口匝道合流区危险变道行为提出了一种基于碰撞避免的风险预测模型，该模型通过集成一种威胁评估模型预测不同车辆运动所伴随的风险，并基于匝道车辆安全横向和纵向加速度避免碰撞。

基于数据驱动方法，通过学习大规模历史数据，利用统计学、深度学习等技术，自动识别潜在风险因素并进行预测。Yu等^［11］使用了场景图来表示车辆的潜在行驶风险，并采用了结合多关系图卷积网络、长短期记忆网络和注意力层的神经网络实现了行驶风险的预测。Shi等^［12］通过代理风险指标和大数据聚类进行无监督风险识别，基于XGBoost的特征学习，并通过贝叶斯优化进行了模型自动调优，实现了车辆运动信息和传感器数据到风险等级对应行为特征的端到端机器学习。

基于物理模型的方法常依赖于数学推导，可以清晰地解释预测原理，但难以有效处理复杂且动态变化的实际环境^［13］，以及驾驶员的个性化行为。与此相比，基于数据驱动的方法通过大量数据学习，可以捕捉复杂环境与风险之间的非线性关系。但这种方法通常将车辆间的欧氏距离和相对运动状态作为输入，忽视了车车交互的复杂机理，因此在复杂环境下难以有效捕捉周围交通参与者与目标车辆之间的互动影响^［14］。

当前一些研究者采用物理模型与数据驱动相结合的方法，旨在综合两者优势。Katrakazas等^［15］使用了交互感知运动模型推导车辆间依赖关系，并通过动态贝叶斯网络实现了可能的碰撞和危险情况的预测。Bai等^［16］利用潜在狄利克雷分配模型对驾驶行为数据进行离散化和符号化，并将其划分为可解释的风险等级，结合时空双通道神经网络和多层注意力机制构建了风险预测模型。但常见物理模型无法有效整合周围环境对于自车的综合影响，难以涵盖所有潜在风险因素。

为更好地对自车与周围交通参与者的交互作用进行建模，研究者提出了势能场概念^［17］，类比“物理场”数学模型定量描述车辆当下所面临的行驶风险。势能场模型可以同时考虑周围多个场景元素，更加全面表征自车在复杂环境行驶所面临的潜在风险^［18］。

基于汤川势^{［19，20］}、库伦势^{［21，22］}和高斯函数^{［23，24］}等势能场模型涉及复杂数学运算，在大规模和多场景应用中计算效率较低。因此，本文基于幂函数^{［25，26］}对势能场进行重建模。现有势能场研究主要侧重于刻画某一时刻下的势能场，未充分考虑车车交互的动态过程。然而，大多现有的应用场景聚焦于车辆的决策规划，而车辆的行驶过程正是由超车、跟驰等特殊交互过程构成的^［27］，因此车车交互过程不可被忽视。Yu等^［28］也验证了识别车车交互动态过程在风险预测中提升时效性和实用性的关键作用。

本文将车车和车路的动态交互过程融入势能场建模，考虑交互作用的演变趋势，捕捉车车间行为的时序变化，从而实现对周围车辆驾驶意图的识别，更精准地预测潜在风险，及时反映如超车、刹车等动态交互行为，提升风险预警的时效性。由于不同的车车交互过程有各自独特的风险特征和行为模式，本文采用混合专家模型，该模型通过动态选择不同的专家来处理特定交互过程中的关键因素，实现更精准的风险预测。

1 问题描述

本文模型利用车载传感器采集的周围车辆信息和道路信息实现了车辆行驶过程中的风险预测，主要包括动态交互信息融合网络和车辆行驶风险预测两个部分。其中，动态交互信息融合网络部分主要是基于目标车辆及其周围其他交通参与者的历史轨迹、动力学特征以及场景高清地图，构建车辆行驶势能场，进而评估车辆在行驶过程中所受到的风险。

在此基础上，提取车车及车路的交互关系，获取目标车辆与周围整体环境的动态交互信息融合网络，以此为核心对目标车辆未来的行驶风险进行预测。本文将车辆i过去t_{\mathrm{p}}时间步长的轨迹及动力学特征表示为一系列状态向量：{\mathit{X}}^i=\left\{s_{-t_p}^i,s_{-(t_p-\mathrm{1})}^i,\cdots ,s_{-\mathrm{1}}^i,s_{\mathrm{0}}^i\right\}。每个运动状态s包含车辆的坐标\left(x_t^i,y_t^i\right)，速度v_t^i，加速度a_t^i，航向角{\phi }_t^i，质量m_t^i，车辆长度l^i，车辆宽度w^i：s_t^i=\left\{x_t^i,y_t^i,a_t^i,{\phi }_t^i,m_t^i,l^i,w^i\right\}。计算目标车辆未来t_{\mathrm{f}}时间步长的车辆行驶风险值。

如图1所示，本文研究的整体框架分为两步对车辆行驶风险进行预测：

（1）为量化车辆行驶风险，本文提取了车车交互信息和车路交互信息，构建动态交互信息融合网络。

（2）将目标车辆的动力学特征、车车交互特征以及车路交互特征整合为向量，输入包含混合专家模块的切换变换器网络进行训练，从而实现对车辆行驶风险的精准预测。

2 交互信息融合网络

人类驾驶员通过识别周围车辆的运动特征以及道路环境的变化，能够及时预判潜在的行驶风险，并采取相应措施进行危险规避。为了赋予自动驾驶系统类似的感知能力，本节从车车交互和车路交互两个维度出发，提出了一种基于势能场的动态网络模型。该模型能够全面表征交通场景中各要素与自车之间的动态交互关系，并在此基础上构建双层动态网络，从而全面捕捉周围车辆和环境对自车带来的潜在影响。

2.1　车车交互信息提取

在车车交互过程中，Li等^［29］认为，车辆的相对位置、速度和航向角为影响交互行为的关键因素。这些因素共同决定了车辆之间的交互方式，并形成了跟驰、并行和换道等典型行为模式。其中，换道行为因其动态性和复杂性，在交互过程中尤为突出^{［30，31］}。为更深入地理解车车交互的机制，本文以换道行为为例，进行详细分析。

如图2所示，车辆B在换道过程中逐步向目标车辆（车辆A）靠近，目标车辆面临的风险主要源自车辆B的动态行为。随着车辆B换道的推进，目标车辆所承受的风险逐渐增加，尤其在两车的相对距离减小且车辆B相对速度较大时。如果车辆B的航向角较大，目标车辆可能面临更高的碰撞风险，尤其在两车路径交叉的情况下。当车辆B即将完成换道时，若两车相对速度较小且距离适当，目标车辆所面临的风险将相对降低。若车辆B未能稳定航向或两车距离过近，目标车辆仍可能面临较高的风险。综上所述，车辆B在换道过程中的动态变化对目标车辆的风险产生持续影响。

除此以外，Arun等^［32］认为周围车辆的质量、体积等固有属性也会影响碰撞时的风险程度。基于以上因素建立车车交互层，以准确描述周围车辆对目标车辆带来的潜在影响。

除换道交互场景以外，本文所研究的典型场景还包括跟驰交互、并入交互、使出交互和停车交互。5种典型场景中目标车辆的势能场的示意图如图3所示。其中针对变道交互进行分析：在初始阶段，周围车辆的运动状态稳定，目标车辆的势能场保持平稳。进入临近阶段时，周围车辆开始变道并逐渐靠近目标车辆，此时目标车辆左侧的势能强度增加。若变道角度或速度较大，目标车辆的势能强度随之上升。在换道过程中，目标车辆对周围车辆的变化高度敏感，若变道路径与目标车辆发生重合，其势能强度急剧增加，风险可能升高至危险区域。进入安全恢复阶段时，周围车辆完成换道，且相对位置恢复至安全距离，目标车辆的势能强度逐渐减弱，恢复至平稳状态。

在车车交互层，将车辆定义为节点，车辆之间的潜在风险关系定义为边，构造车车交互层{\mathit{G}}_{\mathit{v}}=({\mathit{V}}_{\mathit{v}},{\mathit{E}}_{\mathit{v}})。其中，{\mathit{G}}_{\mathit{v}}代表车辆层；{\mathit{V}}_{\mathit{v}}代表车辆节点的集合；{\mathit{E}}_{\mathit{v}}代表车辆之间有向边的集合。决定目标车辆安全势场的因素包括周围车辆的固有属性（质量、体积等）、运动状态（速度、航向角等）、相对距离。

（1）固有属性：由于运动状态下的车辆带来的安全风险大于静止时带来的安全风险，引入虚拟质量来表示：

M_j=m_j(\mathrm{1.566}\times {\mathrm{10}}^{-\mathrm{14}}\bullet v_j^{\mathrm{6.687}}+\mathrm{0.3345})（1）

式中：M_j为节点v_{vj}的虚拟质量；节点v_{vj}即代表目标车辆周围某一对其构成潜在影响的车辆；m_j为节点v_{vj}的实际质量，\mathrm{k}\mathrm{g}；v_j为节点v_{vj}的速度，\mathrm{m}/\mathrm{s}，节点v_{vj}虚拟质量随速度的增加而增加。

（2）相对距离：节点v_{vj}对目标节点v_{vi}（目标车辆）带来的潜在影响与节点v_{vi}运动方向和速度相关。当节点v_{vj}与目标节点v_{vi}处于同一车道时，相同距离下，若目标节点v_{vi}位于节点v_{vj}前方，则受到的安全风险最大；而若目标节点v_{vi}处于节点v_{vj}后方时，则受到的安全风险最小。随节点v_{vj}的速度增加，目标节点v_{vi}处于节点v_{vj}前方时，其受到的潜在行驶风险随之增大，而目标节点v_{vi}处于后方时，受到的潜在行驶风险则相应减小。当目标节点v_{vi}与节点v_{vj}处于不同车道时，则目标节点v_{vi}受节点v_{vj}的影响程度较小，低于同车道的前后车对其带来的影响。因此，引入虚拟距离来表示，计算式为：

\left|r_{ij}\right|=\sqrt[]{(\frac{x_j-x_i}{{\mathrm{e}}^{\alpha v_j}}{\delta }_{\mathrm{1}}{)}^{\mathrm{2}}+{\left[\left(y_j-y_i\right){\delta }_{\mathrm{2}}\right]}^{\mathrm{2}}}（2）

式中：{\delta }_{\mathrm{1}}\mathrm{、}{\delta }_{\mathrm{2}}为车辆长宽相关系数，用来控制安全势场在横、纵方向的影响范围；\alpha为速度参数。

基于上述分析，目标车辆的势能场在（x，y）处的场强表示为：

E_{V\_ij}={\displaystyle \sum _{j=\mathrm{1},j\ne i}^N}\epsilon M_j\frac{{\mathrm{e}}^{k_{\mathrm{2}}{a}_j\mathrm{c}\mathrm{o}\mathrm{s}{\theta }_j}}{{\left|r_{ij}\right|}^{k_{\mathrm{1}}}}\frac{r_{ij}}{\left|r_{ij}\right|}（3）

式中：k_{\mathrm{1}}、k_{\mathrm{2}}、\epsilon均为常数；矢量E_{V\_ij}为目标车辆在车车交互层中的势场，为目标车辆在当前环境中所面临的风险强度，场强方向与r_{ij}相同，且延场强方向场强减小速度最快；a为周围车辆加速度，\mathrm{m}/{\mathrm{s}}^{\mathrm{2}}；\theta为r_{ij}与节点\mathrm{n}\mathrm{o}\mathrm{d}{\mathrm{e}}_j运动方向形成的顺时针夹角；N为目标车辆周围带来影响的车辆个数。

运用动态网络对目标车辆势能场所受影响进行模拟，即关注周围车辆与目标车辆之间的动态交互关系，这与每时刻目标车辆的势场强度、速度、航向角等因素相关。因此本文在势能场的基础上，建立了动态行驶作用力计算函数，表示为：

F_{v\_ij}=M_i\bullet \left|E_{v\_ij}\right|\bullet {\mathrm{e}}^{-k_{\mathrm{2}}\left|v_i\right|\mathrm{c}\mathrm{o}\mathrm{s}\phi }（4）

式中：\left|E_{v\_ij}\right|为目标车辆在车车交互层中的势场；\left|v_i\right|为节点v_{vi}的速度标量；方向角\phi为目标车辆的速度矢量v_i与场强矢量E_{v\_ij}的顺时针夹角。

将目标节点v_{vi}与周围节点v_{vj}的状态代入上述式（2）~（4），计算周围节点v_{vj}对目标节点v_{vi}的行驶作用力。

2.2　车路交互信息提取

道路通过标志标线引导和限制车辆的行驶轨迹，为驾驶员明确行驶方向和空间范围，从而有效降低交通冲突的发生概率。传统的道路安全势场模型是根据车道线的类型来划分的，包括允许跨越的白虚线、不允许跨越的双黄线以及道路边界。对于允许跨越的车道线，其形成的势场值对车辆的限制较轻，主要确保车辆尽量保持在车道中央行驶，当车辆变道时，所需克服的势场强度处于可接受范围内。与此相反，不允许变道的双黄线所形成的势场值较大，以阻止车辆越线变道；而道路边界的势场强度则被设定为无穷大，严禁车辆越过边界。

本文以道路高清车道图为基础构造车路交互层{\mathit{G}}_{\mathit{r}}=({\mathit{V}}_{\mathit{r}},{\mathit{E}}_{\mathit{r}})，车路交互层以固定长度分段的道路中心线为节点{\mathit{V}}_r，节点间可达性的拓扑关系为边{\mathit{E}}_r。

根据车辆在车道中行驶会面临车道保持或变道的需求，车路交互层节点间的边分为继承边E_{rh}和相邻边E_{ra}，继承边为车辆保持车道行驶与可达下一节点之间的有向边，相邻边为车辆与距离和运动方向都在阈值内的相邻车道节点之间的有向边。遍历车路交互层的车道图获得的任何路径都满足车辆在实际场景中运行的合理路线。

车道标线约束目标车辆尽量在车道中间行驶，对于允许车道跨线变道路段，车辆变道需承担一定可接受范围内的风险，即存在势场作用。以下为目标车辆的道路势场函数，表示为：

E_r=\left\{\begin{array}{c}{A}_{\mathrm{1}},\mathrm{o}\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{r}\\ \mathrm{0},\mathrm{i}\mathrm{f}{E}_r=E_{ra}\mathrm{o}\mathrm{r}{E}_{rh}\end{array}\right.（5）

式中：A_{\mathrm{1}}为代价常数，代表目标车辆驶向道路边界或双黄线所要承担的安全风险。

基于上述目标车辆道路势能场，建立了动态节点吸引力计算函数，表示为：

F_{r\_ij}=\left|A_{\mathrm{1}}\right|{\mathrm{e}}^{\lambda \frac{\mathrm{1}}{\left|\beta \right|}}\frac{d_{ij}}{\left|d_{ij}\right|}（6）

式中：\left|A_{\mathrm{1}}\right|为目标车辆在车路交互层中的势场强度；\lambda为待定系数；方向角\beta为目标车辆的速度矢量v_i与道路节点连线d_{ij}的顺时针夹角。

2.3　多信息特征融合

目标车辆在道路中受道路特征、周围车辆共同影响。本文通过耦合车车交互层与车路交互层，构建双层动态网络，刻画目标车辆的动态势能场。如图4所示，展示了双向四车道结构下，目标车辆受周围车辆与道路场景共同作用形成的综合势能场。

利用车车交互层节点v_vj 和车路交互层与其位置对应的最短距离节点v_ri，构建双层动态网络模型，刻画目标车辆的动态势能场。双层动态网络模型由三部分构成：

（1）车车交互层目标节点v_{vi}单点动力学状态，即目标车辆自身的速度、加速度等特征。

（2）车车交互层周围节点v_{vj}与目标节点v_{vi}之间的交互情况，是否收到行驶作用力，即目标节点的势能场作用。

（3）车路交互层节点v_{rj}与目标节点v_{ri}之间的连接情况，即车车交互层目标节点v_{vj}连接的车路交互层节点v_{ri}，与其前进方向对应的两个节点是否连接，车车交互层对车路交互层的作用体现在车辆层节点运动状态和位置对道路层边的连接情况的更改。反之，车路交互层拓扑结构（即节点间可达性）约束车车交互层节点的运动方向及范围。

S_i^v\left(t\right)=f\left(s_t^i\right)+{\displaystyle \sum _{j=\mathrm{1},j\ne i}^N}{a}_{ij}^{v}g\left(F_{ij}(t)\right)+{\displaystyle \sum _{j=\mathrm{1}}^{\mathrm{2}}}{b}_{ij}^r\Psi \left(E_r(t)\right)（7）

式中，S_i^v\left(t\right)为t时刻车车交互层节点v_{vi}的整体特征状态；f\left(s_t^i\right)为车辆v_{vi}自身运动学特征；a_{ij}^v代表车车交互层节点v_{vi}和节点v_{vj}之间的交互情况，如果存在交互行为则为1，反之则为0；g\left(F_{ij}\right)为车车交互层节点v_{vj}对节点v_{vi}的交互影响特征；b_{ij}^r代表车路交互层节点v_{ri}和节点v_{rj}之间连接情况，如果存在节点v_{ri}到节点v_{rj}的有向边则为1，反之则为0；\Psi \left(E_r\right)代表车路交互层节点v_{ri}到节点v_{rj}的所受势场作用程度。

3 车辆行驶风险预测

车辆行驶面临多源风险，涵盖道路状况、驾驶行为、车辆状态等多方面因素。这些因素通常具有不同的维度、结构和特征，传统的独立专家网络在处理这类多源信息时，往往难以全面捕捉其中的高阶关联，进而限制了模型的表现。为了解决这一问题，本文采用了多专家网络，能够有效整合来自不同来源的多维数据输入。通过将多源信息分别输入多个专家网络，每个专家网络能够专注于优化不同任务或特征，从而提升模型在处理复杂数据时的表达能力与精度，提高行驶风险预测的准确性。

3.1　混合专家模块

车辆驾驶过程可以拆分成多个具有显著时序性特征的交互行为类别，如换道、紧急刹车等。为了有效捕捉这些行为的动态变化以及复杂多维特征之间的非线性关系，本文在多专家网络的基础上引入了路由机制，进一步优化了专家网络架构。路由机制能够根据输入信息动态激活最适合的专家进行处理，加强模型对复杂交互行为的全面理解，从而提升车辆行驶风险的预测精度和效率。同时，通过加权融合多个专家的输出，模型在复杂交通环境下能够展现更强的适应性和鲁棒性。

如图5所示，混合专家模块由输入层、路由机制、多个专家模型、加权融合和输出层组成。在该架构中，专家模型负责处理特定类型的任务或数据模式。路由机制根据输入特征动态选择最适合的专家模型进行计算，确保不同任务得到最优分配。加权融合根据路由机制为每个专家模型分配权重，并通过加权融合策略将各专家模型的输出整合，生成最终的综合预测结果。

如式（8）所示，在混合专家模块中，路由机制首先接收输入特征x，并根据这些特征对每个专家模型进行评分，即计算输入特征与各专家之间的关联度，生成一个得分向量，其中每个得分反映了该专家在处理当前输入任务时的匹配程度。

h\left(x\right)=W_r\bullet x（8）

使用\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}激活函数对可用的N个专家进行归一化处理，从集合{\left\{E_x\left(x\right)\right\}}_{i=\mathrm{1}}^N选择前k个最合适的专家来处理输入。每个专家的贡献由其门控值p_i\left(x\right)决定，门控值越大，专家的影响力越强。专家i的门控值为：

p_i\left(x\right)=\frac{{\mathrm{e}}^{h{(x)}_i}}{{\displaystyle \sum _j^N}{\mathrm{e}}^{h{(x)}_i}}（9）

该层输出为每个专家根据门控值对输入线性加权的组合结果，{\rm T}为所选前k个专家的索引集合。

y=\sum _{i\in {\rm T}}{p}_i\left(x\right)E_i(x)（10）

3.2　切换变换器

车辆行驶数据具有显著的时序性，而捕捉长时依赖关系对于准确预测交通风险至关重要。为更有效地建模这些复杂的动态变化，本文引入了Transformer架构。其自注意力机制能够在全局范围内捕捉时序数据中的长时间依赖关系，从而克服了传统模型在处理长序列时可能遇到的效率瓶颈。此外，Transformer的并行计算能力使其在处理大规模交通数据时具有优势，能够提升训练和预测的速度。尤其在多车道、多车辆的复杂交通环境中，能够迅速处理大量数据，并及时做出预测，提高风险预测的实时性与准确性。

如图6所示，切换变换器的整体架构是在Transformer结构的基础上进行的优化，主要由编码器和解码器两大部分构成。每个编码器和解码器层均包含自注意力机制和混合专家层。输入数据首先通过嵌入层转换为高维表示，并传入编码器进行特征提取。在编码器的每一层，首先利用自注意力机制捕捉输入序列中的全局依赖关系，随后通过残差连接和层归一化进行进一步处理。与传统Transformer不同，切换变换器引入了混合专家层，取代了全连接层，从而提升了计算效率和模型精度。解码器部分负责生成输出序列，每个解码器层同样包含自注意力机制和混合专家层，确保在生成过程中充分考虑输入数据的时序特征和潜在依赖关系。

3.3　辅助损失函数

为避免相同的专家网络获得过大的权重，从而导致其被路由机制频繁选择并不断自我强化，进而该专家持续训练，而其他专家网络则不被激活，本文采用了软性约束方法。具体来说，定义每个专家在一个批次训练样本中的容量，即该专家在批次内路由输出值的总和。

\mathrm{容量}=\left(\frac{\mathrm{每批}\mathrm{次训}\mathrm{练输}\mathrm{入}}{\mathrm{专家}\mathrm{个数}}\right)\times \mathrm{容量}\mathrm{系数}（11）

引入一个辅助损失项\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{s}到模型的总损失中，该辅助损失为通过计算每个专家的激活频率与其重要性之间的关系，即采用专家重要性向量f和P的加权点积来衡量。向量\mathit{f}反映了每个专家在当前批次中被选择的程度，而向量\mathit{P}代表专家的权重。

f_i=\frac{\mathrm{1}}{T}\sum _{x\in \mathrm{{\rm B}}}\left\{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{a}\mathrm{x}p\left(x\right)=i\right\}（12）

P_i=\frac{\mathrm{1}}{T}\sum _{x\in {\rm B}}{p}_i(x)（13）

\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{s}=\alpha \bullet N\bullet {\displaystyle \sum _{i=\mathrm{1}}^N}{f}_i\bullet P_i（14）

3.4　行驶风险预测流程

进行数据挖掘及数据处理，获取目标车辆及周围车辆的特征状态，并计算其虚拟质量。计算每一时刻下目标车辆与周围所有车辆、障碍物的虚拟距离，并代入势能场计算公式，进而计算目标车辆势场。通过目标车辆势能场，计算目标车辆所受交互融合作用力大小，从而量化目标车辆所面临的风险。将上述交互融合作用力及目标车辆自身动力学数据作为特征输入切换变换器架构，经过混合专家模块对不同交互行为的学习，实现对于目标车辆未来行驶风险的预测。行驶风险预测算法如下所示。

输入：目标车辆前6 s横纵坐标\left({\mathrm{x}}_{\mathrm{i}},{\mathrm{y}}_{\mathrm{i}}\right)，速度{\mathrm{v}}_{\mathrm{i}}，加速度{\mathrm{a}}_{\mathrm{i}}，航向角{\mathrm{\phi }}_{\mathrm{i}}，质量{\mathrm{m}}_{\mathrm{i}}，长度{\mathrm{l}}_{\mathrm{i}}，宽度{\mathrm{w}}_{\mathrm{i}}；周围车辆横纵坐标\left({\mathrm{x}}_{\mathrm{j}},{\mathrm{y}}_{\mathrm{j}}\right)，速度{\mathrm{v}}_{\mathrm{j}}，加速度{\mathrm{a}}_{\mathrm{j}}，航向角{\mathrm{\phi }}_{\mathrm{j}}，质量{\mathrm{m}}_{\mathrm{j}}，长度{\mathrm{l}}_{\mathrm{j}}，宽度{\mathrm{w}}_{\mathrm{j}}；车道数{\mathrm{n}}_{\mathrm{L}}；

输出：目标车辆后2 s交互融合作用力；

//计算目标车辆所受行驶作用力

1.计算目标车辆\mathrm{i}虚拟质量{\mathrm{M}}_{\mathrm{i}}，输入：{\mathrm{v}}_{\mathrm{i}},{\mathrm{m}}_{\mathrm{i}}

2. for i in range（n）

#n为周围车辆及障碍物总数

3. 计算周围车辆\mathrm{j}的虚拟质量，输入为{\mathrm{v}}_{\mathrm{j}},{\mathrm{m}}_{\mathrm{j}}

4. 计算周围车辆\mathrm{j}与目标车辆i之间的虚拟距离，输入为{\mathrm{x}}_{\mathrm{i}},{\mathrm{y}}_{\mathrm{i}},{\mathrm{x}}_{\mathrm{j}},{\mathrm{y}}_{\mathrm{j}},{\mathrm{l}}_{\mathrm{i}},{\mathrm{w}}_{\mathrm{i}},{\mathrm{w}}_{\mathrm{j}}

5. 计算势能场{\mathrm{E}}_{\mathrm{i}\mathrm{j}}，输入为{\mathrm{M}}_{\mathrm{j}},{\mathrm{v}}_{\mathrm{j}},{\mathrm{a}}_{\mathrm{j}},{\mathrm{\phi }}_{\mathrm{j}}

6. 计算行驶作用力F_{v\_ij}并归一化，输入为{\mathrm{E}}_{\mathrm{i}\mathrm{j}},{\mathrm{v}}_{\mathrm{i}},{\mathrm{a}}_{\mathrm{i}},{\mathrm{\phi }}_{\mathrm{i}},{\mathrm{M}}_{\mathrm{i}}

//计算目标车辆所受节点吸引力

7.计算当前道路环境势场{\mathrm{E}}_{\mathrm{r}}，划分节点并计算节点吸引力{\mathrm{F}}_{\mathrm{r}\_\mathrm{i}\mathrm{j}}并归一化，输入为{\mathrm{n}}_{\mathrm{L}}

//代入切换变换器架构进行风险预测

8.计算输入嵌入，输入为{\mathrm{x}}_{\mathrm{i}},{\mathrm{y}}_{\mathrm{i}},{\mathrm{a}}_{\mathrm{i}},{\mathrm{\phi }}_{\mathrm{i}},{\mathrm{F}}_{\mathrm{r}},{\mathrm{F}}_{\mathrm{v}}

9.进入编码器进行编码\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{o}\mathrm{d}\mathrm{e}\mathrm{d}，由路由机制对不同专家进行打分，并激活合适专家进行训练

10.由解码器进行解码，经过线性层输出预测结果

4 案例分析

训练过程采用PyTorch2.5.1和Cuda12.3作为学习框架，开发语言为Python 3.10，运行环境为NVIDIA GeForce RTX 4060硬件平台。为了确保模型充分学习和优化性能，选择了Adam优化器，学习率设定为0.01，并进行300个回合的训练。具体的模型参数设置如下：隐藏层维度设置为32，网络层数为2层，以保持适当的网络深度与复杂度；采用0.2的Dropout比率，旨在防止过拟合现象的发生。此外，学习率设置为5×10⁻⁴，优化器为Adam，训练过程持续200个回合。这些参数设置在不同网络架构下具有一致性。

4.1　数据准备

本实验所使用的数据集为nuScenes^［33］，是一个公开的、面向自动驾驶技术的多模态数据集。nuScenes数据集由Motional团队开发，数据采集车辆搭载了6个相机、5个雷达以及1个激光雷达，能够全面捕捉周围环境的信息。该数据集记录了1 000个真实驾驶场景，涵盖了跟驰、变道、超车、并行和急停避让等多种车车交互过程，驾驶数据总时长接近15 h，涉及波士顿和新加坡两大城市的交通状况。每个场景的时长为20 s，以2 Hz的频率进行采样，并且标注了真实的地图信息和高清地图数据。实验任务是基于过去6 s的车辆历史轨迹和地图信息，预测接下来2 s内的车辆行驶风险值。

本文基于nuScenes数据集构建4 208组实验数据，按80%和20%的比例划分为训练集和测试集。

本文所使用的数据主要可分为4大类：场景、样本、实例和自车姿态。其中，场景类包含每个场景的唯一标识符和对应样本的唯一标识符；样本类记录了每个样本的时间戳、前后样本的唯一标识符，以及由各类传感器采集的数据；实例类包括与样本关联的对象类型标识符及实例的唯一标识符；自车姿态类描述了自车的航向姿态、全局坐标位置、样本的体积以及样本的航向姿态。

4.2　评价指标

为了全面评估车辆行驶风险预测模型的预测性能，本文选择平均绝对误差（Mean absolute error，MAE）、均方根误差（Root mean squared error，RMSE）和决定系数（Coefficient of determination，R²）作为关键的评价指标。

4.3　基线模型

本文的基线模型包括多种回归模型和神经网络模型，旨在与本文提出的模型进行对比评估，从而验证切换变换器模型在车辆行驶风险预测中的性能。基线模型具体包括多元线性回归模型、岭回归模型，以及数据驱动模型：长短期记忆网络（Long short-term memory，LSTM）^［34］、双向长短期记忆网络（Bidirectional long short-term memory，BiLSTM）^［35］、时序卷积网络（Temporal convolutional network，TCN）^［36］和Transformer^［37］。

本文所有数据驱动架构都使用了相同的训练参数，以确保公平的对比和性能评估。

5 结果与讨论

为验证本文风险预测方法效果，选取了不同交互情境下的数据片段进行分析，通过比较各情境下模型的预测效果，评估本文方法在多样化驾驶场景中的适应能力，并通过实验进一步检验其预测准确性和有效性。

5.1　有效性分析

为更全面地评估本文模型的有效性，本文还将其与4.3节中所提到的基线模型进行了对比分析，预测结果如表1所示。

由表1可知，传统的回归模型无法基于大量数据来挖掘数据特征。神经网络模型有更好的预测效果。并且，Transformer架构在捕捉长时序依赖方面表现出一定优势，能够更好地处理长时间跨度的历史轨迹数据，有效避免了传统模型在长序列预测中可能出现的梯度消失问题，相比较于传统的回归模型和神经网络模型有较大的提升。此外，模型中引入的混合专家模块与灵活路由机制针对交通情境的复杂性进行了优化，本文提出的切换变换器在车辆风险预测方面相较于Transformer模型仍展现了显著的优势，MSE降低了3.48%，RMSE降低了2.19%，R²提升了1.39%，表明了本模型在复杂交通场景下的预测精度和鲁棒性。

切换变换器通过动态选择最适合的专家模型，能够根据具体的交通场景、车车交互行为以及环境变化进行自适应计算。例如，在变道超车或紧急避让等复杂情况下，模型能够精准捕捉车辆之间的时序依赖和交互模式。这种针对性优化不仅提高了对多样化驾驶行为的理解与预测能力，还增强了模型对风险场景的敏感性和反应能力。接下来，针对换道这一特定交互场景展开风险预测精度分析。选取典型的换道交互场景作为测试集，风险预测的评估指标结果如表2所示。

与整体数据打散后划分训练集和测试集的情况相比，当前这种场景划分方式下的预测效果略显不足。这一差异的根本原因在于，训练集所采用的是综合行驶场景下的数据样本，单针对换道行为进行预测时略有不足。但切换变换器仍表现出更好的有效性，在特定换道场景下的风险预测结果仍在合理误差范围内，且模型效果与Transformer相比较更好，MAE降低了11.1%，RSME降低了9.0%，R²提升了5.4%。在特定的换道场景下，切换变换器模型的有效性提升更大，这反映出混合专家层对不同场景的适应性更强，不依赖训练集特定场景的训练即可获得更好的预测结果。

5.2　交互信息融合特征分析

本研究从nuScenes数据集中筛选并提取场景文件，专注于目标车辆与周围车辆的轨迹片段，以进行风险预测实验。实验中考虑了5种典型的交互场景：跟驰、换道、停车、并入和驶出。通过对各类交互信息的融合，结合场景风险的量化分析，进行了交互信息特征的分析研究，如图7所示。

在所选的轨迹片段内，同时考虑周围车辆和周边环境的影响，通过分析目标车辆的行驶状态，量化其在未来约20 s内的行驶风险。本文采用碰撞时间TTC作为主要验证指标，以验证基于交互信息量化车辆行驶风险的方法的有效性。为避免在两车相对速度较小的情况下导致TTC趋向无穷大的问题，本文引入了TTC倒数（Inverse time to collision，ITTC）进行评估。当前车车速大于后车车速时，ITTC值将为0，表明后车不存在行驶风险。本文模型的风险指标包含车辆风险和道路风险，其中道路风险是一个固定值0.15。

跟驰场景的风险预测结果如图7（a）所示，两个指标随时间的波动幅度较小，呈现出较为平稳的变化趋势，这表明，在跟驰的匀速驾驶情况下，车辆间的相对运动变化较为有限，碰撞风险始终维持在一个较低且稳定的水平。同时，两个指标的波动性保持一致，未出现显著差异，表明在该跟驰交互情境下，两个指标未能展现出明显的优劣性。

图7（b）为换道场景下目标车辆行驶风险变化情况，目标车辆的行驶风险呈现先增加后降低变化趋势，与实际车辆行驶风险变化趋势相吻合。本文模型呈现了明显的风险升高及降落的变化趋势，在真实驾驶场景中，目标车辆前方出现静止的障碍车辆2。目标车辆通过先减速、再缓慢加速变道避让，最终成功完成变道并恢复加速行驶。在这一过程中，目标车辆在接近障碍车辆时，未减速的阶段，碰撞风险迅速上升。随着目标车辆开始减速，风险虽持续上升，但上升幅度有所减缓。进入缓慢加速变道阶段后，风险上升幅度再次增大。变道完成后，风险逐步下降，并最终在变道成功后消失。这种影响与本文模型曲线所呈现的趋势基本一致。ITTC反映出了相近的形式风险变化，但是相比于本文模型体现出整体更小的结果值。在换道过程中，ITTC模型的归一化风险值平均低于本文模型0.178 3，在风险差异最大处，本文模型比ITTC指标高出0.288 7，体现出本文模型的准确性。除了准确性的提升以外，本文模型同样表现出了更高的敏感性，在第6帧时，车辆开始减速，此时本文模型已经达到一个较大的风险值，而ITTC仍处于较低风险。

停车场景的风险预测结果如图7（c）所示，目标车辆首先以匀速行驶，当识别到前方停靠并等待信号灯的障碍车辆3时，便开始均匀减速直至完全停止。整个过程中，两个指标趋势基本一致。然而，当车辆以匀加速方式行驶时，本文模型能更早地识别潜在的风险。在停车过程中，本文模型的归一化风险值平均高于ITTC指标0.176 7。在风险差异最大处，本文模型风险结果ITTC指标高出0.205 5。

并入场景的风险预测结果如图7（d）所示，目标车辆与车辆4处于跟驰状态，此时，车辆5意图驶入目标车辆与车辆4之间。为了避让，目标车辆首先减速，与车辆4之间的距离逐渐增大，而车辆5则逐步加速并成功并入目标车辆与车辆4之间的空隙。在整个过程中，当目标车辆识别到车辆5逐渐接近并具有并入意图时，开始减速，然而风险仍持续增大，直到车辆速度降低至一定值时，风险开始下降。随着车辆5成功并入，目标车辆逐渐与车辆5调整距离，并恢复到新的跟驰状态。本文模型所呈现的行驶风险值变化趋势与分析结果基本一致。ITTC由于计算方式的局限性，在目标车辆减速时，两车之间的速度差较小，ITTC也保持在一个较小的值，无法有效识别前车变道意图所引发的风险，ITTC模型的归一化风险值平均低于本文模型0.641 3，在风险差异最大处，本文模型的风险预测结果比ITTC指标高出0.714 2。为了验证本文模型在多交互混合场景中的风险识别能力，本文选取了变道加驶出的综合场景进行风险评估对比。通过该场景的风险评估，检验本文模型在复杂交通交互环境中的表现，进一步验证其对于风险评估的能力与实际情况之间的一致性。

如图7（e）所示，当目标车辆识别到前方车道由双车道减少为单车道时，目标车辆便开始减速并同时进行变道操作，成功变道后跟驰车辆6保持同步行驶。随后，当车道恢复为双行道时，车辆6向右变道并减速，最终停靠在路边。整个过程中，初始时本文模型的风险值较高，这是因为车辆识别到前方车道数减少，即障碍物导致的车道阻塞，从而使得车辆风险逐渐上升。此时的ITTC模型没有考虑到车路信息，仍保持较低风险值，无法反映现实情况。随着车辆开始减速，风险值开始下降。当车辆减速并变道时，前方的阻塞逐渐消散，导致风险进一步降低。随后，当目标车辆开始加速并与前方车辆6保持跟驰状态时，风险再次上升。然而，与ITTC相比，本文模型的风险值上升幅度较小。这是因为本文模型能够识别到前方车辆的变道意图。在前方车辆开始变道后，车辆风险开始逐步下降，直到前方车辆完成变道，风险值稳定在较低水平，反映出系统对驾驶意图的敏感性及其对风险评估的有效性。在风险差异最大处，本文模型的风险结果比ITTC高出0.288 8。

6 结束语

本文提出了一种基于交互信息融合网络的车辆行驶风险预测方法，创新性地构建了车车和车路交互信息耦合的势能场模型，实现了高可靠性与可解释性的车辆行驶风险预测。该模型通过车辆势能场计算目标车辆所受的外界交互融合作用力，考虑了交通参与者的动力学参数、形状尺寸以及目标车辆与道路间的相互作用，真实且准确地反映了复杂环境中目标车辆与多交通主体之间的交互关系。此外，本文还构建了一种结合混合专家模块与注意力机制的切换变换器算法框架，利用路由机制选择最合适的专家进行不同交互场景的专一化学习，全面且高精度地提取了动态交互场景中目标车辆与其他交通参与者之间的作用特征。注意力机制保证了全局范围内对时序数据中的长时间依赖关系的捕捉，有效克服了传统模型在处理长序列时可能遇到的效率瓶颈，显著提高了风险预测的效率与准确性。实验结果表明，本文方法在公开数据集nuScenes上表现优异，且具有较高的风险评估价值。未来，将继续探索交互信息融合网络在交通场景中的应用，挖掘其对车辆决策的潜在价值，进一步提升本文模型的应用前景。

参考文献

[1] Li L, Sui X, Lian J, et al. Vehicle interaction behavior prediction with self-attention[J]. Sensors, 2022, 22(2): No.429.

[2] 涂辉招, 鹿畅, 陆淼嘉, 等. 基于避险脱离的自动驾驶路测安全影响因素[J]. 吉林大学学报:工学版, 2024, 54(7): 1935-1943.

[3] Tu Hui-zhao, Lu Chang, Lu Miao-jia, et al. Safety influencing factors of autonomous driving road tests based on evasion maneuvers[J]. Journal of Jilin University(Engineering and Technology Edition), 2024, 54(7): 1935-1943.

[4] 陈吉清, 翁楚滨, 兰凤崇. 智能车辆换道潜在冲突分析与风险量化方法[J]. 汽车工程, 2021, 43(11): 1565-1576.

[5] Chen Ji-qing, Weng Chu-bin, Lan Feng-chong. Potential lane change conflict analysis and risk quantification method for intelligent vehicles[J]. Automotive Engineering, 2021, 43(11): 1565-1576.

[6] 温惠英, 何梓琦, 李秋灵, 等.高速公路货车换道冲突预测及其影响因素分析[J].吉林大学学报:工学版,2024,54(10):2827-2836.

[7] Wen Hui-ying, He Zi-qi, Li Qiu-ling, et al. Prediction of lane change conflicts for trucks on highways and analysis of influencing factors[J]. Journal of Jilin University(Engineering and Technology Edition), 2024, 54(10): 2827-2836.

[8] Messaoud K, Yahiaoui I, Verroust-Blondet A, et al. Attention based vehicle trajectory prediction[J]. IEEE Transactions on Intelligent Vehicles, 2020, 6(1):175-185.

[9] Li G, Yang Y, Zhang T, et al. Risk assessment based collision avoidance decision-making for autonomous vehicles in multi-scenarios[J]. Transportation Research Part C: Emerging Technologies, 2021, 122: No.102820.

[10] 王明强, 王震坡, 张雷. 基于碰撞风险评估的智能汽车局部路径规划方法研究[J]. 机械工程学报, 2021, 57(10): 28-41.

[11] Wang Ming-qiang, Wang Zhen-po, Zhang Lei. Research on local path planning method for intelligent vehicles based on collision risk assessment[J]. Journal of Mechanical Engineering, 2021, 57(10): 28-41.

[12] 张诗波, 查治涌, 胡文浩. 智能网联汽车行驶的安全风险评价模型[J]. 重庆理工大学学报 :自然科学, 2023, 37(4): 57-63.

[13] Zhang Shi-bo, Zhi-yong Cha, Hu Wen-hao. Safety risk assessment model for intelligent connected vehicles[J]. Journal of Chongqing University of Technology(Natural Science), 2023, 37(4): 57-63.

[14] 朱西产, 魏昊舟, 马志雄. 基于自然驾驶数据的跟车场景潜在风险评估[J]. 中国公路学报, 2020, 33(4): 169-181.

[15] Zhu Xi-chan, Wei Hao-zhou, Ma Zhi-xiong. Potential risk assessment of car-following scenarios based on natural driving data[J]. China Journal of Highway and Transport, 2020, 33(4): 169-181.

[16] Sheikh M, Peng Y. Improved collision risk assessment for autonomous vehicles at on-ramp merging areas[J]. IEEE Access, 2023,11: 130974-130989.

[17] Yu S, Malawade A, Muthirayan D, et al. Scene-graph augmented data-driven risk assessment of autonomous vehicle decisions[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 23(7): 7941-7951.

[18] Shi X, Wong Y, Chai C, et al. An automated machine learning(AutoML) method of risk prediction for decision-making of autonomous vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 22(11): 7145-7154.

[19] Xia T, Chen H, Yang J, et al. Geometric field model of driver's perceived risk for safe and human-like trajectory planning[J]. Transportation Research Part C: Emerging Technologies, 2024, 159: No.104470.

[20] 宋东鉴, 赵健, 朱冰, 等.考虑风险时空分布特征的跟驰工况行驶风险预测[J]. 汽车工程, 2024, 46(5): 766-775, 753.

[21] Song Dong-jian, Zhao Jian, Zhu Bing, et al. Driving risk redicption for car-following conditions considering the spatiotemporal distribution characteristics of risk[J]. Automotive Engineering, 2024, 46(5): 766-775, 753.

[22] Katrakazas C, Quddus M, Chen H. A new integrated collision risk assessment methodology for autonomous vehicles[J]. Accident Analysis & Prevention, 2019, 127: 61-79.

[23] Bai C, Jin S, Jing J, et al. A multimodal data-driven approach for driving risk assessment[J]. Transportation Research Part E: Logistics and Transportation Review, 2024, 189: No.103678.

[24] 王建强, 吴剑, 李洋. 基于人-车路协同的行驶风险场概念、原理及建模[J]. 中国公路学报, 2016, 29(1): 105-114.

[25] Wang Jian-qiang, Wu Jian, Li Yang. Concept, principles, and modeling of driving risk field based on human-vehicle-road collaboration[J]. China Journal of Highway and Transport, 2016, 29(1): 105-114.

[26] Cao Y, Shang G, Cai B, et al. Predictive trajectory planning for on-road autonomous vehicles based on a spatiotemporal risk field[J]. IEEE Intelligent Transportation Systems Magazine, 2022, 15(1): 400-420.

[27] Li L, Gan J, Yi Z, Qu X, et al. Risk perception and the warning strategy based on safety potential field theory[J]. Accident Analysis & Prevention, 2020, 148: No.105805.

[28] Li L, Gan J, Ji X, et al. Dynamic driving risk potential field model under the connected and automated vehicles environment and its application in car-following modeling[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(1): 122-141.

[29] Arun A, Haque, M M, Washington S, et al. A physics-informed road user safety field theory for traffic safety assessments applying artificial intelligence-based video analytics[J]. Analytic Methods in Accident Research, 2023, 37: No.100252.

[30] Cheng Y, Liu Z, Gao L, et al. Traffic risk environment impact analysis and complexity assessment of autonomous vehicles based on the potential field method[J]. International Journal of Environmental Research and Public Health, 2022, 19(16): No.10337.

[31] Han J, Zhao J, Zhu B, et al. Spatial-temporal risk field for intelligent connected vehicle in dynamic traffic and application in trajectory planning[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(3): 2963-2975.

[32] 赵高士, 陈龙, 蔡英凤, 等. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616, 1636.

[33] Zhao Gao-shi, Chen Long, Cai Ying-feng, et al. Trajectory prediction technology integrating complex networks and memory-augmented networks[J]. Automotive Engineering, 2023, 45(9): 1608-1616, 1636.

[34] Geng M, Cai Z, Zhu Y, et al. Multimodal vehicular trajectory prediction with inverse reinforcement learning and risk aversion at urban unsignalized intersections[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(11): 12227-12240.

[35] Liu K, Wang H, Fu Y, et al. A dynamic path-planning method for obstacle avoidance based on the driving safety field[J]. Sensors, 2023, 23(22): No.9180.

[36] 曲大义, 邴其春, 贾彦峰, 等.基于分子动力学的车辆换道交互行为特性及其模型[J]. 交通运输系统工程与信息, 2019, 19(3): 68-74.

[37] Qu Da-yi, Bing Qi-chun, Jia Yan-feng, et al. Vehicle lane change interaction behavior characteristics and their model based on molecular dynamics[J]. Journal of Traffic and Transportation Engineering & Information, 2019, 19(3): 68-74.

[38] Yu R, Zheng Y, Qu X. Dynamic driving environment complexity quantification method and its verification[J]. Transportation Research Part C: Emerging Technologies, 2021, 127: No.103051.

[39] Li G, Yang Y, Li S, et al. Decision making of autonomous vehicles in lane change scenarios: Deep reinforcement learning approaches with risk awareness[J]. Transportation Research Part C: Emerging Technologies, 2022, 134: No.103452.

[40] Li Y, Luo D, Wang J, et al. Mitigating cascading effects of vehicle lane changes: a hyperedge game approach[J]. Transportation Research Part C: Emerging Technologies, 2025, 171: No.104971.

[41] 王江锋, 齐崇楷, 罗冬宇, 等. 通信时延下考虑行驶状态时空价值的编队安全控制[J]. 中国公路学报,2025,38(3):13-30.

[42] Wang Jiang-feng, Qi Chong-kai, Luo Dong-yu, et al. Safety control of formation considering the spatiotemporal value of driving state under Communication delay[J]. China Journal of Highway and Transportation,2025,38(3): 13-30.

[43] Arun A, Haque M, Bhaskar A, et al. A systematic mapping review of surrogate safety assessment using traffic conflict techniques[J]. Accident Analysis & Prevention, 2021, 153: No.106016.

[44] Caesar H, Bankiti V, Lang H, et al. Nuscenes: A multimodal dataset for autonomous driving[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 11621-11631.

[45] Wang H, Lu B, Li J, et al. Risk assessment and mitigation in local path planning for autonomous vehicles with LSTM based predictive model[J]. IEEE Transactions on Automation Science and Engineering, 2021, 19(4): 2738-2749.

[46] Li Q, Cheng R, Ge H. Short-term vehicle speed prediction based on BiLSTM-GRU model considering driver heterogeneity[J]. Physica A: Statistical Mechanics and its Applications, 2021, 610: No.128410.

[47] Yuan H, Zhang J, Zhang L, et al. Vehicle trajectory prediction based on posterior distributions fitting and TCN-Transformer[J]. IEEE Transactions on Transportation Electrification, 2024,10(3):7160-7173.

[48] Han L, Abdel-Aty M, Yu R, et al. LSTM+Transformer real-time crash risk evaluation using traffic flow and risky driving behavior data[J]. IEEE Transactions on Intelligent Transportation Systems, 2024, 25(11): 18383-18395.

基金资助

国家重点研发计划项目(2023YFC3009604)

中央引导地方科技发展资金项目(236Z0802G)