考虑智能网联近邻车辆信息的交织区换道风险预警

面向车辆换道风险预测时特征差异大、样本不均衡、参数调优时间久的问题,将高精度微观车辆轨迹数据与超参数优化机器学习方法相结合,提出了一种可应用于智能网联车辆(ICV)的交织区换道风险识别与预警方法;基于无人机航拍视频,从广域视角提取了城市快速路交织区时间精度为0.1 s、空间精度为每像素0.1 m的换道轨迹,测算了车辆间距、矢量速度、加速度、接近率、速度角度等换道风险感知信息;引入考虑近邻车辆信息的换道TTC模型,以反映车辆汇入或汇出主线的迫切需求,描述其在不同位置的换道行为差异性;结合15分位数法和四分位差法,划分了换道风险预警等级;基于准确率、真阳性率、灵敏度等多项评价指标,遴选并对比了线性分类器、支持向量机、K近邻以及RUSBoost模型换道风险预测结果,得出交织区换道风险实时预警优选模型,针对优选模型进行了超参数优化与验证.研究结果表明:RUSBoost模型为优选模型;超参数优化机器学习方法迭代至第24次时,RUSBoost具有最小误差与最佳点超参数;RUSBoost、BRUSBoost优化模型预测准确率分别为91.40％、99.80％,AUC分别为0.96、0.99;BRUSBoost优化模型对于Ⅰ级、Ⅲ级换道预警精准率分别提升了50.9％、41.2％,有效改善了极端风险换道条件更复杂也更不易预测的缺陷.研究成果有助于智能网联车辆换道决策与轨迹优化,指导交管部门制定ICV动态预警方案.