换道轨迹预测：用LSTM模型捕捉车辆的“思考“过程

lipWOFb

348人浏览 · 2026-03-12 08:30:00

lipWOFb · 2026-03-12 08:30:00 发布

可用于LSTM换道轨迹预测的LC轨迹特征数据 //. MATLAB coding // 换道历史轨迹特征(i80,US101):横纵向速度,横纵向加速度,轨迹坐标,向左OR向右换道标志,时间列,车辆id;

最近，我一直在研究LSTM模型在换道轨迹预测中的应用。说实话，交通预测这个领域真是充满了挑战，尤其是在处理车辆换道这种复杂的动态行为时。换道预测不仅可以帮助自动驾驶系统做出更安全的决策，还能提升整个交通系统的运行效率。

在开始建模前，数据的准备是关键。这次我使用的数据包括I-80和US-101高速公路上的真实换道轨迹。这些数据包含了以下几个重要的特征：

横向速度（lateral velocity）和纵向速度（longitudinal velocity）：这两个速度分量可以帮助我了解车辆在平面上的运动趋势。
横向加速度（lateral acceleration）和纵向加速度（longitudinal acceleration）：加速度信息反映了车辆在行驶过程中的动态变化，特别是在换道过程中，加速度的变化是判断意图的重要依据。
轨迹坐标（trajectory coordinates）：这部分数据记录了车辆在平面上的运动轨迹，是预测的基础。
换道方向标志（left or right lane change indicator）：这是预测的关键目标，它告诉模型车辆下一步的行动方向。
时间列（timestamps）和车辆ID（vehicle ID）：这些信息帮助我们建立数据的时间顺序和个体识别。

数据预处理：给模型喂一个好胃口的"数据大餐"

在开始建模之前，数据预处理是关键的第一步。我选择了MATLAB作为处理工具，以下是具体的步骤：

% 读取数据文件（假设使用.csv格式）
data = readtable('lane_change_data.csv');

% 提取特征列和目标列
features = data(:, {'lateral_velocity', 'longitudinal_velocity', 'lateral_acceleration', 'longitudinal_acceleration', 'x', 'y'});
targets = data(:, 'lane_change_direction');

% 将分类变量（如lane_change_direction）转换为数值标签
targets = categorical(targets);
targets = double(targets);

% 数据标准化
mu = mean(features);
sigma = std(features);
features_normalized = (features - mu) ./ sigma;

% 划分训练集和测试集
[train_features, test_features, train_targets, test_targets] = splitData(features_normalized, targets, 0.7);

在这个过程中，我有几个关键点需要考虑：

数据标准化： LSTM模型对数据的尺度非常敏感，因此我需要对特征进行标准化处理，使得数据的均值为0，标准差为1。
数据划分： 为了验证模型的泛化能力，我将数据划分为训练集和测试集，这里选择的划分比例是7:3。
目标处理： 由于换道方向是一个分类变量（左或右），我将其转换为数值标签，这样方便模型进行学习。

模型设计：让LSTM记住"历史经验"

LSTM模型因其良好的捕捉长期依赖关系的能力，非常适合处理时间序列数据。我设计了一个简单的LSTM结构，包含两个LSTM层和一个全连接层用于输出。

% 定义LSTM网络架构
layers = [
    lstmLayer(100, 'SequenceOutput', true, 'Name', 'lstm1'),
    dropoutLayer(0.2, 'Name', 'drop1'),
    lstmLayer(50, 'Name', 'lstm2'),
    fullyConnectedLayer(3, 'Name', 'fc'), % 3用于表示左、右和不换道
    softmaxLayer('Name', 'softmax'),
    classificationLayer('Name', 'classoutput')
];

关于模型设计，我有几点思考：

选择层数： 我选择了两个LSTM层，希望通过多层结构来提取更复杂的特征。同时，为了防止过拟合，我在第一层LSTM之后添加了一个Dropout层。
全连接层： 在最后添加了一个全连接层，用于将LSTM提取的特征映射到类别空间。
损失函数： 使用了交叉熵损失函数，适用于多分类任务。

模型训练：寻找最佳的"学习策略"

训练模型时，我选择了Adam优化器，并设置了一些关键的超参数。

% 定义训练选项
options = trainingOptions('adam', ...
   'MaxEpochs', 100, ...
   'LearnRate', 0.001, ...
   'GradientThreshold', 1, ...
   'Verbose', false, ...
   'Plots', 'training_progress', ...
   'Shuffle', 'every-epoch');

在训练过程中，我关注了以下几个方面：

学习率： 我选择了0.001作为初始学习率，这是一个比较常见的初始值，既不会让模型更新过快，也不会让模型收敛过慢。
梯度裁剪： 为了避免梯度爆炸的问题，我设置了梯度裁剪（Gradient Threshold）。
训练过程监控： 通过绘制训练进度图，我可以实时监控模型的训练情况，及时调整超参数。

模型测试：看模型能否"预测未来"

在模型训练完成后，我使用预留的测试集对模型进行了测试。

% 模型预测
predicted_labels = classify(net, test_features);

% 计算混淆矩阵
cm = confusionmat(test_targets, predicted_labels);

% 计算准确率
accuracy = sum(diag(cm)) / sum(cm(:)) * 100;
disp(['准确率：', num2str(accuracy), '%']);

测试的结果显示，模型的准确率达到了约85%。这让我对模型的表现感到满意，但也让我意识到还有一些改进的空间。