一种基于长短时记忆的换道决策模型

摘要：

　　汽车换道是自动驾驶中的一类重要场景,不合理的换道往往是产生交通拥堵,造成交通事故的重要原因.为了探明各特征变量对换道决策的重要程度,使用极致梯度提升(Extreme Gradient Boosting,XGBoost)算法对各特征变量在换道决策中的重要性进行了量化分析,并设计算法进行换道决策特征的提取,构造换道决策数据集.基于长短时记忆神经网络(Long-Short Term Memory,LSTM)构造换道决策模型,并与反向传播神经网络(Back Propagation,BP)、支持向量机(Support Vector Machine,SVM)及随机森林(Random Forest,RF)构造的换道决策模型进行对比.考虑到基于机器学习模型的性能受超参数影响大,且机器学习调参过程复杂、繁琐,提出基于顺序模型优化(Sequential Model-based Optimization,SMBO)算法进行超参数调优.结果表明,基于LSTM的换道决策模型决策精确度最高,可达到97.71％,综合表现最为优异.

关键词： 换道决策 XGBoost LSTM 超参数调优

作者: 刘永刚 周波波 陈智航 陈峥

作者单位: 重庆大学机械传动国家重点实验室,重庆,中国,400044 昆明理工大学交通工程学院,云南昆明,中国,650500

会议类型: 国内会议

会议名称: 第22届中国系统仿真技术及其应用学术年会(CCSSTA2021)

会议地点: 合肥

会议语种:中文

页码: 74-79

在线出版日期: 2021-07-01（万方平台首次上网日期，不代表论文的发表时间）