基于GCN-Transformer的车辆换道行为建模与轨迹预测方法

对车辆换道行为建模并准确预测未来行驶轨迹对交通流的稳定与安全至关重要，为了解决目前大多数轨迹预测模型在同时捕捉车辆之间的空间相关性和时间依赖性上能力不足的问题，结合车辆轨迹的时空特点，本研究提出了一种基于长短期记忆网络、图卷积网络和Transformer编码器的改进建模策略。首先利用长短期记忆网络，对目标车辆和周围车辆在换道临界点前三秒内的状态信息分别进行轨迹编码，接着通过图卷积网络提取空间交互特征，然后通过Transformer编码器提取时间交互特征，最后将前三个模块处理后的特征向量合并后，输入至长短期记忆网络进行解码，得到目标车辆未来五秒的行驶路径预测输出。在NGSIM数据集和HighD数据集上进行实验，并与多种基准模型对比，结果表明：在2秒内的预测时域下，本文模型与PiP模型和DLM模型不差上下，但优于其他LSTM改进模型；在3~5秒内的预测时域下，本文模型优于各基准模型。本文还通过消融实验，证明了设计的时空特征提取模型对模型准确预测的有效贡献。

2023 年全国共发生175 万起道路交通事故，而其中大部分事故的发生与不合适的换道意图和换道行为息息相关。因此，在当前自动驾驶汽车在交通系统中逐渐普及的趋势下，车辆换道轨迹预测问题作为自动驾驶领域的研究重点之一，需要投入更多时间和精力去解决，这对减少人为因素引发的交通事故， 提升道路交通安全性至关重要。

车辆行驶轨迹是指在特定时间段内车辆在空间中的移动路径这一路径，可以通过一系列连续的位置坐标点来表示，通常包括车辆在每个时间点的经度、纬度以及其他高级信息。通过对车辆换道行为的建模和对车辆状态信息这类时序数据的分析，研究者可以揭示车辆运动的模式并预测未来的行驶趋势。目前车辆行驶轨迹预测模型大致可以被分成两大类，一类是基于物理模型和数学公式的传统模型，另一类则是基于车辆轨迹数据的学习式模型。

基于传统方法的车辆轨迹预测主要依赖于动力学或运动学模型的构建，通过牛顿运动定律来预测车辆的加速度和速度变化，或者从几何角度来拟合车辆的历史位置数据，以便对车辆在接下来一段时间内的移动路径进行估计。如Nelson 等[1]是第一个利用极坐标多项式来拟合历史轨迹并做出预测。

基于数学