1．目的及意义
1.1研究背景
随着汽车保有量的增加，道路交通事故已经成为一个社会公共安全问题，车辆危险变道作为引发交通事故的重要原因之一，越来越受到政府和社会各界的关注。而城市信号交叉口交通环境复杂，变道需求大，是交通事故多发地。同时，变道车辆行驶轨迹与周边车辆行驶轨迹存在时变，因此，基于信号交叉口多车行驶时变轨迹对危险变道行为进行识别对降低交通事故率，提升道路交通安全具有现实意义。
1.2研究目的
本研究旨在通过分析信号控制交叉口驾驶员危险变道行为发生时，其行驶轨迹与周边车辆行驶轨迹的时变关系，及变道过程中前后车头时距的变化规律，建立基于时变轨迹的危险变道行为识别模型，实现对危险变道行为的预测，为交通管理人员对降低交叉口危险变道行为提供理论依据，进而提高交叉口通行效率，减少因危险变道引发的交通事故。
1.3研究意义
在道路交通系统中，变道行为是最基本的车辆行驶行为之一。变道行为的产生使车辆的跟驰行为变得复杂化，即车辆在运行过程中不仅受到前车的影响， 还受到了相邻车道车辆行为的影响。驾驶人危险变道行为不仅会影响城市道路的通行能力，导致道路通行能力下降和延误增加，而且会极大地影响道路交通安全，造成一定的安全隐患。
在调查及分析驾驶员危险变道的多车轨迹时变参数的基础上，研究基于信号交叉口多车行驶时变轨迹的危险变道行为识别方法，可实现在实际交通流条件下，对一定行驶轨迹和速度的危险变道行为进行识别，有助于缓解交叉口延误和拥堵，有助于交叉口合理设计、时空优化，对于保障人身财产安全，减少社会经济损失，完善城市智能交通建设等方面也具有重要的意义。
1.4国内外研究现状
1.4.1驾驶员变道行为研究
Moridpour S等[1]研究了车辆变道过程，对变道过程中车速、车速变化、变道持续时间进行了统计分析，并得到了可以接受的变道间隙；Tang 等[2]利用具有潜在变道概率的跟驰模型对均匀交通流进行分析，结果发现潜在变道概率可以提高均匀交通流的速度和流量；Zheng 等[3]分析了车辆变道对周期性边界条件下双车道交通流稳定性的影响，结果表明车辆变道会打破交通流的稳定状态，加剧对交通流的干扰，最终成功阻止交通拥堵。
魏丽英[4]运用线性跟驰理论分析了相邻车辆之间的距离、速度和加速度的关系，在此基础上通过模拟、对比分析多车道和单车道上车辆的车头时距之间的关系，以此来判定路段上的车道变换行为的合理性；王荣本[5]研究了变道时车辆的行驶特性，运用变道车辆的当前速度、距离到达临界碰撞点的时间、两车的相对速度及加速度计算安全车距，研究了车辆碰撞的条件；徐慧智等[6]通过对实验数据的分析，提出速度判断因子的概率，通过建立模型，仿真得到车辆变道行为对交通流速度影响具体数值。
1.4.2驾驶员变道模型研究
最早的变道模型是Gipps[7]提出的Gipps模型，该模型通过交通信号、不同型号车辆和障碍物等条件建立了影响城市道路上车辆变道的基本结构；Ahmed[8]提出了一种使用离散选择框架的变道模型，该模型中，车辆变道被分为三个部分：决定变道，选择左车道或右车道，搜索可变道的安全距离；Toledo[9]通过集成各种决策，如加速度、车辆变道和目标间隙提出了一种变道模型的框架，并且提出了短期驾驶目标的概念；Talebpour等[10]在车间通讯的基础上提出了一种博弈论的车辆变道模型，并通过实际数据对模型进行了验证；Kayvan A等[11]总结了已有的变道模型，包括刺激-反应模型、心理模型和分离选择模型、模糊逻辑模型和神经网络模型。
杨龙海等[12]利用车载GPS定位数据获取车辆变道参数，并分析变道车及其周围车辆在变道时的参数统计分布特征，建立了基于隐马尔可夫的变道行为识别模型；郑杨边牧等[13]以二维OV模型为基础，建立了一个可以细致反映路段上车辆相互作用的跟驰变道行为的二维连续性车辆变道模型，并构建了一个改进的双车道车辆跟驰变道模型，以刻画交叉口前路段上的车辆跟驰变道机制及车流宏观特征；王家凡[14]运用多智能主体的方法，分析了变道车辆与周边车辆之间的合作与竞争关系，提出了一种新的变道模型，能够较好地模拟车辆的变道行为；邱小平等[15]引入了贝叶斯网络这一典型的人工智能方法，建立了全新的车辆变道模型，用数据进行了模型验证，该模型可以捕捉驾驶员一些潜在的决策行为。
1.4.3驾驶员变道行为识别方法研究
HEN R[16]收集了108位驾驶员驾驶100辆车总计120万km的变道数据，总结了变道频率和碰撞时间随速度变化的关系，设计了基于与前车碰撞时间的变道行为识别算法；PENG J[17]运用反向传播的神经网络模型预测变道行为，模型中以当前车车速、方向盘转角、前车和目标车道后车的间距及碰撞时间为参数输入，至少能提前1.5s识别出变道意图。
李鹏飞等[18]基于计划行为理论，构建了竞争驾驶意图与行为关系结构方程模型.其研究表明，驾驶员的竞争驾驶态度、主观标准、知觉行为控制等心理因素和社会环境外界因素，通过行为意向能够很好地对竞争驾驶行为进行预测；唐克双等[19]基于大量实证车辆轨迹数据建立了信号控制交叉口相位切换期间轨迹预测模型和驾驶员心理决策过程预测模型，并在两个模型的基础上建立了驾驶员危险行为识别的规则，三者共同构成了驾驶员危险行为预测方法；宋翔等[20]针对传统车辆变道判别与预测方法的不足，提出一种基于低成本 MEMS-INS 的车辆变道判别与预测方法；史颖[21]以视频处理技术为核心，利用运动目标检测、车辆识别与跟踪等方法提取视频中运动车辆，获得其运动轨迹并分析运动特征，提出一种基于视频检测的车辆变道轨迹识别方法。
1.5研究现状评述
通过查阅国内外相关文献可以发现，在变道行为特性方面，学者们对驾驶员危险变道行为的影响因素以及危险变道行为对交通流的影响进行了研究；在变道模型方面，学者们不断深入调查研究，模型不断改进，仿真精度不断提高。在不同的数据和理论的基础上构建相应的变道模型来模拟车辆的变道行为，刻画交叉口前路段上的车辆跟驰变道机制及车流宏观特征；在变道行为识别方法方面，学者们主要是基于轨迹预测和驾驶员心理决策两方面对危险变道行为进行识别预测。缺乏基于交叉口多车时变轨迹的危险变道行为识别方法方面的研究，而危险变道行为发生时的时变轨迹能在一定程度上反映危险变道行为，对识别危险变道行为有很大的帮助。因此，本文将在实地调查的基础上，分析危险变道行为发生时，其轨迹的时变关系，及变道过程中前后车头时距的变化规律，并基于时变轨迹构建相应的危险变道行为识别模型。

{title}

2. 研究的基本内容与方案

{title}

2.1基本内容
对基于交叉口多车行驶时变轨迹的危险变道行为识别方法展开研究，完成以下研究内容：
（1） 驾驶员危险变道行为相关的研究现状分析
通过查阅国内外相关文献，归纳总结驾驶员危险变道行为相关的研究成果和研究不足，学习借鉴已有技术方法并针对本课题进行创新，选择合适的研究方法。
（2） 交通调查方案的制定
选择武汉市进口道车道数为三车道及以上的某一信号控制交叉口进口道路段，制定合理的调查方案，进行驾驶员危险变道行为调查，包括调查方案的制定及实施、调查数据分析及小结。
（3） 驾驶员危险变道行为行驶时变轨迹及车头时距分析
分析驾驶员变道时与其他车辆的位置、速度关系，并通过视频处理软件分析危险变道车辆行驶轨迹与周边车辆行驶轨迹的时变关系及变道过程中前后车头时距的变化规律。
（4） 驾驶员危险变道行为识别方法
根据调查数据及车辆时变轨迹与车头时距的分析，确定驾驶员危险变道行为与车辆行驶时变轨迹的关系，在此基础上建立基于多车行驶时变轨迹的危险变道行为识别模型，并进行仿真校核，检验其合理性，为危险变道行为的预测和识别提供理论依据。

2.2 研究方法
（1）视频调查法
选取配建有过街天桥且进口道车道数为三车道及以上且无施工或其他因素影响的信号控制交叉口，采用视频调查法对交叉口进口道的交通流状态进行调查，通过后续处理采集交叉口车流总量、车流率、车辆行驶速度等数据。
（2）人工调查法
对所选取交叉口的信号周期、渠化设计、道路等级等基本参数进行人工调查，实现对调查交叉口交通情况的大体评估判断。选取进口道处的某一断面，对经过该断面相邻两辆车的时间间隔进行人工调查，分析其分布特点。
（3）SPSS数据分析
通过SPSS数据分析软件，对视频调查和人工调查获取的数据进行统计分析，包括描述性统计、均值比较、方差分析、一般线性模型、回归分析、拟合优度检验等，研究危险变道行为与速度、车头时距、行车轨迹的关系。
（5） Vissim仿真法
拟采用Vissim仿真软件进行仿真建模，设计仿真实验方案，研究基于多车行驶时变轨迹的危险变道行为识别模型的建立，完成对已建立模型的验证和修订。
2.3研究技术路线

图1 研究技术路线

3. 参考文献
[1] Moridpour S, Sarvi M, Rose G. Modeling the Lane Changing Execution of Multi Class Vehicles under Heavy Traffic Conditions[J]. Transportation Research Record Journal of the Transportation Research Board, 2010, 46(2161):11-19.
[2]Tang T Q,Huang H J. Effects of Potential Lane-Changing Probability on Uniform Flow[J]. Communications in Theoretical Physics , 2010, 54(11):943-946.
[3]Liang Z,Shou-Feng M,Shi-Quan Z.Influence of lane change on stability analysis for two-lane traffic flow[J].Chinese Physics B,2011,20(08):499-511.
[4]魏丽英,隽志才,田春林.驾驶员车道变换行为模拟分析[J].中国公路学报,2001(01):79-82.
[5]王荣本, 游峰, 崔高健,等. 车辆安全换道分析[J]. 吉林大学学报(工), 2005, 35(2):179-182. [6]徐慧智,程国柱,裴玉龙.车道变换行为对道路通行能力影响的研究[J].中国科技论文在线,2010,5(10):749-753.
[7] Gipps P G. A model for the structure of lane-changing decisions[J]. Transportation Research Part B Methodological, 1986, 20(5):403-414.
[8] Ahmed K L, Ben-Akiva M, Koutsopoulos H, et al. Models of freeway lane changing and gap
acceptance behavior[J]. Transportation and traffic theory, 1996, 13: 501-515.
[9] Toledo T, Koutsopoulos H N, Ben-Akiva M. Integrated driving behavior modeling[J]. Transportation Research Part C, 2007, 15(2):96-112.
[10] Talebpour A, Mahmassani H S, Hamdar S H. Modeling Lane-Changing Behavior in a Connected Environment: A Game Theory Approach [J]. Transportation Research Part C, 2015, 59:216-232..
[11] Kayvan A，Moridpour S，Young W，et al. Investigating Heavy Vehicle Lane Changing Manoeuvres[C]. Transportation Research Board Annual Meeting，2011（11-1586）：1022-1031.
[12] 杨龙海,罗沂,徐洪.基于GPS定位数据的高速公路变道特征分析与行为识别[J].北京交通大学学报,2017,41(03):39-46.
[13] 郑杨边牧. 城市交叉口前道路车辆变道行为研究[D].合肥工业大学,2017.
[14] 王家凡，罗大庸. 交通流微观仿真中的车道变换模型[J]. 系统工程，2004，22（3）：92-95.
[15] 邱小平, 刘亚龙, 马丽娜,等. 基于贝叶斯网络的车辆变道模型[J]. 交通运输系统工程与信息, 2015, 15(5):67-73.
[16]Rong Chen,Kristofer D. Kusano,Hampton C. Gabler. Driver Behavior During Overtaking Maneuvers from the 100-Car Naturalistic Driving Study[J]. Traffic Injury Prevention,2015,16(sup2).
[17]Jinshuan Peng,Yingshi Guo,Rui Fu,Wei Yuan,Chang Wang. Multi-parameter prediction of drivers' lane-changing behaviour with neural network model[J]. Applied Ergonomics,2015,50.
[18]李鹏飞,石建军,刘小明.基于计划行为理论的竞争驾驶行为建模[J].交通运输系统工程与信息,2016,16(01):92-98.
[19]唐克双,杨博文,许凯,孙梓栗,周楠.基于车辆轨迹数据的交叉口危险驾驶行为预测[J].同济大学学报(自然科学版),2017,45(10):1454-1461.
[20]宋翔,李旭,张为公.基于低成本MEMS-INS的车辆变道判别方法[J].中国惯性技术学报,2014,22(01):67-73.
[21]史颖. 基于视频检测的车辆变道轨迹识别方法研究[D].苏州科技大学,2017