交通安全是智能交通系统（ITS）研究领域中的一个重要课题。人类驾驶行为中的变道和追车行为是智能交通系统中的重要组成部分。根据2018年交通事故数据显示，在中国某一高速路段，由“变更车道时影响正常行驶的机动车”的违法行引发的交通事故达258起，占该路段事故总数的10.9%，除最常见的“同车道前后车距不当”的违法行为之外，事故发生率排名居首。显然，高速公路上的变道行为伴随着各种安全隐患，因此，针对高速公路上的车辆变道行为的识别具有重要意义。

尽管变道行为的识别具有重要的意义，但现阶段的研究重点更偏向于车辆的纵向行为，因而变道识别的课题的开展仍然是最具挑战性的问题之一。变道驾驶行为的识别是为了理解和预测车辆在下一个时间点出现的位置，再通过对周围环境的识别来判断车辆行为的合理性，最终体现在高速公路上变道行为的安全性提升的现象上。驾驶员在进行变道决策时要考虑许多因素，依靠传统的动力学模型并不能完全的描述这些场景。虽然在传统动力学领域，随着汽车中传感器技术的部署的增加，诸如自适应巡航控制，防撞系统和车道偏离警告系统的驾驶员辅助系统近年来已成为现实，在换道辅助方面，目前的技术也已经发展到盲点识别和警告，但是其他形式的车道变换辅助系统的研究却很有限。因此，寻求配合机器学习的方式，由车辆辅助系统来识别并预测驾驶员的变道行为，从而对之后的变道操作进行一定程度上的辅助，将会极大提高高速公路的行驶安全系数，改善交通环境。

现阶段，已有国内外不同学者针对车辆变道行为作出相关研究。Xu，Zhu等学者提出了一种利用智能手机甄别车辆的变道行为的方案，该方案中使用手机的嵌入式传感器来捕捉车辆变道时独特的横向加速度；Aly,Basalamah等学者提出了安装在智能手机上的LaneQuest系统，同样利用手机传感器来探测汽车的车道，不同的是它是基于车辆在变道行为时产生的角速度来计算数值，创建出新的概率车道估算法；邱小平等学者，利用贝叶斯网络搭建车辆换道模型，通过机器学习的方式来提高识别精度。本文则同样利用机器学习的性质，利用NGSIM数据库中大量的训练样本，分别使用逻辑回归、支持向量机以及随机森林等机器学习模型，以车辆所在车道作为输出，构建的特征值为输入，进行有监督学习，最后比较不同分类器在车道变道行为上的识别效果。

2. 研究的基本内容与方案

（一）研究的主要内容

车辆跟驰和变道行为共同构成机动车驾驶员的基本驾驶行为。然而车辆变道造成交通事故概率高，且容易导致交通流延误甚至交通拥堵，是交通流领域研究热点问题之一。因此，对于车辆变道行为的模式识别具有重要意义。论文基于行车轨迹、陀螺仪或电子里程表的数据，在高速公路环境下，对车辆变道的行为进行识别，包括左变道，左转弯，右变道，右转弯等场景。完成的主要内容包括：

（1）对车辆变道行为进行建模分析

（2）探索机器学习分类算法在车辆变道行为识别中的应用

（3）对具体的算法完成程序实现。

（二）研究的目标