Resumen

El cambio de carril es un escenario importante en entornos de tráfico, y la predicción precisa del comportamiento de cambio de carril es esencial para garantizar el tráfico y la seguridad del conductor. Para lograr este objetivo, se desarrolla un modelo de predicción de cambio de carril basado en la teoría de juegos y el aprendizaje profundo. En el componente de teoría de juegos, se analiza la interacción entre vehículos durante el cambio de carril según el estado de marcha del vehículo, con la probabilidad de cambio de carril como salida. Para el componente de aprendizaje profundo, se utilizan la memoria a corto plazo y una red neuronal convolucional para extraer y aprender las características de los datos durante el proceso de cambio de carril, así como combinar la salida del componente de teoría de juegos para obtener el resultado de la predicción de si el vehículo cambiará de carril. Mediante el uso de un conjunto de datos de tráfico de código abierto para entrenar y verificar el modelo propuesto, los resultados de la verificación muestran que la precisión de la predicción puede alcanzar el 94,56% en 0,4 s de la operación de cambio de carril y que el modelo puede lograr una predicción oportuna y precisa del comportamiento de cambio de carril de los vehículos.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:carril, componente de teoría de juegos, predicción precisa, red neuronal convolucional, conjunto de datos de tráfico de origen, comportamiento, modelo, salida, vehículo, vehículos
• Keywords:lane, game theory component, accurate prediction, convolutional neural network, source traffic dataset, behavior, model, output, vehicle, vehicles