Resumen

Un cambio de carril correcto desempeña un papel crucial en la seguridad del tráfico. Predecir el comportamiento de cambio de carril de un conductor puede mejorar significativamente la seguridad en la conducción. En este trabajo, se propone un modelo de predicción de red neuronal híbrida basado en una red neuronal recurrente (RNN) y una red neuronal totalmente conectada (FC) para predecir el comportamiento de cambio de carril con precisión y mejorar el tiempo prospectivo de predicción. Se propone una ventana temporal dinámica para extraer las características del cambio de carril, que incluyen datos fisiológicos del conductor, datos cinemáticos del vehículo y datos cinemáticos del conductor. La eficacia del modelo propuesto se valida mediante experimentos en escenarios de tráfico real. Además, el modelo propuesto se compara con cinco modelos de predicción, y los resultados muestran que el modelo de predicción propuesto puede predecir eficazmente el comportamiento de cambio de carril con mayor precisión y antelación que los otros modelos. El modelo propuesto alcanza una precisión de predicción del 93,5 y mejora el tiempo prospectivo de predicción en unos 2,1 s de media.

• 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, comportamiento, modelo, tiempo prospectivo, modelo de predicción de red neuronal híbrida, datos cinemáticos del conductor, ventana temporal dinámica, escenarios reales de tráfico, red neuronal recurrente, datos cinemáticos del vehículo.
• Keywords:lane, behavior, model, prospective time, hybrid neural network prediction model, driver kinematics data, dynamic time window, real traffic scenarios, recurrent neural network, vehicle kinematics data