基于随机方法与人工智能结合的公路匝道合流区人类驾驶行为分析与建模

《Transportation Research Interdisciplinary Perspectives》：Analysis and modeling of human driving behavior in highway merging areas using a combined approach of stochastic methods and artificial intelligence

　　

研究人员针对高速公路匝道合流交互中主线人类驾驶车辆（HDV）的驾驶行为模式展开研究。利用exiD数据集，在时空维度定义动态合流窗口以识别与匝道车辆存在潜在交互的主线车辆，并基于合流窗口内各匝道车辆的邻车信息提取主线与匝道车辆的一对一合流事件。为识别合流区内异质性驾驶行为模式，研究人员采用贝叶斯高斯混合模型（BGMM）进行行为聚类分析；随后采用分层贝叶斯逆强化学习（HB-IRL）框架推断表征各行为模式相对奖励偏好的全局与簇特定偏置权重；继而利用强化学习在SUMO（Simulation of Urban MObility）中复现各簇人类驾驶车辆的行为轨迹，从而更全面地表征横向与纵向驾驶行为；最终将exiD训练的策部署于代表匈牙利M1高速公路的高保真SUMO合流场景，结果显示闭环执行稳定，支撑了框架的跨场景可移植性。总体而言，该研究提出了一个可配置的经验框架，将交通交互表征、人类驾驶行为异质性、数据驱动的偏好推断与闭环交通仿真相连接。

研究背景方面，未来交通系统将由人类驾驶车辆（HDV）与自动驾驶车辆（AV）构成混合交通，合流区因车速高、反应时间短成为冲突高发点，HDV行为建模直接影响混合交通的安全与效率。传统基于公式的模型难以刻画自然驾驶数据中多样且重叠的行为模式，而k-means等硬聚类引入主观簇数且无法表达边界不确定性，LSTM、Transformer等预测模型泛化依赖训练数据且缺乏可解释的潜在决策偏好。因此，研究人员聚焦高速公路合流区，基于exiD自然驾驶轨迹数据构建可配置经验框架，连接交通交互分析、行为异质性识别、数据驱动偏好推断与闭环仿真。

关键技术方法上，研究人员以exiD naturalistic trajectory dataset为现场数据来源，设计动态合流窗口提取一对一合流事件；采用贝叶斯高斯混合模型（BGMM）识别异质且重叠的行为模式并获得后验隶属概率；利用分层贝叶斯逆强化学习（HB-IRL）从观测行为推断奖励函数全局权重与簇特定偏置权重；以QR-DQN学习可执行策略，通过SUMO与TraCI实现闭环轨迹复现，并在匈牙利M1高速公路高保真SUMO场景中检验跨场景可移植性。

研究结果部分，引言指出HDV与AV在行为建模与信息结构上的差异催生合流冲突，综述表明BGMM适于重叠分布、HB-IRL可解释相对奖励偏好。第2节方法论中，2.1给出连接交通工程与闭环评估的可配置跨学科框架，区分可复用分析与场地相关设置；2.2定义合流点t_merge、起始帧t_start与结束帧t_end，将合流时间扩展为[t_intent, t_stabilized]，以Δt₁、Δt₂随匝道车速动态化，为主线与匝道潜在交互提供一致区间。2.3至2.5构建行为特征，BGMM聚类避免单一同质表示，HB-IRL推断全局权重w与簇偏置Δw，QR-DQN在权重空间做在线后验采样以量化不确定性。第3节结果显示BGMM析出若干异质行为簇，HB-IRL揭示不同簇在安全性、效率、间隙接受等奖励项上的相对偏好差异，SUMO复现轨迹在速度、横向位移、加速度分布上与真实数据合理吻合；M1场景闭环执行稳定，证明框架可在不同道路几何与交通需求下重配置运行。第4节讨论指出该框架不直接控制AV，亦非基于第二套独立野外轨迹的外部验证，模型再训练与参数校准依目标场地而定。结论部分表明，动态合流窗口、BGMM异质聚类、HB-IRL偏好推断与SUMO闭环仿真的串联，提供了从交通交互到行为复现的可配置经验路径；exiD训练策略在M1场景的稳定执行为跨场景移植提供支撑，该框架为混合交通仿真与AV合流策略研究提供经验输入。论文发表于《Transportation Research Interdisciplinary Perspectives》。