基于轨迹数据的多阶段时间推理与自适应窗口用于自动车道变道起始标注

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Multi-stage temporal inference and adaptive windowing for automatic lane-change onset labeling from trajectory data

【字体: 大 中 小 】 时间:2026年09月20日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4

编辑推荐:

   • 一种用于换道起始定位的多阶段时间推理框架。• 决策层面的结构性转折点为自适应窗口构建提供锚定依据。• 该框架能够对异质轨迹实现一致的起始定位。• 起始定位性能取决于时间窗口的构建方式。• 自适应窗口方法在不同交通状态和轨迹结构下均能实现稳定的定位。 1. 引言 从视频

  

• 一种用于换道起始定位的多阶段时间推理框架。• 决策层面的结构性转折点为自适应窗口构建提供锚定依据。• 该框架能够对异质轨迹实现一致的起始定位。• 起始定位性能取决于时间窗口的构建方式。• 自适应窗口方法在不同交通状态和轨迹结构下均能实现稳定的定位。

1. 引言

从视频源获取的自然采集车辆轨迹数据,例如基于无人机的空中观测和路边监控系统所采集的数据,在交通运行分析、驾驶行为研究和交通安全评估中的应用日益广泛(Coifman和Li,2017;Hu等,2022;Krajewski等,2018;Li等,2020)。这些数据已成为表征真实交通系统的重要基础。在不干扰交通运行的前提下,此类轨迹数据能够捕捉不同交通状态下车辆之间的相对运动和交互过程,以及车辆运动与周边交通环境之间的耦合关系。因此,它们为复杂交通行为的微观层面分析提供了基本支撑。然而,自然采集的轨迹数据通常不包含行为阶段的显式标注,不同行为阶段之间的关键边界无法直接观测,必须从连续运动特征中推断。此外,受交通状况和道路特征的影响,车辆轨迹在时间尺度和演化结构上往往存在显著差异,这对行为阶段及其对应边界的准确表征构成了重大挑战。准确识别这些行为边界是后续分析的前提条件,包括行为表征、交互建模以及从已完成轨迹中准备高质量标注数据集以供数据驱动方法使用。

换道是一种常见的且具有代表性的自然驾驶行为(Zheng,2014)。它通常表现为一个持续演化的过程,包含决策、执行和机动后稳定三个阶段,因此呈现出清晰的阶段性结构(Ali等,2021;Toledo和Zohar,2007)。换道过程通常由若干具有明确物理含义的关键时间点来描述,包括换道执行的起始时刻、车辆进入目标车道的时刻以及机动完成的时刻。其中,车辆进入目标车道的时刻可以根据轨迹与车道边界之间的几何关系直接识别。相比之下,换道执行的起始时刻反映了从车道保持阶段到横向执行阶段的转变。在自然采集的轨迹数据中,这种转变通常没有显式标注,也难以直接观测。因此,如何从大规模自然轨迹数据中自动且可靠地定位换道事件的执行起始时刻,已成为支撑换道行为分析的基础性问题,并为后续数据驱动建模提供了必要的时间参考。

准确定位起始时刻的重要性超越了行为分析本身。由于起始时间定义了车道保持与换道执行之间的边界,其定位既影响对机动结构的解读,也影响分配给执行阶段的时间范围。该边界对于基于轨迹的换道安全和效率研究同样至关重要,不准确的起始标注可能会扭曲机动区间并偏差其对周边交通影响的评估(Chen等,2024)。在换道意图识别和轨迹预测的有监督学习框架中,起始标注作为区分车道保持阶段和换道阶段的时间参考,并为构建阶段一致的训练样本提供依据(Ali等,2022)。系统性的标注错误可能会向训练数据中引入噪声并降低下游模型的鲁棒性。近期研究也表明,阶段标注选择可以对基于机器学习的换道预测模型性能产生可测量的差异(Cao等,2025)。随着混合交通环境日益要求自动驾驶车辆预测周边人工驾驶车辆的换道意图(Ali等,2021),可靠的起始标注已成为基于轨迹的稳健建模和预测的重要前提条件。这也促使本研究开展受控评估,以考察不同起始标注策略如何影响下游换道预测。

针对换道起始的自动识别,现有研究提出了多种方法,大致可分为基于规则的方法和基于信号的方法。一类方法依赖于几何特征或基于阈值的规则,使用横向位移、速度或加速度等指标来推断换道起始。另一类方法采用信号分析视角,利用多尺度分析工具来表征横向运动中的转变,从而识别换道阶段的边界(Zheng等,2011;Zheng和Washington,2012)。先前研究已证明,基于信号的方法在捕捉换道运动模式的阶段转变方面是有效的,并已成为换道起始检测的重要技术路径(Ali等,2022;Zheng和Washington,2012)。

尽管基于信号的起始定位方法在捕捉换道阶段转变方面已显示出有效性,但将其应用于自然采集的完整轨迹时,存在两个受到关注较少的实际问题。第一个问题涉及分析窗口的设定。在现有文献中,基于信号的起始定位通常在预选的单事件换道样本上,在固定或预定义的时间窗口内进行研究(Ali等,2023;Cao等,2025;Zheng和Washington,2012),主要关注点通常是提高所选窗口内的定位精度。然而,定位性能对窗口设定本身的敏感性则较少受到关注。当轨迹数据在不同交通状态下采集时,这一问题尤为重要,因为换道行为的时间尺度在自由流和拥堵条件下可能存在显著差异。因此,对于某一数据集看似合适的固定窗口,对于另一个数据集可能并不适用,这意味着有效的窗口选择需要事先了解目标数据集中换道行为的特征时间尺度。然而,这种知识难以在不同交通条件下采集的数据集之间迁移。因此,相同的时间窗口在不同场景中可能对应不同的行为阶段。例如,在自由流条件下,从换道插入时间回溯的6秒窗口可能涵盖从车道保持到换道执行的转变;而在拥堵条件下,相同的窗口可能仅包含执行过程的后期部分,导致与起始相关的转变落在可观测区间之外。

第二个问题涉及轨迹结构。在自然采集的完整轨迹中,连续换道或多重换道难以避免,一次事件的横向运动信号可能受到相邻机动的残余调整、恢复或准备性运动的干扰。在这种条件下,起始定位必须在为当前换道事件执行的同时,限制同一车辆轨迹中其他横向运动段的干扰。这一问题使得事件级时间支撑构建成为将起始定位方法应用于复杂轨迹结构数据集的必要环节。

针对上述两个实际问题,本研究提出了一种基于换道行为内在阶段演化结构的换道起始定位框架,用于从自然采集的完整轨迹中进行回溯性结构标注。该框架不假设固定的时间窗口或简化的事件结构,而是基于车道级轨迹序列进行操作,并明确考虑单车轨迹可能包含多次换道事件的可能性。通过识别与横向运动阶段转变相关的决策零交叉(DZC)候选点,框架为每次换道事件选择内部时间锚点并构建自适应局部分析窗口。在该事件专属窗口内,采用基于信号的轨迹分析作为局部检测工具来识别执行起始时刻。通过这种结构化建模策略,该框架能够在异质性自然轨迹条件下支持更稳定的起始定位,而无需事先了解换道行为的特征时间尺度。在实证方面,该框架使用无人机采集的高速公路作业区轨迹数据集进行评估,并在两个独立的高速公路基本段数据集highD和CQSkyEyeX上进行进一步检验,以评估其在所测试的高速公路换道场景中的表现。此外,本研究还开展了下游预测敏感性实验,以考察起始标注策略如何影响换道预测模型。在本研究中,该框架在回溯性设置下构建,即假设已完成事件的换道插入时间可观测,并用于定义事件级轨迹序列,而DZC则作为自适应窗口构建的内部时间锚点。

本研究的主要贡献总结如下:

1. 提出了一种针对自然采集完整轨迹中换道行为的结构化轨迹处理框架。通过明确考虑换道模式的多样性以及单车轨迹中存在多次换道事件的情况,基于换道插入时间将完整轨迹分解为事件级轨迹序列。这种分解为后续换道起始的结构标注和建模建立了一致的分析单元。

2. 本研究提出了一种与换道行为阶段结构相一致的自适应换道起始定位方法。以构建的事件级轨迹序列作为基本分析单元,该方法利用内部决策零交叉(DZC)锚点为每次换道事件构建自适应时间分析窗口,然后在生成的窗口内应用基于信号的轨迹分析来定位执行起始时刻。由此,本研究提供了一种由阶段转变线索引导的事件级时间支撑构建机制,使基于信号的起始定位能够在不同交通状态、速度区间和轨迹结构的数据集中实现更稳定的性能。

3. 本研究进一步评估了起始标注策略对下游换道预测的影响。使用由不同起始参考构建的样本集,在代表性预测模型以及强制性和自主性换道任务上开展敏感性实验,结果表明基于起始的样本构建是下游预测中不可忽视的变异来源,且预测指标应与起始定位准确性共同解读,而非作为标注质量的独立指标。

所提出的框架在推理过程中不需要针对特定交通状态的窗口设置或手动标注的起始时间,尽管本研究中使用了手动标注的起始参考用于评估。该框架设计用于可比的基于车道的高速公路轨迹数据集,而更广泛的道路环境和感知条件则需要专门的验证。尽管本研究聚焦于换道起始的定位,但所提出的面向阶段的构建方法也可能为未来扩展到其他换道边界提供参考。

本文其余部分组织如下。第2节综述并分析了换道起始检测的相关研究。第3节介绍了数据来源和轨迹预处理流程。第4节提出了所提出的换道起始定位框架。第5节介绍了实验设置、评估协议和下游预测敏感性设计。第6节报告了起始定位结果和下游预测敏感性分析。第7节对结果进行了进一步分析和讨论。最后,第8节总结全文。

2. 相关工作

2.1 基于规则的换道起始定位

在换道建模和基于轨迹的分析中,基于规则的方法长期以来一直是定义换道行为的主导范式之一。这些方法通常依赖于从几何关系、运动学阈值或安全约束中推导出的确定性条件来描述换道的发生和演化,并在经典微观交通模型中形成了相对成熟的建模框架(Wang等,2014;Zheng,2014)。由于其具有清晰的物理可解释性和相对简单的实现方式,基于规则的方法在基于轨迹的研究中被广泛用于换道事件的识别和标注,并为后续的行为特征分析、风险评估和决策建模提供了必要基础(Chen等,2023;Chen等,2019;Li等,2024;Wen等,2025)。

换道通常被视为一个持续演化的横向运动过程。在基于已成功完成的换道事件的研究中,换道起始一般定义为车辆横向运动从稳定状态偏离并进入具有明确方向的持续变化状态的 moment,代表从车道保持到换道执行的转变。换道终止定义为车辆完成横向调整并在目标车道内达到相对稳定运动状态的时间(Cao等,2025;Chen等,2024;Toledo和Zohar,2007;Yang等,2019)。这些时间边界通常根据横向位置、横向速度或导出的运动学指标的时间变化特征来识别(Toledo和Zohar,2007;Wang等,2014)。基于轨迹数据的规则换道识别方法大致可分为三种代表性类型。

# 2.1 基于规则的方法

第一类方法利用预定义的时窗来确定车道变换执行阶段,通常应用于车道变换持续时间建模和大规模自动轨迹标注中(Deo and Trivedi, 2018; Toledo and Zohar, 2007)。第二类方法依赖横向运动变量的阈值,如横向位移、横向速度或横向加速度,来确定车道变换的起始与终止时刻(Chen et al., 2023; Wang et al., 2014; Yang et al., 2019)。第三类方法利用横向轨迹的几何特征或演化趋势,通过基于切线的关系或轨迹形状变化来识别执行区间(Su et al., 2018; Zhang et al., 2020)。尽管这些方法具有良好的可解释性和实现的便利性,但基于规则的车道变换起始定位方法通常依赖于对车道变换执行阶段持续时间和演化模式的假设。无论采用时窗、运动学阈值还是几何特征,这些方法都通常预设执行过程在样本间具有足够规整的结构特征。已有研究表明,当轨迹数据表现出显著波动或横向运动呈现多阶段演化时,基于规则的方法对时窗选择和参数设置的敏感性更高,因此可能需要针对特定数据集进行校准(Cao et al., 2025)。因此,当不同数据集和交通环境之间时间尺度和横向运动结构存在显著差异时,这些方法的鲁棒性可能下降。

# 2.2 基于信号的车道变换起始定位

在上述基于规则的定义基础上,越来越多的研究从信号分析的角度出发,对车道变换起始时刻进行定位。在自然驾驶条件下,横向轨迹通常表现出显著的非平稳特性,局部运动模式随时间持续演化。因此,基于信号的方法将横向运动视为连续时间信号,旨在通过检测其时间演化中的结构变化来识别车道变换起始时刻。基于信号的方法将车道变换起始建模为横向运动时间演化过程中的结构转换,这与车道变换行为的连续性本质高度契合。在现有的基于信号的方法中,基于小波变换的多尺度分解技术尤为具有代表性。通过在不同时间尺度上分析横向运动信号,这些方法能够有效凸显与车道变换阶段过渡相关的奇异特征(Zheng et al., 2011; Zheng and Washington, 2012)。后续研究进一步提高了小波分析的特征鲁棒性和抗干扰能力。对于成功完成的车道变换事件,Chen et al. (2024) 和 Cao et al. (2025) 等研究根据轨迹演化识别了车道变换过程中的关键时间边界,包括起始时刻、越过边界和完成时刻。特别是,Ali et al. (2023) 系统研究了小波变换模极大值(WTMM)方法在复杂轨迹条件下的参数敏感性,而 Cao et al. (2025) 提出了一种 WTMM-LHE 框架,将小波变换模极大值与局部 H?lder 指数相结合。该框架通过识别信号中的规则性变化区间来过滤干扰结构,从而提高了车道变换阶段检测的自动化水平和准确性。

此外,基于信号的方法也被应用于失败车道变换尝试的检测与分析。例如,Ali et al. (2020) 利用小波分析识别与失败车道变换尝试相关的变点,即在车辆物理上发起变道动作但随后中止并返回原车道的情况下。从这个意义上说,失败的车道变换尝试和成功完成的车道变换事件可以被视为基于轨迹的车道变换研究中两个不同但互补的样本类别,各自对应不同的研究目标和方法学需求。

鉴于这一区分,本研究聚焦于成功完成的车道变换事件。现有的基于信号的研究通常针对固定或预定义时窗内的预选单事件车道变换样本开展,主要关注提高所选窗口内的检测精度。相对而言,较少关注定位性能如何随窗口规格变化,也较少关注基于信号的起始定位如何应用于自然采集的、包含连续或多个车道变换事件的完整轨迹。当轨迹数据在异质性交通状态和道路条件下采集时,这些问题变得尤为关键,因为与起始相关的区间及其周围横向运动结构可能因事件而异。

为解决这些问题,本研究通过引入事件特定的时窗构建,扩展了基于信号的起始定位方法。具体而言,该方法基于每个已完成车道变换事件历史横向运动轨迹中的阶段过渡线索,为每个事件构建自适应分析窗口,然后在该窗口内应用基于信号的起始定位。与对所有样本应用固定回顾窗口相比,这种事件级构建能够更好地适应不同事件之间异质的时间尺度,同时有助于在应用于包含连续或多个车道变换的轨迹时,限制与相邻操作相关的横向运动分段的干扰。从这个意义上说,本研究提高了基于信号的起始定位方法对具有异质性交通状态、速度模式和复杂事件结构的自然采集轨迹数据的适用性。

# 3. 数据描述与预处理

## 3.1 基于无人机的轨迹数据采集与研究背景

本研究基于中国东部高速公路主动施工区域的无人机采集车辆轨迹数据,这些数据提供了车道缩减条件下车辆运动和车道变换行为的自然观察。数据从分布于三条高速公路走廊的多个施工区域路段采集:G2 高速公路(台州段)、G42 高速公路(苏州段)和 S55 高速公路(南京段)。所有研究地点均为八车道高速公路,分析的路段具有可比的车道缩减配置。这三条走廊分别代表自由流、拥堵和过渡交通状态。图 1(a) 展示了数据采集地点的地理位置以及各走廊的代表性航拍视图。

无人机在施工区域上方约 200–300 米高度悬停,持续记录车辆运动。视频以 3840 × 2160 像素分辨率、30 fps 帧率采集。对于每条高速公路走廊,记录了五个无人机观测位置,覆盖沿线约 2.3–3.0 公里,分布于施工区域的上游和下游路段。各个观测位置在空间上是独立的,车辆轨迹不跨位置拼接。

在本研究中,选择了施工区域合流区上游和下游路段进行详细分析,因为这些位置的车道变换频率较高,并且提供了足够的观测数据以分析车道缩减条件下的车道变换决策,如图 1(b) 所示。表 1 总结了各高速公路走廊的无人机视频数据采集和路段选择情况。需要注意的是,表 1 中的"使用站点"指的是用于轨迹提取的无人机观测位置。单个选定的观测位置在经过预处理和分割后可能包含多个对应不同交通方向的视频片段或数据集。因此,选定站点数量与提取的视频片段数量并不等同。

**表 1. 无人机视频数据采集与路段选择汇总**

| 地点 | 覆盖距离(公里) | 时间段 | 记录站点数 | 使用站点数 |
|------|-----------------|--------|-----------|-----------|
| G2(台州) | 2.8 | 2021-06-22 | 5 | 2 |
| G42(苏州) | 3.0 | 2021-07-19 | 5 | 2 |
| S55(南京) | 2.3 | 2024-10-23 | 5 | 2 |

**注:** 覆盖距离指无人机录制所覆盖的纵向道路长度。记录站点指每条走廊沿线无人机观测位置的数量。使用站点指本研究中选定进行轨迹提取的观测位置。

## 3.2 轨迹提取与预处理

### 3.2.1 视频稳定

高空悬停时,无人机会受到气流扰动、飞行控制调整和姿态变化的影响,这可能导致视频帧出现抖动、旋转和空间漂移。为减少此类帧间几何变化的影响,对原始航拍影像进行了视频稳定作为预处理步骤。

以每个视频片段的初始帧为参考,建立了全局参考坐标系。采用尺度不变特征变换(SIFT)算法从连续帧中提取关键点特征并估计帧间空间变换矩阵。对估计的变换参数进行时间平滑处理,以减轻局部匹配错误和瞬时扰动的影响。然后将平滑后的逆变换矩阵应用于每一帧,进行几何校正以获得稳定后的视频序列。

图 2(a) 展示了稳定前后的代表性视频帧,表明校正后的帧相对于参考帧保持了道路对齐的一致性。

### 3.2.2 车辆检测与轨迹跟踪

车辆检测和多目标轨迹跟踪使用商用软件 DataFromSky(DataFromSky, 2025)完成,该软件已被广泛应用于基于无人机的交通数据采集研究中(Barmpounakis and Geroliminis, 2020; Chaudhari et al., 2025)。该软件处理稳定后的航拍视频,通过自动目标检测和跨帧关联输出连续车辆轨迹。

为验证检测和跟踪结果的鲁棒性,独立实现了一套内部流程进行交叉验证。两种方法获得的轨迹在空间和时间特征上表现一致。基于稳定性和可重复性的考虑,后续分析采用了 DataFromSky 生成的轨迹。代表性检测和跟踪结果如图 2(b) 所示。

### 3.2.3 时空对齐与道路对齐坐标

为确保不同道路路段和飞行会话之间的几何和时间一致性,对车辆轨迹进一步进行了几何对齐和时间归一化处理。采用 B 样条拟合(Park and Lee, 2007)提取并平滑道路参考线,以获得道路几何的连续可微表示。车辆轨迹首先投影到道路对齐的 Frenet 坐标系中,然后表示为统一的道路对齐笛卡尔坐标系 (x, y),其中 x 表示沿道路参考方向的纵向坐标,y 表示相对于参考线的横向偏移。在后续分析中,x 和 y 均指统一的道路对齐坐标,而非原始图像或全局笛卡尔坐标。

为实现所有车辆的一致性时间分辨率,将轨迹从原始视频帧率 30 Hz 重采样为 10 Hz。这些坐标变换和重采样程序为来自不同施工区域的轨迹建立了统一的空间-时间表示,同时不改变原始运动模式。图 2(c) 示意性地展示了从原始空间坐标到统一道路对齐坐标系的变换过程。

### 3.2.4 轨迹质量控制与精炼

采用分层质量控制程序来缓解视觉检测与跟踪产生的常见误差。通过时空关联解决由临时检测失败引起的车辆误分类和轨迹碎片化问题,以恢复轨迹连续性。在拥堵交通条件下,识别并修正纵向坐标中的非物理后向运动。

轨迹中的短时间断通过线性插值填充。低速或停车期间观察到的横向位置跳跃通过局部插值和调整进行修正。最后,使用 15 帧窗口和二阶多项式的 Savitzky–Golay 滤波器对横向轨迹进行平滑处理,以抑制高频噪声同时保留整体运动趋势。通过这些程序精炼后的轨迹作为本研究中所有后续分析的输入。

## 3.3 数据集特征

在本研究中,选择了三条高速公路走廊施工区域合流区上下游的八个代表性视频片段进行分析,其余录制片段留作未来研究。通过上述检测和跟踪流程,从选定视频片段中提取了车辆轨迹数据集。每个数据集覆盖约 15–20 分钟的Traffic运行。

在后续的起始定位分析中,车道变换事件指的是具有可识别的车道变换插入时刻和足够轨迹历史以供事件级窗口构建的成功完成事件。

在所有片段中,共有 8,121 辆车辆被成功跟踪,其中 4,010 辆至少执行了一次车道变换,对应的总体车道变换参与率为 49.4%。这表明施工区域合流区构成了高频车道变换环境,其中近半数的观测车辆涉及车道变换操作。

车道变换行为的统计特征汇总于表 2。数据集涵盖了多样化的交通条件,包括自由流、拥堵和过渡状态。在八个数据集中共识别了 5,027 个车道变换事件。在车道变换车辆中,851 辆车辆在单次轨迹中执行了多次车道变换,多车道变换车辆的比例在不同数据集之间从 7.7% 到 37.0% 不等。这种变化表明,多车道变换行为的普遍性在不同交通状态和施工条件下差异显著,并强调了在车道变换分析中需要明确考虑此类轨迹,而非先验地将其排除。

**表 2.**

### 各施工区段车道变换行为汇总统计

| 路段 | 状态 | 换道车辆数 | 单车道换道 | 多次车道换道 | 多次车道换道占比 (%) | 换道事件数 |
|---|---|---|---|---|---|---|
| G2(下行) | 自由流 | 312 | 288 | 24 | 7.7 | 337 |
| G2(上行) | 自由流 | 258 | 230 | 28 | 10.9 | 287 |
| G42(下行-1) | 拥堵 | 299 | 191 | 108 | 36.1 | 416 |
| G42(下行-2) | 拥堵 | 319 | 201 | 118 | 37.0 | 451 |
| G42(上行) | 拥堵 | 266 | 238 | 28 | 10.5 | 298 |
| S55(下行-1) | 过渡段 | 812 | 647 | 165 | 20.3 | 1,018 |
| S55(下行-2) | 过渡段 | 808 | 636 | 172 | 21.3 | 1,036 |
| S55(上行) | 过渡段 | 936 | 728 | 208 | 22.2 | 1,184 |
| 总计 | — | 4,010 | 3,159 | 851 | 21.2 | 5,027 |

注:路段标签表示各个无人机采集的数据集;上行和下行路段为完整性分别报告,但未作为后续章节中的分析维度使用。用于外部验证的独立高速公路基本路段数据集在实验设置章节中介绍,用于检验所提出的时间窗构建策略在施工区段数据集之外的可迁移性。

## 4. 方法论

### 4.1 多阶段推理框架概述

本研究提出了一种多阶段时间推理与定位框架,用于在回顾性设定下从基于无人机的车辆轨迹中识别车道变换执行的起始时刻。该框架应用于已成功完成的车道变换事件,这些事件具有可识别的车道变换插入时间和充足的历史轨迹信息。该框架旨在将时间搜索空间从完整轨迹逐步缩小到在行为上具有内在一致性的局部区间,从而在非均匀的驾驶条件以及涉及多次车道变换的轨迹下实现稳健且精确的起始时刻检测。所提出的框架聚焦于表现出从车道保持向执行阶段发生显著转变的车道变换事件,对于这类事件而言,其起始时刻构成一个在行为上具有明确意义的时间目标。

整体流程包含四个概念上相互衔接的阶段,如图 3 所示。首先,每条车辆轨迹被分解为一组有序的基于车道的时序序列,这些序列具有恒定的车道归属,并作为后续处理的结构化分析单元(图 3a 及第 4.2 节)。

图 3. 多阶段时间推理框架概述。

其次,对每个序列进行检查,以刻画其方向转变结构。如图 3b 所示,序列可能表现出无方向转变证据,或者表现出明确的方向转变证据,后者由横向速度中出现与目标方向一致的过零事件来指示。这些结构模式促使在每个序列内部构建一个高召回率的候选转变点集合,同时抑制纯单调变化或噪声引起的伪迹(第 4.3 节)。

接下来,使用一个两状态的从左到右隐马尔可夫模型对经过筛选的候选序列进行建模,以推断出与从车道变换决策形成向执行阶段转变相关联的唯一概率决策边界。如图 3c 所示,该边界提供了一个内部的、决策层面的时间锚点,随后在第 4.4 节中被形式化地定义为决策过零点。

最后,围绕推断得到的决策过零点构建一个基于 DZC 的自适应局部时间窗(图 3d)。在该时间窗内,执行基于小波的时间定位,以获得车道变换执行起始时刻的连续时间估计(第 4.5 节)。

在该设计下,基于小波的定位规则在所有评估的时间窗策略之间保持一致,而所比较策略之间的差异则来源于输入时间窗的构建方式,包括时间锚点的选择。这种分离使得能够受控地评估时间窗选择所带来的影响,并凸显决策锚定时间窗构建在车道变换起始时刻检测中的作用。

### 4.2 基于车道的时序序列构建

从无人机视频中提取的车辆轨迹被表示为连续时间序列,可能涵盖多个行为阶段,包括跟车、车道变换准备、车道变换执行以及随后的横向调整。由于这些阶段缺乏明确的时间边界,如果直接在完整轨迹上进行时间推理,来自不同阶段的横向运动模式可能会发生重叠,特别是在涉及多次车道变换或复杂操作的轨迹中。为了为后续与车道变换相关的时间推理提供结构化表示,每条轨迹都被分解为基于车道的时序序列。

在轨迹校准和车道对齐之后,每个时间点都被分配一个车道归属索引。由于车道变换执行的必然结果是穿越车道边界,车道归属的变化为轨迹分割提供了自然而客观的标准。具有相同车道索引的连续轨迹样本被归为同一个时序序列,而车道索引的变化则标志着新序列的开始。通过这一过程,连续轨迹被划分为一个有序的基于车道的时序序列集合 $\{\text{seq}_k\}_{k=0}^{K-1}$,其中 $K$ 为结果序列的总数,每个序列对应一个车道归属恒定的区间。对于没有车道变换的轨迹,这一过程会产生单个基于车道的时序序列($K=1$),而涉及车道变换的轨迹则相应地被划分为多个序列。

在每个基于车道的时序序列内部,车道归属保持不变,对横向运动施加了车道级别的结构约束。对于涉及多次车道变换的轨迹,这种表示方法提供了与相继车道归属区间相关联的有序车道级片段,同时保持了原始轨迹的时间顺序。这些序列并不对应于预定义的行为类别;相反,它们构成了轨迹的车道级重构,并为后续的推理阶段提供基本的分析单元。

### 4.3 候选转变点的提取与精炼

本小节描述了一个多阶段过程,用于在每个基于车道的时序序列内构建候选转变点。该过程分为三个步骤:(i) 过零提取,(ii) 基于规则的结构化筛选,(iii) 基于单调性的精炼,每一步都旨在逐步抑制无信息价值的振荡,同时保留在行为上具有意义含义的候选。所得到的精炼候选集合作为第 4.4 节所描述的 probabilistic 推理过程的输入。

#### 4.3.1 过零提取

在每个基于车道的时序序列内,横向运动方向的变化作为从车道保持向横向位移转变的指示线索。这类转变反映在横向速度 $v_y(t)$ 的符号变化中,因此被用于构建初始的候选转变点集合。

对于离散横向速度序列 $v_y(t_1), v_y(t_2), \dots, v_y(t_N)$,当在时间 $t_i$ 满足以下条件时,识别出一个过零点:

$$v_y(t_i) \cdot v_y(t_{i+1}) < 0$$

这表示横向运动方向发生反转。为提高在测量噪声下的鲁棒性,满足 $|v_y(t)| < \epsilon$ 的样本被视为近零状态。此外,从近零横向运动向朝向目标车道的持续运动转变的事件,也被记录为软过零事件,用于捕捉微弱但在行为上具有意义的方向性变化。

在一个基于车道的时序序列内检测到的所有过零构成了初始候选集合:

$$Z_k = \{z_1, z_2, \dots, z_M\}$$

其中每个 $z_j$ 表示观察到横向运动方向转变的时间索引。

在预处理过程中,横向坐标系被对齐,使得朝向目标车道的运动对应 $v_y(t)$ 的固定符号。因此,仅保留那些随后伴随与目标方向一致的横向运动的过零点,以确保候选集合内部的语义一致性,并产生一个用于后续结构化精炼的高召回候选集合。

#### 4.3.2 基于规则的候选筛选与结构化

过零的初步筛选

过零提取产生了一个高召回的候选集合;然而,检测到的事件中很大一部分可能源自局部波动、修正性转向或测量噪声,而非车道变换动作的启动。因此,应用初步筛选以施加基本的空间有效性约束。

基于无人机的轨迹通常表示一个参考点的运动(例如质心或前轴中心),而不是完整的车辆占位。即使车辆部分车身已侵入相邻车道,轨迹点仍可能位于原始车道内。发生在此类区域的过零点更多地指示执行中段的调整,而非动作启动。为了抑制此类候选,围绕原始车道中心线定义了一个横向有效带,其容差为车道宽度的四分之一(对于 3.75 米的车道约为 0.9 米)。仅保留位于该有效带内的过零点用于后续分析。

按过零数量分类

经过空间筛选后,每个基于车道的时序序列中剩余的候选点根据过零点的数量进行分类。

情况 1:无过零点。没有剩余过零点的序列无法提供后续推理所需的方向转变证据,因此被排除在进一步分析之外。

情况 2:单个过零点。包含恰好一个过零点的序列表现出朝向目标车道的单次方向转变。在这种情况下,该过零点被保留作为候选转变点。

情况 3:多个过零点。具有多个过零点的序列表明存在复杂的横向调整。在这种情况下,无法直接确定单一候选,需要进行进一步的结构化精炼。

多过零序列的结构化精炼

对于包含多个过零点的序列,沿空间和时域维度分析候选之间的结构关系。在空间上,评估每个过零点与分隔原始车道和目标车道的边界之间的横向距离。在时间上,测量每个过零点与首次进入目标车道之间的时间间隔。

基于这些属性,识别出两个代表性的过零点:距离车道边界最远的过零点,代表朝向目标车道的早期结构偏离;以及在时间上最接近车道边界穿越的过零点,代表操作过程中较晚的结构转变。如果这两个代表点重合,则保留该共有过零点作为唯一候选。否则,由这两个代表点界定的区间构成一个用于后续单调性分析的候选区间。

#### 4.3.3 候选区间内的单调性分析

在第 4.3.2 节中由代表过零点界定的候选区间内,检查朝向目标车道的横向推进一致性。并非分析原始横向速度信号,而是在与过零事件相关的横向位置序列上进行该分析,这提供了跨事件结构趋势的更稳定表示。

如果候选区间内过零点的横向位置表现出朝向目标车道的有序推进,则将该区间归类为单调,并保留区间内所有过零点作为有效候选。如果观察到多次顺序违反或交替的位置趋势,则将该区间归类为非单调,这表明某些过零点可能源自瞬态振荡或局部调整。

在非单调情况下,进一步精炼候选集合,以抑制由振荡引起的过零点,同时保留那些与朝向目标车道的占主导地位横向推进相一致的过零点。通过这种结构化精炼,虚假的方向反转被过滤掉,并得到一个紧凑的、在行为上具有意义的候选集合。所得到的精炼候选集合构成第 4.4 节所描述的 probabilistic 推理过程的唯一输入,使得能够在每个基于车道的时序序列中识别出唯一的车道变换决策边界。

### 4.4 基于隐马尔可夫模型的概率推理

#### 4.4.1 问题表述与状态定义

基于上一节所述基于规则的筛选与结构化精炼,每个基于车道的时序序列产生一个有序的候选过零集合 $Z_k$。本阶段的目标是在 $Z_k$ 中识别出单个具有结构意义的转变点,对应于唯一的车道变换决策边界,该边界作为后续时间窗构建与定位的内部时间锚点。

在车道变换决策边界之前,横向运动通常表现为有限振幅的振荡或轻微的修正性调整,而在此边界之后,横向位置则倾向于表现出更持续的、朝向目标的推进。因此,发生在此边界之后的过零点更可能反映决策后的调整,而非额外的决策起始。

基于这种结构解释,过零序列被建模为一个两状态过程。状态 $S_0$ 表示决策前状态,其中横向运动保持有限且弱方向性,而状态 $S_1$ 表示决策后状态,与更显著的、朝向目标车道的横向推进相关联。在单个基于车道的时序序列中,假设从 $S_0$ 到 $S_1$ 的转变最多发生一次,反映了所建模区间内单向的决策转变。

需要强调的是,隐马尔可夫模型并非用于直接估计车道变换起始时间。相反,它提供了一个决策层面的结构边界,仅作为自适应时间窗构建的内部时间锚点,而不是作为起始时刻估计值或一个已标注事件。

#### 4.4.2 观测建模与推断

隐马尔可夫模型定义在有序的过零序列 $Z_k$ 上,而不是定义在连续轨迹上。观测是由相邻过零点之间的结构差异构建的,包括横向距离差、时间间隔以及相应的纵向位移,形成一个用于 probabilistic 推理的低维度连续特征表示。这些特征捕捉了与车道变换决策相关联的横向运动结构变化。

采用了一个具有从左到右转移约束的两状态隐马尔可夫模型。在上述观测建模和转移结构下,概率推断产生最可能的隐藏状态序列 $S_k = \{s_1, s_2, \dots, s_M\}$,其中 $s_j \in \{S_0, S_1\}$。

#### 4.4.3 决策过零点的选择

通过一个确定性的选择规则,将推断得到的隐藏状态序列映射为唯一的车道变换决策边界。所得到的锚点被称为决策过零点,记作 $z_{dec}$,被定义为被分配到决策前状态 $S_0$ 的最后一个过零点。

设候选过零集合为 $Z_k = \{z_1, z_2, \dots, z_M\}$,对应的推断隐藏状态序列为 $S_k$。由于从左到右的转移约束,状态序列中从 $S_0$ 到 $S_1$ 的转变最多只包含一次。

如果存在索引$j$,使得$s_j = S_0$且$s_{j+1} = S_1$,则定义DZC为$z_j$。如果推断状态在整个序列中始终保持在$S_0$(即未识别出$S_0 \rightarrow S_1$的转换),则根据后备规则选择$\mathcal{Z}_k$中的最后一个过零点作为DZC。通过这一规则,具有不同状态演化模式的过零点序列被一致地映射到唯一的变道决策边界。DZC是一个内部模型推断锚点,仅用于窗口构造,不涉及人工标注的真实起始时间。

**4.5 基于小波的时域定位**

**4.5.1 基于DZC的自适应局部时间窗口**

图4提供了本研究中所考虑的时间窗口构造策略的示意图,突出展示了全局窗口、固定窗口和基于DZC的自适应窗口之间的概念差异。

**图4. 变道起始定位的时间窗口构造策略示意图。**

在获取前述HMM推断所得的DZC后,构造一个局部时间窗口以支持基于小波的变道起始精细化定位。DZC提供了一个决策级别的时序锚点,但由于过零点检测和采样分辨率的离散性,它并不能给出起始时刻的连续时间估计。因此引入时间窗口,以将后续分析限制在可控且行为相关的时序范围内。

设$t_{\text{dec}}$表示DZC的时间时刻。局部时间窗口定义为:

$$(3) \quad W = [t_{\text{start}}, t_{\text{end}}]$$

其中$t_{\text{start}}$和$t_{\text{end}}$分别表示窗口的左边界和右边界。窗口构造的设计旨在确保多尺度分析具有充足的时序覆盖范围,同时排除后期侧向运动模式。时序扩展$\Delta T^-$和$\Delta T^+$根据评估部分中指定的设置固定,并在各数据集间保持一致。

**右侧边界**

为保持DZC的语义角色,右边界受到约束以防止包含明显的决策后侧向运动模式,其定义为:

$$(4) \quad t_{\text{end}} = \min(t_{\text{next}}, t_{\text{seq end}}, t_{\text{dec}} + \Delta T^+)$$

其中$t_{\text{next}}$表示DZC之后第一个过零点的时间,$t_{\text{seq end}}$是当前基于车道的序列的终止时间,$\Delta T^+$指定了最大允许时序扩展量。在本研究所采用的回溯分析设置下,$t_{\text{next}}$是可用的。

**左侧边界**

左边界为稳定的小波分析提供充足的历史上下文,其定义独立于过零点语义:

$$(5) \quad t_{\text{start}} = \max(t_{\text{seq start}}, t_{\text{dec}} - \Delta T^-)$$

其中$t_{\text{seq start}}$表示当前基于车道的序列的起始时间,$\Delta T^-$指定了左侧的时序扩展量。

**4.5.2 给定时间窗口内的小波定位**

设$y(t)$表示当前基于车道的时序区间内的横向位移信号。给定时间窗口$W = [t_{\text{start}}, t_{\text{end}}]$,在该区间上计算连续小波变换:

$$(6) \quad Wy(u, s) = s^{-1/2} \int_{t_{\text{start}}}^{t_{\text{end}}} y(t) \, \psi^*\!\left(\frac{t - u}{s}\right) dt$$

其中$u$表示时间位置,$s$是尺度参数,$\psi(\cdot)$是母小波。所得的尺度图提供了该时间窗口内横向位移信号的多尺度表示。

在本研究中,母小波$\psi(\cdot)$指定为高斯函数的二阶导数。这一选择遵循了先前基于小波的交通事故和车辆轨迹信号分析研究,在这些研究中,高斯导数小波被用于检测非平稳交通和变道信号中的局部奇异性和阶段转换特征(Ali et al., 2023, Ali et al., 2020, Cao et al., 2025, Zheng et al., 2011, Zheng and Washington, 2012)。高斯二阶导数小波适用于横向位移信号,因为其两个消失矩使其对与变道阶段转换相关的加速度变化具有敏感性。采用连续小波变换是因为起始定位需要精确的时间定位和具有平移不变性的信号表示。

母小波可能影响尺度图、WTMM脊的形成以及用于起始定位的候选奇异点。在初步实现中,遵循先前基于小波的变道研究中的比较框架,对几种常用的母小波进行了检验,所观察到的检测行为与先前发现一致。高斯二阶导数小波提供了本研究所考虑的横向运动奇异性的稳定定位,因此被用于最终实现。由于本研究评估的是时间窗口构造而非小波检测器本身的优化,所有时间窗口策略使用相同的母小波和相同的小波定位规则。因此,所报告的性能差异源于窗口构造和时间锚定,而非小波选择。

WTMM结构通过识别各尺度上小波系数幅值的局部极大值来构造。对于给定的尺度$s_0$,时间$t_0$处的点被定义为模极大值,如果:

$$(7) \quad |Wy(u, s_0)| \leq |Wy(t_0, s_0)|$$

其中$u$位于$t_0$的局部邻域内。跨多个尺度检测到的模极大值根据其在线时间-尺度平面中的连续性连接起来,形成WTMM脊。结构稳定性约束(包括最小脊长、最大跨尺度时间漂移和最小脊间距)被应用于保留稳定的脊结构。

遵循WTMM-LHE(小波变换模极大值结合局部H?lder指数)定位规则(Cao et al., 2025),变道执行的起始时刻从时间窗口内的WTMM脊中确定。在参考方法中,局部H?lder指数用于表征局部信号规律性并约束与奇异时间变化相关的WTMM结构的选择。本研究中将WTMM-LHE准则作为固定的定位规则采用,而所提出的贡献在于自适应时间窗口的构造。在满足结构约束的脊中,选择与阶段转换相关的主导脊。在该脊上,起始时刻定义为:

$$(8) \quad t^* = \arg\max_{t \in \mathcal{R}(s^*)} |Wy(t, s^*)|$$

其中$\mathcal{R}(s^*)$表示在代表尺度$s^*$下所选WTMM脊的时间支撑集。尺度$s^*$选为最大有效尺度的一半,遵循参考研究的设定。

上述定位程序在不同的时间窗口$W$定义下同样适用,使得估计起始时刻$t^*$的变化可归因于窗口构造和时间锚定的差异。

**5. 实验设置与评估方案**

**5.1 评估范围与分析单元**

本研究采用变道事件作为基本实验评估单元,而非将完整车辆轨迹或单个时间帧作为分析对象。与第4.2节中引入的基于车道的时序表示一致,每条车辆轨迹表示为基于车道的时序序列的有序集合,记为$\text{seq}_k$($k = 0, \ldots, K-1$),其中每个序列对应一个车道归属恒定的连续区间。

变道事件与车道归属的变化相关联,定义为相邻两个基于车道的时序序列$\text{seq}_k$和$\text{seq}_{k+1}$之间的转换。从$\text{seq}_k$到$\text{seq}_{k+1}$的转换时间记为$t_{\text{insertion}}$,该时间作为固定窗口构造和基于速度的分层的回溯变道插入参考点。在离散轨迹中,$t_{\text{insertion}}$对应于分配到$\text{seq}_{k+1}$的第一个时间样本。相应地,由$K$个基于车道的时序序列组成的轨迹产生$K-1$个变道事件。仅包含单个基于车道的时序序列的轨迹($K = 1$)不涉及任何变道事件,因此被排除在变道起始时刻的定量评估之外。此类轨迹构成轨迹分解输出的一部分,但不包含在后续误差分析或方法比较中。

为支持系统性的性能评估,变道事件沿两个互补维度进行表征:轨迹结构复杂度和交通状态引起的时序变异性。这些维度仅用于评估分层,不作为所提出的时间窗口构造或基于小波的起始定位程序的输入。

**变道结构复杂度**

变道结构复杂度首先在轨迹层面根据车辆轨迹中包含的变道事件数量进行考虑。如果一条轨迹由$K = 2$个基于车道的时序序列组成,则对应恰好一个变道事件,被称为单次变道轨迹(Single-LC)。相反,由$K \geq 3$个基于车道的时序序列组成的轨迹表明在观测区间内发生了两个或更多变道事件,被称为多次变道轨迹(Multi-LC)。

在定量评估中,该轨迹层面的区分在事件层面通过考虑每个变道事件在同一车辆轨迹中的序列位置进一步表达。在Single-LC轨迹中,唯一的变道事件被视为前序独立变道(Preceding-Independent LC),因为它在观测轨迹中没有被另一个变道事件所先行。在Multi-LC轨迹中,第一个变道事件也被视为前序独立变道,而第二个及后续的变道事件被视为前序依赖变道(Preceding-Dependent LC),因为它们的事件前运动可能受先前变道操作的残余侧向调整或恢复过程的影响。

采用这一事件层面的分类旨在评估起始定位性能是否受事件时序结构上下文的影响。与前序独立变道相比,前序依赖变道可能涉及更复杂的侧向运动历史,因为相邻变道事件可能在短时间区间内发生,且前一事件的结束阶段可能与后续事件的准备阶段重叠。因此,车道保持与变道执行之间的时间边界可能变得不那么清晰,需要在两种事件层面结构条件下分别考察定位性能。

**交通状态与时序变异性**

除了轨迹结构差异外,交通运行条件也是影响变道行为时序特征的重要因素。在不同交通状态下,变道过程在时间尺度和演化模式上可能表现出显著差异。在相对不受约束的交通条件下,变道操作通常在较短的时间内完成,侧向位移阶段保持相对紧凑。相反,在更为受限的条件下,变道过程往往延长并以多阶段方式展开。

这种由交通状态引起的时序变异性意味着变道事件并不一定在时间轴上共享共同的时间尺度。因此,除了总体评估外,实验分析进一步考察跨交通状态和速度相关分层的起始定位性能。这种分层评估旨在评估不同的时间窗口策略在异质变道演化模式下是否表现出一致的性能。

**5.2 施工区事件集构造与真值标注**

在实际交通轨迹数据中,并非所有变道事件都表现出从车道保持到执行阶段的明显转换,对于此类事件,变道起始的概念在行为上没有明确定义。这种情况通常出现在车辆进入观测区域时已经处于持续的变道执行阶段,导致在记录的区间内没有可观察到的转换阶段。因此,虽然从相邻基于车道的时序序列中结构识别的所有变道事件均被保留为候选事件,但并非所有事件都适合进行定量起始评估。

基于这一考虑,所有候选变道事件首先被收集到一个完整事件集$S_{\text{all}}$中。在本数据集中,该完整集包含八个施工区段中的5,027个候选事件。真值事件集通过两阶段筛选和标注程序构造,如表3所示。在自动筛选阶段,没有有效目标方向过零点的事件被排除并分配到$S_{\text{excluded}}$中,因为它们不具有定义良好起始事件所需的运动学转换。剩余的事件记为$S_{\text{ann}}$,提交人工标注,随后根据能否建立稳定且行为有效的真值起始参考,被划分为最终可评估子集$S_{\text{clear}}$和不可评估子集$S_{\text{amb}}$。

**表3. 各施工区段数据集的真值标注统计。**

| 路段 | $S_{\text{all}}$ | $S_{\text{excluded}}$ | $S_{\text{ann}}$ | $S_{\text{clear}}$ | $S_{\text{bd}}^a$ | $S_{\text{sg}}^b$ | $S_{\text{amb}}/S_{\text{ann}}$ (%) |
|------|------:|------:|------:|------:|------:|------:|------:|
| G2(下行) | 337 | 227 | 110 | 103 | 7 | 0 | 6.4 |
| G2(上行) | 287 | 152 | 135 | 134 | 1 | 0 | 0.7 |
| G42(下行-1) | 416 | 118 | 298 | 243 | 20 | 35 | 18.5 |
| G42(下行-2) | 451 | 136 | 315 | 257 | 27 | 31 | 18.4 |
| G42(上行) | 298 | 85 | 213 | 151 | 34 | 28 | 29.1 |
| S55(下行-1) | 1,018 | 374 | 644 | 627 | 1 | 7 | 2.6 |
| S55(下行-2) | 1,036 | 325 | 711 | 697 | 1 | 4 | 2.0 |
| S55(上行) | 1,184 | 439 | 745 | 729 | 1 | 6 | 2.1 |
| **合计** | **5,027** | **1,856** | **3,171** | **2,941** | **136** | **94** | **7.3** |

对于提交人工标注的事件,真值起始时间$t_g$定义为车辆横向运动脱离稳定车道保持状态并进入持续目标方向侧向位移的时间时刻。标注过程由三名标注者独立进行,使用相同的预处理轨迹曲线以及每条轨迹中检测到的过零点事件。在此设置下,过零点事件作为候选时间线索呈现以支持人工判断,每位标注者被要求确定哪个过零点最能代表从车道保持到变道执行的转换。该决定基于可观察的运动学证据,主要包括横向位移的演化以及朝向目标车道持续运动的出现。

当初次标注不完全一致时,所选过零点候选项根据其时间离散度进行比较。如果标注的候选项落在共同的固定3秒局部时间窗口内,则该事件被保留并共同审查以确定单一的最终参考点。

如果候选事件无法在此3秒窗口内达成一致,则该事件不会被强制纳入真值集合。更一般地说,S???表示至少存在一个目标方向零交叉的已标注事件,但无法定义稳定且行为有效的真值起始时刻。在本研究中,S???被分为两个组成部分。第一个组成部分S_bd_amb由边界邻近零交叉事件组成。在这些事件中,候选零交叉处的轨迹中心点位于源车道和目标车道之间的车道边界0.8米范围内。由于轨迹点代表车辆中心附近的位置而非车辆边缘,因此该阈值提供了一种保守的物理判据。普通乘用车宽度通常大于约1.7米,这意味着当轨迹中心点距车道边界0.8米以内时,车身可能已经接近或部分越过边界,从而影响目标车道。此类候选事件无法为从稳定车道保持到车道变更执行之间的过渡提供明确的参考。第二个组成部分S_sg_amb由走走停停模糊过渡零交叉事件组成。此类情形出现在拥堵交通条件下,反复停车、低速波动和局部横向振荡产生了多个目标方向零交叉候选事件。尽管标注者试图选择起始参考,但轨迹并未表现出从车道保持到车道变更执行的明确且持续的过渡,候选事件的选择也无法在预定义的3秒局部窗口内达成一致。这些事件被排除,因为无法建立稳定且具有行为意义的真值起始时刻。不会向标注者提供任何模型推导结果。起始判断仅基于观测到的轨迹模式以及标注者对车道变更过程的行为解释。因此,真值起始时刻独立于所提出的推理框架建立,仅作为性能评估的外部参考。

如表3所示,5027个候选事件中有1856个(36.9%)在标注前因结构性原因被排除,3171个已标注事件中有230个(7.3%)因无法定义稳定且行为有效的起始参考而被归入S???。在这些不可评估的已标注事件中,136个被归类为S_bd_amb,94个被归类为S_sg_amb。所有S_sg_amb案例均出现在拥堵的G42路段中,表明定义稳定起始的困难主要来自受约束的走走停停行为,而非标注一致性的一般性不足。因此,2941个事件被保留在S_clear中,为后续定量评估提供行为定义明确且标注一致的真值起始时刻。

定量评估应在S_clear的范围内进行解读。S_clear经人工审核,由行为定义明确的已完成车道变更事件组成,这些事件具有物理和运动学上有效的车道变更起始。排除S_excluded和S???的目的不在于剔除困难样本,而在于剔除不包含真正起始事件的事件。区分三种情况。S_excluded中的事件不包含目标方向零交叉,因此起始过渡在结构上不可观测。边界邻近事件(S_bd_amb)已经处于车道边界附近的执行阶段,而非起始阶段。走走停停模糊过渡事件(S_sg_amb)对应连续的车道变更行为,没有单一明确定义的起始。保留此类事件会将执行阶段或不可评估时刻作为起始参考引入,从而污染真值;而排除它们可以确保参考标签对应真正的车道变更起始,从而提高评估基准的可靠性。因此,报告的定位误差以此可评估集为条件,并不代表在原始轨迹数据中所有结构性识别的车道变更候选事件上的性能。这一范围是起始定位任务的固有特性,该任务仅当真正的起始存在且可参考时才具有意义。不具有此类起始的事件超出本次评估范围,需要在今后的工作中另行处理。

如第4.4.3节所述,t_gt独立于DZC定义。DZC是模型内部推断的时间锚点,仅用于自适应窗口构建,而t_gt仅作为性能评估的参考。这两个量在不同协议下定义,用途互不重叠,模型推理与真值标注之间不存在交互或信息流动。

**5.3 外部验证数据集与事件集**

为检验所提出的基于DZC的窗口构建方法在工作区数据集之外的外部适用性,使用两个独立的、公开可用的基于无人机的轨迹数据集highD和CQSkyEyeX进行外部验证。两个数据集均提供非工作区高速公路基本段的车辆轨迹,因此用于表示常规高速公路车道变更条件,主要涉及自由式车道变更。为确保与主评估的可比性,两个外部数据集的原始轨迹使用相同的车道变更事件提取、筛选和真值标注标准进行处理。highD是一个公开可用的基于无人机的自然驾驶车辆轨迹数据集,采集于德国高速公路(Krajewski et al., 2018)。该数据集包含从六个高速公路地点的无人机视频录像中提取的车辆轨迹,共60段录像,总测量时长16.5小时。本次外部验证纳入了全部60段highD录像。如表4所示,highD记录包含110515辆车辆和13262辆车道变更车辆。基于统一处理流程,首先将结构性识别的候选车道变更事件收集到全事件集S_all中,产生13857个候选事件。经筛选和真值标注后,7986个事件被保留在最终可评估子集S_clear中,用于定量起始定位评估。

表4 外部验证数据集中车道变更行为与可评估事件的统计摘要

| 数据集 | 车辆数 | LC车辆 | 单次LC(%) | 多次LC(%) | S_all | S_clear |
|--------|--------|--------|-----------|-----------|-------|---------|
| highD | 110,515 | 13,262 | 95.6 | 4.4 | 13,857 | 7,986 |
| CQSkyEyeX | 15,821 | 2,423 | 93.6 | 6.4 | 2,587 | 1,472 |

注:单次LC(%)和多次LC(%)分别表示进行单次和多次车道变更的LC车辆比例。S_all表示包含所有候选车道变更事件的全事件集;S_clear表示用于定量起始评估的最终可评估子集。

CQSkyEyeX是一个公开可用的基于无人机的车辆轨迹数据集,用于中国高速公路上的微观交通行为分析和交通安全研究(Xu et al., 2024)。该数据集由以25Hz录制的高分辨率航拍视频构建,涵盖多种高速路段类型,包括基本段、交织段和合流/分流段。轨迹数据的典型定位误差低于10厘米,速度误差低于1.5km/h(Pan et al., 2025; Zhang et al., 2023)。本次外部验证从CQSkyEyeX中选取了22段高速公路基本段录像,总录制时长371分钟。如表4所示,这些选取记录包含15821辆车辆和2423辆LC车辆。相同的处理流程在S_all中产生2587个候选事件,1472个事件被保留在S_clear中用于定量起始定位评估。

**5.4 对比策略与评估协议**

**5.4.1 时间窗口策略**

所有时间窗口策略共享相同的定位管线和参数设置,仅在时间窗口的构建方式上有所不同。这些策略在相同的回顾性分析设置下运行,并具有相同的基于车道的时序序列;因此定位性能的差异仅源于小波分析所执行的时间支撑范围。

**全局时间窗口策略**:在全局策略中,基于小波的定位在整个与车道变更事件相关的基于车道的时序序列上执行,不施加任何显式的时间约束。

**固定时间窗口策略**:评估了四种具有预定义长度(6秒、12秒、24秒和60秒)的固定回顾性时间窗口策略。对于每个事件,定位被限制在车道变更完成前固定时长的窗口内,遵循回顾性起始检测研究中的常见做法。

**所提出的自适应时间窗口策略**:所提出的方法采用基于DZC的自适应时间窗口策略,其中基于WTMM的定位的时间搜索范围由来自前序HMM推理阶段的推断决策零交叉锚定。通过将分析限制在围绕该锚点构建的行为相关局部区间内,所提出的策略旨在提高定位稳定性的同时保持跨异质场景的语义一致性。时间扩展ΔT?和ΔT?作为自适应窗口策略的固定设计常数处理。在本研究中,两个扩展均设为3秒,使得基于DZC的窗口对称地定义为推断决策锚点周围最大±3秒的局部区间。当DZC两侧有充足的轨迹观测时,该设置产生6秒的局部窗口。在实践中,实际窗口边界还受到相应基于车道序列的有效时间范围以及第4.5.1节中定义的边界条件的进一步约束。因此,如果任一侧可用轨迹长度不足,窗口将由对应的序列边界截断。一旦确定,相同的窗口参数在所有事件、交通状态和数据集上统一应用,并不基于定位性能进行调整。

**5.4.2 竞争性基线策略**

除了时间窗口比较之外,还引入了三种竞争性基线,以将所提出的框架与更简单的基于信号和非顺序自适应替代方案进行对比评估。阈值和变点(CP)基线直接从横向运动信号确定时间锚点,而不使用零交叉候选事件,而高斯混合模型零交叉(GMM-ZC)基线使用与所提方法相同的零交叉候选池,但替换了基于HMM的顺序推理阶段。这些基线回答了两个互补的问题:是否能通过简单的信号阈值或通用自适应分割达到相似的性能,以及在相同零交叉候选可用的情况下,基于HMM的顺序推理是否提供额外价值。

**阈值基线**使用横向速度阈值定义时间锚点。对于每个车道变更事件,使用目标方向横向速度识别持续横向运动朝向目标车道的起始。时间锚点定义为第一个目标方向横向速度持续高于0.2m/s至少0.5秒的区间的起点,阈值取值遵循先前的基于轨迹的车道变更分析(Wang et al., 2014)。该锚点随后用于构建基于WTMM的起始定位的局部分析窗口。该基线代表一种传统的基于信号阈值的替代方案,不包含零交叉结构化或基于HMM的顺序推理。

**CP基线**是一种基于信号分割的通用自适应锚点策略。对于每个车道变更事件,使用修剪精确线性时间(PELT)算法对目标方向横向速度信号应用变点检测,采用均值偏移代价函数和贝叶斯信息准则(BIC)惩罚。当检测到多个变点时,选择车道变更完成前的最后一个变点作为时间锚点。选定的锚点用于构建局部分析窗口,而后续基于WTMM的起始定位设置与所提方法保持一致。该基线评估通用的基于分割的自适应窗口是否为所提出的基于DZC的锚点设计提供了足够的替代方案。

**GMM-ZC基线**评估基于HMM的顺序推理对于DZC选择的必要性。它使用与所提方法相同的目标方向零交叉候选事件,但用非顺序的五分量高斯混合模型替代HMM阶段,该模型拟合到零交叉候选事件的车道宽度归一化横向位置。时间锚点选择为分配到均值最接近源车道中心线的分量的最后一个零交叉。当没有候选落入该分量时,应用确定性回退规则:选择源车道中心线远侧的最后一个零交叉,或者当所有候选都在车道标线一侧时,选择最终分量转换前的最后一个零交叉。选定的零交叉随后用于构建局部分析窗口,基于WTMM的起始定位程序保持不变。该基线检验零交叉候选的顺序结构建模是否提供了超出非顺序聚类的信息。

**5.4.3 评估指标与分层协议**

设t_det为给定方法检测到的起始时刻,t_gt为人工标注的真值起始时刻。每个车道变更事件的有符号时间误差定义为:

(9) E = t_det ? t_gt

绝对起始定位误差为:

(10) |E| = |t_det ? t_gt|

为表征系统性时间偏差,Bias定义为有符号误差的样本均值:

(11) Bias = (1/N) Σ???? E?

报告摘要统计量,包括|E|的均值、中位数、四分位距(IQR)和第90百分位数,以共同表征定位精度、离散度和尾部误差。在报告时,|E| ≤ 0.5秒的事件比例用于指示近参考检测的份额。

定量评估首先在整体工作区可评估事件集S_clear上进行,然后按交通状态、轨迹结构复杂度和速度相关运行条件进行分层。

交通状态分层用于考察自由流、过渡和拥堵条件下的性能差异。结构复杂度分层区分了第5.1节中定义的前驱独立和前驱依赖车道变换事件。速度相关分层进一步用于考察起始点定位性能是否随车道变换演化的时间尺度变化。外部验证在第5.3节引入的highD和CQSkyEyeX事件集上进行。对于每次比较,指标均在对应的共同可评估事件集上计算,以确保比较中纳入的所有策略都在相同样本上评估。

5.5. 下游预测敏感性实验

除起始点定位评估外,在施工作业区数据集上还进行了一项补充的下游预测实验,以考察不同的起始点标注策略是否影响车道变换预测模型。该实验设计为基于起始点的样本构建的敏感性分析,而非旨在开发优化的车道变换预测模型。受Ali等人(2023)讨论的数据提取问题的启发,其目标是检验对于同一车道变换事件集合,改变用于样本构建的起始点参考是否会导致不同的下游预测结果。

对于每种起始点标注策略,通过使用对应的估计起始时间作为时间参考来重建预测样本。比较的起始点参考包括DZC策略、窗口长度为6秒、12秒、24秒和60秒的四种固定回溯策略、Global策略以及三种自动基线策略,即Threshold、CP和GMM-ZC。人工标注的起始点真值仅作为起始点定位评估的参考,不作为该下游实验中的额外样本构建策略。这一设置使比较聚焦于实际的自动起始点标注策略。

对于每个重建的样本集,提取所选起始点参考之前1秒、2秒、3秒和4秒的历史轨迹窗口作为模型输入。正样本对应车道变换事件,负样本从稳定的车道保持区间中选择,并在每个任务和每个历史窗口长度内按1:1的比例与车道变换样本匹配。考虑两种预测任务,即强制性车道变换(MLC)预测和随意性车道变换(DLC)预测。所有起始点标注策略均采用相同的任务定义、特征提取规则、数据划分协议和评估指标,以便预测性能的差异主要归因于基于起始点的样本构建。

输入变量分为三个特征组。车辆运动特征描述历史窗口内自车及其周围车辆的运动学状态和基本属性。交互特征刻画自车-邻居相对运动、空间间隙和风险相关交互指标。上下文特征描述与自车相关的车道级交通状况和施工作业区约束,包括车道功能、合流相关距离、车道密度和车道速度差。对于BLR、SVM和XGBoost,这些变量被汇总为历史窗口上的固定长度特征。对于LSTM,保留相同特征组的时间序列作为模型输入。

评估了四个代表性预测模型,即BLR、SVM、XGBoost和LSTM。数据集在车辆级别上划分为训练集、验证集和测试集,特征标准化仅使用训练集统计量进行拟合。预测性能使用准确率和F1分数进行评估,每个实验重复三个随机种子。对于主要的跨模型比较,报告值为1-4秒四个历史窗口长度和三个随机种子的算术平均值。所得比较用于评估下游预测模型对起始点标注策略的敏感性,预测指标应与起始点定位准确性结合解读,而非作为起始点标签质量的独立指标。

6. 结果

6.1. 整体起始点定位性能

表5总结了在施工作业区数据集2941个可评估车道变换事件上评估的六种时间窗口策略的起始点定位性能。车道变换执行的起始点称为执行起始点。报告的指标包括平均绝对误差(Mean |E|)、中位数绝对误差(Median |E|)、四分位距(IQR)、第90百分位误差(P90)、系统偏差(Bias)以及误差在0.5秒内的事件比例(≤0.5 s)。

表5. 不同时间窗口策略在施工作业区数据集上的整体起始点定位性能(N=2,941个可评估车道变换事件)。

| 策略 | Mean |E| (s) | Median |E| (s) | IQR (s) | P90 (s) | Bias (s) | ≤0.5 s (%) |
|------|-----------|------------|-------|-------|--------|----------|
| Fixed 6 s | 10.43 | 4.50 | 14.40 | 29.40 | +10.28 | 9.1 |
| Fixed 12 s | 8.82 | 3.70 | 10.60 | 25.60 | +7.20 | 9.9 |
| Fixed 24 s | 7.23 | 3.70 | 7.00 | 19.30 | +3.99 | 10.9 |
| Fixed 60 s | 7.47 | 3.80 | 7.60 | 20.60 | ?1.38 | 11.7 |
| Global | 10.70 | 3.90 | 8.70 | 25.60 | ?5.64 | 11.5 |
| DZC-based | 0.91 | 0.90 | 1.10 | 1.80 | +0.16 | 39.0 |

注:E=tdet?tgt;IQR=P75?P25;Bias=mean(E)。

在六种策略中,DZC策略产生了最低的平均绝对误差、中位数绝对误差、四分位距、P90和偏差幅度,同时达到了最高的≤0.5秒比例。其平均绝对误差和中位数绝对误差分别为0.91秒和0.90秒。固定窗口策略的平均绝对误差在7.23至10.43秒之间,中位数绝对误差在3.70至4.50秒之间。Global策略的平均绝对误差为10.70秒,中位数绝对误差为3.90秒。

对于离散度相关指标,DZC策略的四分位距为1.10秒,P90误差为1.80秒。固定窗口策略对应的四分位距在7.00至14.40秒之间,P90误差在19.30至29.40秒之间。Global策略的四分位距为8.70秒,P90误差为25.60秒。

偏差从Global策略的?5.64秒到Fixed 6 s的+10.28秒。DZC策略产生的偏差为+0.16秒,对应六种策略中最小的偏差幅度。对于≤0.5秒精度阈值,DZC策略达到39.0%,而固定窗口策略在9.1%至11.7%之间,Global策略达到11.5%。

图5展示了不同时间窗口策略下绝对起始点定位误差的累积分布函数(CDF)。DZC策略的CDF曲线在约0.90秒处达到CDF=0.5,在约1.80秒处达到CDF=0.9,与表5中的中位数和P90值一致。固定窗口和Global策略的CDF曲线在3.70至4.50秒之间达到CDF=0.5,其P90值落在所显示的0-10秒误差范围之外。

下载:下载高分辨率图像(304KB)
下载:下载全尺寸图像

图5. 不同时间窗口策略在施工作业区数据集上的绝对起始点定位误差累积分布函数(N=2,941)。

这些汇总结果刻画了每种时间窗口策略的整体性能模式。后续分析按施工作业区运行条件和轨迹结构复杂度对性能进行分层。

6.2. 施工作业区运行条件下的性能变化

为考察施工作业区运行条件下的性能变化,车道变换事件被分为自由流(G2)、过渡(S55)和拥堵(G42)状态。由于S55子集包含混合速度区间,因此在过渡状态下还进行了额外的速度组敏感性分析。

6.2.1. 交通状态下的性能变化

表6报告了固定窗口、Global和DZC策略按状态划分的起始点定位性能。该分析比较了每种交通状态内的窗口长度效应以及每种窗口策略下的交通状态效应。

表6. 不同时间窗口策略在施工作业区数据集上按状态划分的起始点定位性能。

| 策略 | Mean |E| (s) | Median |E| (s) | IQR (s) | P90 (s) | Bias (s) | ≤0.5 s (%) |
|------|-----------|------------|-------|-------|--------|----------|
| **自由流(G2)** | | | | | | |
| Fixed 6 s | 2.65 | 2.20 | 2.80 | 5.30 | +2.52 | 10.1 |
| Fixed 12 s | 2.22 | 2.10 | 2.20 | 4.44 | +1.29 | 16.0 |
| Fixed 24 s | 2.21 | 2.10 | 2.20 | 4.44 | +1.27 | 16.5 |
| Fixed 60 s | 2.21 | 2.10 | 2.20 | 4.44 | +1.27 | 16.5 |
| Global | 2.21 | 2.10 | 2.20 | 4.44 | +1.27 | 16.5 |
| DZC-based | 0.96 | 0.90 | 1.20 | 1.90 | +0.54 | 38.4 |
| **过渡(S55)** | | | | | | |
| Fixed 6 s | 7.98 | 3.20 | 7.40 | 24.80 | +7.78 | 11.4 |
| Fixed 12 s | 6.85 | 3.00 | 4.80 | 21.60 | +4.76 | 12.0 |
| Fixed 24 s | 5.80 | 3.20 | 4.90 | 14.88 | +2.20 | 12.0 |
| Fixed 60 s | 5.61 | 3.20 | 4.90 | 14.80 | ?1.19 | 12.6 |
| Global | 5.97 | 3.20 | 4.90 | 15.88 | ?1.84 | 12.5 |
| DZC-based | 0.90 | 0.90 | 1.10 | 1.80 | +0.11 | 39.4 |
| **拥堵(G42)** | | | | | | |
| Fixed 6 s | 20.98 | 18.20 | 18.20 | 40.20 | +20.96 | 1.4 |
| Fixed 12 s | 17.45 | 14.50 | 18.75 | 35.70 | +17.02 | 1.2 |
| Fixed 24 s | 13.58 | 9.70 | 14.05 | 30.10 | +10.64 | 5.2 |
| Fixed 60 s | 15.26 | 13.50 | 16.75 | 32.30 | ?2.93 | 7.4 |
| Global | 28.71 | 16.40 | 28.10 | 70.80 | ?20.12 | 6.6 |
| DZC-based | 0.95 | 1.00 | 1.20 | 1.90 | +0.19 | 38.2 |

注:E=tdet?tgt;IQR=P75?P25;Bias=mean(E)。

在自由流条件下,固定窗口的指标在窗口长度超过最短设置后变化很小。与Fixed 6 s相比,12秒及以上的窗口将中位数绝对误差从2.20秒降至2.10秒,四分位距从2.80秒降至2.20秒,P90误差从5.30秒降至4.44秒。有符号偏差保持正值,对应延迟检测,但从Fixed 6 s到Fixed 24 s从+2.52秒降至+1.27秒。≤0.5秒比例从10.1%增至16.5%。在Fixed 24 s和Fixed 60 s下,固定窗口指标不变;在此交通状态下Global策略具有相同的指标值。

在过渡条件下,增加固定窗口长度与较低的平均误差幅度、误差离散度和尾部误差相关,而中位数绝对误差在3.00-3.20秒之间变化。从Fixed 6 s到Fixed 60 s,平均绝对误差从7.98秒降至5.61秒。较长窗口的四分位距从7.40秒降至4.80-4.90秒,P90误差从24.80秒降至14.80秒。有符号偏差从+7.78秒降至?1.19秒,随着窗口长度增加从延迟检测变为提前检测。≤0.5秒比例仅略有变化,从11.4%到12.6%。Global策略接近较长的固定窗口设置,与Fixed 24 s和Fixed 60 s具有相同的中位数绝对误差和四分位距,P90误差略大。

在拥堵条件下,固定窗口指标随窗口长度增加呈非单调变化。大多数误差指标从Fixed 6 s到Fixed 24 s下降,Fixed 24 s在固定窗口设置中记录了最低的平均绝对误差、中位数绝对误差、四分位距和P90误差。中位数绝对误差从18.20秒降至9.70秒,P90误差从40.20秒降至30.10秒,但在Fixed 60 s下均再次上升。随着固定窗口长度增加,有符号偏差从+20.96秒降至?2.93秒,从延迟检测变为提前检测。在此交通状态下,Global策略具有较大的误差离散度和尾部误差,四分位距为28.10秒,P90误差为70.80秒。

当窗口策略固定时,固定窗口和Global策略在拥堵条件下的定位误差通常大于自由流和过渡条件下。在固定窗口设置中,中位数绝对误差从自由流条件下的2.10-2.20秒增加到拥堵条件下的9.70-18.20秒,过渡状态介于这两个范围之间。P90误差也呈现相同的顺序,从自由流条件下的4.44-5.30秒增加到拥堵条件下的30.10-40.20秒。Global策略在中位数误差方面遵循此顺序,但在拥堵条件下具有最大的P90误差。

有符号偏差呈现窗口依赖的跨状态模式。对于短中和中等固定窗口,偏差保持正值且在拥堵条件下增加,对应延迟检测。从自由流到拥堵条件,Fixed 6 s的偏差从+2.52秒增至+20.96秒,Fixed 24 s从+1.27秒增至+10.64秒。相比之下,Fixed 60 s和Global策略在过渡和拥堵条件下具有负偏差值,Global策略在拥堵下达到?20.12秒。

对于DZC策略,中位数绝对误差在三种交通状态下保持在0.90-1.00秒之间,P90误差保持在1.80-1.90秒之间。≤0.5秒比例在所有三种状态下均超过38%。

6.2.2. 过渡状态内的速度组敏感性

三种交通状态子集具有不同的速度分布。G2自由流片段中的车道变换事件主要发生在平均纵向速度高于80公里/小时的情况下,而G42拥堵片段中的事件大多发生在平均纵向速度低于40公里/小时的情况下。相比之下,S55过渡片段包含本文考虑的三个速度范围内的车道变换事件。因此,S55过渡子集用于速度组敏感性分析。基于事件级平均纵向速度v?(从tgt到tinsertion区间),S55过渡子集中的所有车道变换事件被分为高速组(v?≥80公里/小时)、中速组(40≤v?<80公里/小时)和低速组(v?<40公里/小时)。表7报告了对应的速度组结果。

表7. 施工作业区数据集S55过渡子集内按速度组划分的起始点定位性能。

| 策略 | Mean |E| (s) | Median |E| (s) | IQR (s) | P90 (s) | Bias (s) | ≤0.5 s (%) |
|------|-----------|------------|-------|-------|--------|----------|
| **高速组** | | | | | | |
| Fixed 6 s | 2.44 | 2.10 | 2.67 | 5.00 | +2.19 | 15.5 |
| Fixed 12 s | 2.20 | 2.00 | 2.30 | 4.40 | +0.05 | 17.1 |
| Fixed 24 s | 2.28 | 2.00 | 2.30 | 4.70 | ?0.07 | 16.7 |
| Fixed 60 s | 2.28 | 2.00 | 2.30 | 4.70 | ?0.07 | 16.7 |
| Global | 2.28 | 2.00 | 2.30 | 4.70 | ?0.07 | 16.7 |
| DZC-based | 0.91 | 0.90 | 1.10 | 1.90 | +0.18 | 37.2 |
| **中速组** | | | | | | |
| Fixed 6 s | 2.94 | 2.50 | 3.50 | 6.37 | +2.68 | 14.7 |
| Fixed 12 s | 2.73 | 2.50 | 2.63 | 5.37 | ?0.23 | 13.5 |
| Fixed 24 s | 3.23 | 2.80 | 3.03 | 6.47 | ?1.15 | 12.8 |
| Fixed 60 s | 3.23 | 2.80 | 3.03 | 6.47 | ?1.15 | 12.8 |
| Global | 3.23 | 2.80 | 3.03 | 6.47 | ?1.15 | 12.8 |
| DZC-based | 0.90 | 0.90 | 1.10 | 1.80 | +0.14 | 39.5 |
| **低速组** | | | | | | |
| Fixed 6 s | 16.15 | 14.10 | 21.25 | 34.40 | +16.03 | 5.8 |
| Fixed 12 s | 13.62 | 9.80 | 18.40 | 30.50 | +12.16 | 6.4 |
| Fixed 24 s | 10.59 | 7.20 | 11.90 | 25.80 | +6.38 | 7.4 |
| Fixed 60 s | 10.10 | 7.10 | 11.40 | 22.90 | ?2.20 | 8.8 |
| Global | 11.02 | 7.20 | 12.60 | 24.80 | ?3.86 | 8.6 |
| DZC-based | 0.88 | 1.00 | 1.20 | 1.80 | +0.03 | 41.2 |

注:E=tdet?tgt;IQR=P75?P25;Bias=mean(E)。v?表示从tgt到tinsertion区间上的事件级平均纵向速度。

对于固定窗口和Global策略,高速组的中位数绝对误差为2.00-2.10秒,P90误差为4.40-5.00秒。此模式接近G2自由流条件下观察到的模式。在高速组内,Fixed 12 s在固定窗口设置中记录了最低的平均绝对误差和P90误差。

中速组表现出与高速组类似的模式。

对于固定窗口和全局策略,中位绝对误差(Median |E|)范围为2.50–2.80秒,P90误差为5.37–6.47秒。这些范围高于高速组,但仍低于低速组的相应范围。

在低速组中,固定窗口策略对窗口长度表现出更明显的敏感性。在固定窗口设置中,6秒固定窗口的误差最大,其平均绝对误差为16.15秒,中位绝对误差为14.10秒,P90误差为34.40秒。当固定窗口长度增加到60秒时,这些数值分别降至10.10秒、7.10秒和22.90秒。带符号偏差也从6秒固定窗口下的+16.03秒变为60秒固定窗口下的?2.20秒。

对于基于DZC的策略,中位绝对误差在三个速度组中始终保持在0.90–1.00秒范围内,而P90误差始终保持在1.80–1.90秒范围内。≤0.5秒的比例在所有三个组中均高于37%。

6.3. 轨迹结构复杂度下的性能

在实际高速公路施工区轨迹中,变道操作可能作为孤立事件发生,也可能作为同一车辆轨迹中连续操作的一部分。在这种情况下,后续的变道事件嵌入在包含先前变道历史的时间上下文中,并可能表现出不同的轨迹结构特征。

为了检验由先前变道引起的轨迹结构复杂度效应,引入了变道上下文作为额外的性能分层维度。根据变道事件在同一车辆轨迹中的顺序位置,事件被分为两类。前序独立变道(Preceding-Independent LC)指的是轨迹中的第一个变道事件,而前序依赖变道(Preceding-Dependent LC)指的是同一轨迹中的任何后续事件。这些上下文标签仅从事件顺序派生,仅用于事后性能分层。它们不用于时间窗口构建或起始点定位。表8报告了相应结果。

表8. 基于不同时间窗口策略的施工区数据集上按变道上下文分组的起始点定位性能

(表格内容)

注:E=t_det?t_gt;IQR=P75?P25;Bias=mean(E)。

当每个时间窗口策略在两种变道上下文之间进行比较时,在固定窗口和全局策略下,前序依赖变道的典型定位误差大于前序独立变道。在固定窗口设置中,从前序独立变道到前序依赖变道,中位绝对误差增加2.25–6.95秒。最大增幅出现在6秒固定窗口下,其中中位绝对误差从4.20秒增加到11.15秒。全局策略遵循相同模式,其中位绝对误差从3.70秒增加到7.90秒。

误差分散在两种变道上下文之间也存在差异。对于固定窗口策略,前序依赖变道下的四分位距值高于前序独立变道,从6.60–13.60秒增加到8.58–16.42秒。全局策略显示出类似的四分位距增加,从7.80秒增加到14.80秒。P90模式取决于时间窗口策略。对于6秒、12秒和24秒固定窗口,前序依赖变道下的P90误差低于前序独立变道;而对于60秒固定窗口和全局策略,前序依赖变道下的P90误差更高。

带符号偏差进一步反映了上下文相关差异。对于6秒、12秒和24秒固定窗口,两种变道上下文均保持正偏差值,对应延迟检测。从前序独立变道到前序依赖变道,在6秒固定窗口下偏差从+10.10秒变为+12.34秒,在12秒固定窗口下从+7.08秒变为+8.58秒,在24秒固定窗口下从+3.99秒变为+4.05秒。对于60秒固定窗口和全局策略,两种上下文均具有负偏差值,且前序依赖变道下的值更负。

在≤0.5秒阈值下,对于所有固定窗口和全局策略,前序依赖变道的高精度定位比例低于前序独立变道。在固定窗口设置中,前序独立变道下≤0.5秒的比例范围为9.4%至12.1%,而前序依赖变道下为5.5%至9.7%。对于全局策略,相应比例从11.8%降至8.1%。

对于基于DZC的策略,两种变道上下文具有可比的定位结果,这与固定窗口和全局策略中观察到的与上下文相关的中位绝对误差增加形成对比。在两种变道上下文下,中位绝对误差均为0.90秒。前序独立变道和前序依赖变道的平均绝对误差值分别为0.92秒和0.85秒。相应的P90误差分别为1.90秒和1.70秒,≤0.5秒的比例分别为38.9%和41.1%。

6.4. 与竞争基线策略的比较

基于5.4.2节中描述的竞争基线设置,本小节将提出的基于DZC的策略与阈值(Threshold)、CP和GMM-ZC进行比较。为确保方法间的可比性,报告的结果基于所有四种策略均对具有可用真值起始点标签的变道事件产生有效起始点估计的公共可评估集。该集包含2,666个变道事件。比较结果按整体报告,并进一步按速度组和变道上下文分层。表9报告了整体结果。

表9. 在公共可评估事件集上与竞争基线策略的整体比较

(表格内容)

注:E=t_det?t_gt;IQR=P75?P25;Bias=mean(E)。

在三个竞争基线中,阈值的整体绝对误差最大,其次是CP,而GMM-ZC的整体绝对误差指标最低。阈值的接近零的偏差应与较大的绝对误差一起解释,因为正负误差可能在带符号均值中相互抵消。相比之下,CP在所比较策略中具有最大的偏差幅度。由于GMM-ZC和基于DZC的策略都依赖于过零信息,它们的中位绝对误差和四分位距值相对接近,从GMM-ZC下的1.20秒和1.50秒降至基于DZC下的0.90秒和1.10秒。在平均绝对误差和P90上的差异更为明显,从GMM-ZC下的3.23秒和8.00秒降至基于DZC下的0.92秒和1.90秒。GMM-ZC与基于DZC策略之间的主要差异反映在大误差情况和尾部误差的减少上。

表10进一步报告了跨速度组和变道上下文的分层比较。在高速组中,GMM-ZC和基于DZC的策略表现相当,且两者的绝对误差指标均低于阈值和CP。事件上下文对比主要体现在独立事件和依赖事件之间的不同模式上。对于阈值和CP,依赖事件的典型误差和偏差幅度大于独立事件。在阈值下平均绝对误差从2.13秒增加到4.58秒,在CP下从1.48秒增加到1.58秒,同时偏差幅度分别从1.20秒增加到4.58秒和从0.93秒增加到1.25秒。相比之下,GMM-ZC和基于DZC的策略在依赖事件下显示出更低的误差,其中中位绝对误差从0.90秒降至0.50秒,P90误差从1.90秒降至1.58秒。

表10. 跨速度组和变道上下文与竞争基线策略的分层比较

(表格内容)

注:E=t_det?t_gt;IQR=P75?P25;Bias=mean(E)。Independent和Dependent分别表示前序独立变道和前序依赖变道。

在中等速度组中,阈值、CP和GMM-ZC对于独立事件的平均绝对误差和P90误差略高于高速组。对于依赖事件,CP显示出低于独立事件的绝对误差指标,其中位绝对误差和P90分别从1.30秒和5.70秒降至0.80秒和2.81秒。在中等速度的依赖层中,CP具有最低的中位绝对误差和四分位距,而基于DZC的策略产生最低的平均绝对误差和P90误差。

在低速组中,阈值、CP和GMM-ZC的平均绝对误差和P90误差高于高速和中等速度组。在这些策略中,与上下文相关的增加在阈值下最为明显,其中平均绝对误差从独立事件的11.19秒增加到依赖事件的22.53秒,P90误差从28.40秒增加到44.12秒。对于CP,与上下文相关的增加不如阈值下明显,平均绝对误差从10.64秒变为11.62秒,P90从28.15秒变为33.50秒。相比之下,GMM-ZC和基于DZC的策略在依赖事件下均显示出低于独立事件的误差。GMM-ZC的降幅更大,其平均绝对误差和P90误差从6.43秒和17.05秒降至3.24秒和9.89秒,而基于DZC的策略在两种上下文中的平均绝对误差均低于1.00秒,P90误差均低于2.00秒。

6.5. 在独立高速公路轨迹数据集上的外部验证

使用5.3节中定义的外部验证数据集和事件集,本小节报告了在highD和CQSkyEyeX数据集上的起始点定位性能。表11总结了在主评估中使用的相同时间窗口策略下的整体外部验证结果。

表11. 在独立高速公路轨迹数据集上使用不同时间窗口策略的起始点定位性能外部验证

(表格内容)

注:E=t_det?t_gt;IQR=P75?P25;Bias=mean(E)。

在highD上,基于DZC的策略在所比较策略中产生最低的平均绝对误差、中位绝对误差、四分位距和P90。其中位绝对误差为1.16秒,接近6秒固定窗口的1.20秒,且低于较长固定窗口和全局策略的1.96–1.98秒范围。在分散性和尾部误差上的差异更为明显。基于DZC的策略产生1.12秒的四分位距和2.28秒的P90误差,而6秒固定窗口下为1.36秒和2.92秒,较长固定窗口和全局策略下为2.64–2.76秒和5.44–5.76秒。基于DZC策略下≤0.5秒的比例为21.5%,6秒固定窗口下为21.3%,而较长固定窗口和全局策略保持在13.4–13.5%。基于DZC策略的偏差为?0.67秒;6秒固定窗口的偏差幅度较小,为+0.44秒,而较长固定窗口和全局策略具有较大的负偏差值。

在CQSkyEyeX上,基于DZC的策略同样在所比较策略中产生最低的平均绝对误差、中位绝对误差、四分位距和P90。中位绝对误差从6秒固定窗口下的1.28秒和较长固定窗口及全局策略下的1.88–1.92秒降至基于DZC策略下的1.08秒。P90误差从6秒固定窗口下的3.96秒和较长固定窗口及全局策略下的5.24–5.52秒降至基于DZC策略下的2.28秒。≤0.5秒的比例达到24.3%,而6秒固定窗口为21.3%,较长固定窗口和全局策略为15.0%。基于DZC的策略也具有最小的偏差幅度,偏差为?0.41秒。

overall highD结果表明,在常规高速公路条件下,6秒固定窗口在中位绝对误差和≤0.5秒比例方面仍接近基于DZC的策略。为了进一步检验这种模式在低速变道条件下是否发生变化,从highD中选择了低速组,使用事件级平均纵向速度阈值为40 km/h。该分析作为与施工区分析中低速组相对应的敏感性检查,而非highD的完整速度分层。表12报告了相应结果。

表12. highD数据集上起始点定位性能的低速敏感性分析

(表格内容)

注:E=t_det?t_gt;IQR=P75?P25;Bias=mean(E)。

与overall highD结果相比,在低速组中,固定窗口和全局策略显示出更高的误差水平,特别是在平均绝对误差、P90和偏差方面。对于6秒固定窗口,P90误差从overall highD评估中的2.92秒增加到低速组中的10.76秒,同时偏差从+0.44秒增加到+2.68秒。对于较长固定窗口和全局策略,中位绝对误差范围为3.52秒至7.04秒,P90误差范围为8.62秒至27.64秒。

其偏差值同样变为负值,在固定60秒窗口和全局策略下达到-9.24秒。在同一低速组中,基于DZC的策略的平均绝对误差|E|为1.24秒,中位误差|E|为1.20秒,四分位距为1.16秒,P90误差为2.35秒。这些值与其总体高D(highD数据集)结果相近,后者的对应值分别为1.18秒、1.16秒、1.12秒和2.28秒。这一低速敏感性结果与前述工作区分析一致,即在低速条件下,不同时间窗口策略之间的主要性能差异更多地体现在大误差情况和尾部误差上。

**6.6 下游变道预测模型对起始标注策略的敏感性**

本小节报告了使用不同起始标注策略构建的样本集上,四个代表性模型的下游预测性能。

使用基于DZC起始标注策略构建的样本集,对BLR、SVM、XGBoost和LSTM模型的预测性能在历史窗口长度方面的鲁棒性进行了检验。如图A所示,在MLC和DLC预测任务中,这些模型在1至4秒的四种历史窗口长度下的准确率和F1分数均保持相对稳定。因此,表13中的每个值均报告为四种历史窗口长度和三个随机种子的算术平均值。

**表13 不同起始标注策略构建的样本集上的跨模型预测性能对比**

| 模型 | 起始策略 | MLC准确率 | MLC F1分数 | DLC准确率 | DLC F1分数 |
|------|---------|----------|----------|----------|----------|
| BLR | DZC | 0.744 | 0.759 | 0.741 | 0.765 |
| BLR | 固定6秒 | 0.896 | 0.899 | 0.787 | 0.799 |
| BLR | 固定12秒 | 0.856 | 0.863 | 0.730 | 0.755 |
| BLR | 固定24秒 | 0.778 | 0.797 | 0.740 | 0.768 |
| BLR | 固定60秒 | 0.668 | 0.724 | 0.723 | 0.750 |
| BLR | 全局 | 0.634 | 0.715 | 0.740 | 0.774 |
| BLR | 阈值 | 0.850 | 0.854 | 0.754 | 0.776 |
| BLR | CP | 0.731 | 0.762 | 0.723 | 0.769 |
| BLR | GMM-ZC | 0.727 | 0.735 | 0.733 | 0.762 |
| SVM | DZC | 0.754 | 0.773 | 0.755 | 0.783 |
| SVM | 固定6秒 | 0.882 | 0.887 | 0.812 | 0.814 |
| SVM | 固定12秒 | 0.846 | 0.851 | 0.735 | 0.772 |
| SVM | 固定24秒 | 0.772 | 0.779 | 0.748 | 0.762 |
| SVM | 固定60秒 | 0.709 | 0.739 | 0.734 | 0.762 |
| SVM | 全局 | 0.683 | 0.727 | 0.757 | 0.778 |
| SVM | 阈值 | 0.853 | 0.855 | 0.767 | 0.782 |
| SVM | CP | 0.729 | 0.764 | 0.723 | 0.767 |
| SVM | GMM-ZC | 0.715 | 0.744 | 0.714 | 0.754 |
| XGBoost | DZC | 0.851 | 0.859 | 0.783 | 0.810 |
| XGBoost | 固定6秒 | 0.917 | 0.920 | 0.840 | 0.848 |
| XGBoost | 固定12秒 | 0.879 | 0.879 | 0.747 | 0.777 |
| XGBoost | 固定24秒 | 0.805 | 0.816 | 0.781 | 0.799 |
| XGBoost | 固定60秒 | 0.735 | 0.761 | 0.757 | 0.787 |
| XGBoost | 全局 | 0.720 | 0.747 | 0.784 | 0.806 |
| XGBoost | 阈值 | 0.869 | 0.873 | 0.815 | 0.830 |
| XGBoost | CP | 0.802 | 0.818 | 0.769 | 0.799 |
| XGBoost | GMM-ZC | 0.780 | 0.794 | 0.781 | 0.806 |
| LSTM | DZC | 0.911 | 0.914 | 0.807 | 0.818 |
| LSTM | 固定6秒 | 0.925 | 0.926 | 0.791 | 0.799 |
| LSTM | 固定12秒 | 0.868 | 0.871 | 0.699 | 0.728 |
| LSTM | 固定24秒 | 0.806 | 0.816 | 0.746 | 0.774 |
| LSTM | 固定60秒 | 0.742 | 0.766 | 0.717 | 0.746 |
| LSTM | 全局 | 0.725 | 0.754 | 0.736 | 0.760 |
| LSTM | 阈值 | 0.925 | 0.925 | 0.775 | 0.787 |
| LSTM | CP | 0.835 | 0.846 | 0.751 | 0.782 |
| LSTM | GMM-ZC | 0.781 | 0.792 | 0.743 | 0.775 |

注:数值报告为四种历史窗口长度(1至4秒)和三个随机种子的算术平均值。

每种起始标注策略均生成对应的样本集用于下游模型训练和评估。预测结果显示,在模型内部,不同样本集之间存在明显的性能变化。对于MLC预测任务,BLR的准确率范围为0.634至0.896,SVM为0.683至0.882,XGBoost为0.720至0.917,LSTM为0.725至0.925。F1分数呈现类似的模式。对于DLC预测任务,模型内部准确率区间不如MLC预测任务明显,其中LSTM的最大区间为0.699至0.807。这些结果表明,不同的起始标注策略会导致下游变道预测性能产生不可忽略的变化。

LSTM和XGBoost通常比BLR和SVM获得更高的准确率和F1分数。对于MLC预测任务,LSTM在大多数样本集配置中表现出更高的值。对于DLC预测任务,XGBoost在大多数样本集配置中高于其他三个模型。在相同的预测模型和起始标注策略下,MLC预测任务的准确率和F1分数通常高于DLC预测任务。在全局策略下,这一规律发生反转,四种模型的DLC预测任务的准确率和F1分数均高于MLC预测任务。

固定6秒策略在与对比的起始标注策略中,最常与最大或并列最大的准确率和F1分数相关联。在固定窗口设置中,MLC预测任务的两项指标随时间窗口从6秒增加到60秒而下降。在自动基线策略中,即阈值、CP和GMM-ZC中,阈值策略记录了最大的值。

下游预测结果与表5中报告的起始定位性能进行了进一步对比。固定6秒和基于DZC的策略的有符号偏差值分别为+10.28秒和+0.16秒,表明DZC平均比固定6秒策略大约早10.12秒定位执行起始时刻。在表13中,基于LSTM的MLC预测在DZC下的准确率和F1分数分别为0.911和0.914,而在固定6秒策略下为0.925和0.926,差异分别为0.014和0.012。对于DLC任务,DZC下的准确率和F1分数分别为0.807和0.818,而固定6秒策略下为0.791和0.799。这些结果表明,DZC提供的更早的起始定位仅伴随基于LSTM的MLC预测性能与固定6秒策略之间的小幅差异,而基于LSTM的DLC预测性能在DZC下更高。

**7. 讨论**

**7.1 基于DZC的时间窗口机制**

时间窗口对比表明,变道起始定位受到信号分析时间支撑构建方式的强烈影响。在

这一模式与Threshold和CP依据持续的横向速度激活及通用变点检测来定义锚点是一致的,这使它们的估计对低速机动中的长时间横向运动历史更加敏感。GMM-ZC的劣化程度较小,表明将锚点限定为目标方向的零交叉候选点,比无约束的信号级线索为窗口构建提供了更有结构的依据。轨迹依赖性对各基线方法的影响并不均匀,其中对Threshold方法观察到的劣化最为明显。Threshold方法在从独立LC事件到依赖LC事件之间性能下降,表明横向速度激活易受之前车道变换运动的干扰。CP的独立-依赖差异较弱,说明变点检测对此结构区分不太敏感,尽管它并未显式编码车道变换阶段结构。GMM-ZC表现出不同的响应,在若干速度组中对依赖LC事件的表现在若干速度组中表现更好。这一模式表明,一旦将锚点搜索限定为目标方向零交叉候选点,结构耦合轨迹中额外的阶段转换可能提供更多可区分的零交叉候选点,而不仅仅是引入干扰。

GMM-ZC与DZC之间的比较隔离了序列推理的贡献。由于两种方法都使用相同的目标方向零交叉候选集,其性能差异主要反映了候选分类与锚点选择规则。当零交叉序列较短且相对明确时,特别是在高速情形下,GMM-ZC接近DZC的表现。当车道变换演化变得更慢或结构上更复杂时,多个看似合理的零交叉候选点可能并存,使非序列聚类变得不可靠。在这些条件下DZC更高的稳定性表明,基于HMM的选择得益于零交叉候选点的有序阶段演化,而不仅仅是候选点的可获得性。

7.4 在异构车道变换机制下的外部可迁移性

外部验证结果应被解释为跨异构车道变换机制的可迁移性测试,而非工作区环境设置的直接复制。工作区数据集采集自中国高速公路的工作区,存在车道减少约束以及频繁的重复机动。相比之下,highD和CQSkyEyeX主要代表常规高速公路基本路段,没有与之可比的车道减少约束。样本构成也反映了这种机制差异。在工作区数据集中,49.4%的车辆执行了至少一次车道变换,而highD和CQSkyEyeX中分别约为12.0%和15.3%。在多车道变换车辆中,工作区数据集里执行多次车道变换车辆的比例也明显更高。因此,外部验证的目的并不是展示跨数据集的相同固定窗口错误模式,而是检验时间窗口策略在不同数据采集情境、道路约束以及车道变换机制下的表现。这一比较尤为重要,因为它对比了工作区中由车道减少引起的、受约束驱动的车道变换,与常规高速公路基本路段上以自主决策为主的车道变换。

外部验证的一个关键发现是,最合适的固定窗口长度在不同车道变换机制下存在差异。在highD和CQSkyEyeX中,短固定窗口6 s在固定窗口设置中最为有效,而更长的固定窗口以及Global策略通常并不会改善定位。这一模式表明,在常规高速公路基本路段上,执行起点更常位于车道变换插入点之前的较短时间间隔内,使6 s回溯窗口能够捕捉到相关信号片段,同时限制来自较早非目标横向运动的干扰。相比之下,工作区数据集呈现了不同的模式,Fixed 6 s对交通状态和结构变化更为敏感,且常常产生比更长固定窗口更大的误差。这种对比表明,实际执行起点在不同数据集中并不总是集中于同一个回溯时间间隔内,导致相同固定窗口设置在不同道路约束和车道变换机制下产生显著不同的定位性能。

低速highD子集进一步阐明了固定窗口行为在常规高速公路数据集内部的变化。由于highD的整体评估主要由常规高速公路自主车道变换所主导,其结果主要反映了相对短促且集中的机动过程,在其中Fixed 6 s表现强劲。当将低速事件单独分离后,Fixed 6 s仍保持相对较好的定位精度,但其误差和离散度相对于highD整体结果有所增加。扩大固定窗口会伴随更大的误差以及更负向的偏差,表明定位倾向于更早发生。这一模式说明,即使对于低速自主车道变换,扩展回溯搜索范围也可能引入非目标横向运动信号,而不是改善起点定位。

DZC策略在外部验证设置中表现出稳定性能。在highD、CQSkyEyeX以及低速highD子集中,DZC在绝对误差和离散度相关指标上普遍优于Fixed 6 s,主要通过减少误差幅度、离散度和上尾定位误差来实现这一改进。这一改进尤其具有参考价值,因为Fixed 6 s在highD和CQSkyEyeX整体数据集中已具备竞争力,其中许多事件被短回溯窗口充分覆盖。DZC在这些数据集中的额外增益表明,即使短固定窗口总体适用,事件级窗口构建仍能够进一步细化起点定位。在低速highD子集中,这一优势更为明显,进一步显示DZC对速度引起的时序延展的敏感性低于固定回溯窗口。这些发现表明,在所测试的高速公路数据集中,事件级时序锚定在车道变换机制、样本构成和运行条件的数据集级差异之间仍保持稳定的性能。

7.5 对下游车道变换预测的启示

6.6节的下游敏感性分析表明,对于同一车道变换事件集合,使用不同起点标注策略构建的样本集在车道变换决策预测模型中产生不同结果。这一结果表明起点标注影响下游车道变换决策建模。该观察与Ali等人(2023)的观点一致,他们强调轨迹数据的提取,尤其是车道变换决策点的选择,会影响车道变换决策模型的校准与评估。在本研究中,所选择的起点定义了历史轨迹窗口对齐的时序边界。因此,不同的起点标注会将输入窗口置于同一车道变换过程的不同阶段,使模型暴露于不同的横向运动与交互特征。下游预测性能因此同时反映了模型架构以及构建样本中所嵌入的时序信息结构。

与Fixed 6 s和Threshold策略相关的较高预测结果并不一定意味着起点标注更准确或更符合行为学要求。Ali等人(2023)指出,使用车道变换决策点或起点之后的轨迹片段可能会夸大模型性能,并在车道变换机动的因果与结果之间造成混淆。具体而言,对于Fixed 6 s,定位结果表明其时间参考显著晚于DZC。对齐到该较晚参考的历史窗口更接近执行阶段,可能已经包含更强的车道变换证据,包括横向位移、横向速度以及周围车辆交互的变化。这些执行近特征可以提高分类性能,但会削弱预执行意图推断与执行阶段识别之间预期存在的分离。随着固定回溯窗口进一步向更早方向扩展,MLC预测性能的持续下降与这一解释一致。因此,预测性能应与起点参考的时序位置及其行为有效性一并考虑。

定位结果与预测结果的结合进一步区分了时序参考质量与表面下游可预测性。特别是对于LSTM,DZC提供了更早的起点参考,同时保持了接近Fixed 6 s水平的MLC预测性能,且其DLC预测性能并未下降。这一模型特定结果表明,当序列模型能够学习预执行的时序模式时,DZC的时序优势不必伴随相应的下游预测性能损失。从建模角度看,更早且行为上一致的起点参考增加了预测窗口与执行阶段运动之间的时序分离,降低了对机动已经开始后才出现的线索的依赖。当起点标注被用于构建意图推断样本时,这一区分尤其重要,因为模型应理想地捕捉与正在发展的车道变换决策相关的信息,而非识别已经反映执行阶段的运动。因此,仅凭下游预测指标不足以评估起点标注质量,还必须考虑参考点的时间位置以及该参考点之前的可用信息。

MLC与DLC预测任务之间的对比进一步说明,在工作区车道变换建模中存在任务异质性。Ali等人(2023)在车道变换决策模型评估中同时考虑了MLC和DLC,并指出在代表性车道变换模型中MLC和DLC与不同的解释变量相关。在工作区环境中,这种区分变得更加明显。强制车道变换更直接地受车道关闭、合流要求以及距工作区控制区剩余距离的影响,而自主车道变换则更紧密地与局部交互、间隙可用性以及驾驶员特定的战术选择相关。因此,同一起点标注策略可能为两种预测任务生成具有不同行为内容的历史轨迹窗口。对于MLC,执行近窗口可能包含更强的由约束引起的横向运动与交互线索,从而提升预测性能,同时也增加了对所选起点边界的敏感性。对于DLC,预测信息不那么直接地由工作区合流约束决定,因此对基于起点的样本构建呈现出不同的响应。因此,下游敏感性分析支持在评估工作区轨迹数据中的起点标注策略时,将MLC和DLC视为异质性预测任务。

7.6 方法论启示与适用性考量

从方法论角度来看,所提框架并不取代基于信号的起点定位,而是改变了为该定位提供时序支撑的构建方式。固定窗口表述使用从车道变换插入点向前回溯测量的预定义时长来限定搜索范围,隐式假设起点相关的信号模式能够通过共同回溯时间间隔捕捉到。当自然采集的轨迹数据集在未预先提供起点标注的情况下进行处理时,这一假设会变得具有限制性,因为每个车道变换事件的起点相关时间间隔事先未知,并可能在交通状态、机动情境和轨迹结构之间发生变化。所提方法首先使用横向运动阶段转换构建事件特定分析窗口,然后在该窗口内应用局部化的基于信号检测。这种两步式表述将起点定位视为基于行为阶段的窗口构建,随后进行精细化的起点特征定位,而不是在预设时序区间内进行特征检测。它为批处理未标注轨迹数据提供了统一基础,而无需事先为每个事件指定近似的起点窗口。

从应用角度来看,行为上一致的起点定位为下游轨迹分析提供了时序参考。在驾驶员行为建模与意图推断中,识别出的起点时间有助于将预执行条件与执行阶段行为区分开来。在轨迹预测、安全分析和风险评估中,稳定的起点参考支持一致的样本对齐、特征提取,以及起点前后条件的比较。对于比较不同车道变换动机或机动情境的研究,例如约束驱动的合流与自主车道变换,起点参考定义了应在何时测量预执行变量。这些任务将起点时间作为分析链条中的时序锚点,而不仅仅是一个孤立的检测输出。因此,在不同交通状态、机动情境和轨迹结构下提高稳定性,可以增强后续基于轨迹的分析的可靠性。

这些启示对于车道变换建模尤为重要。不准确的起点定位可能会改变估计的机动持续时间,移动车道保持与车道变换执行阶段之间的边界,并影响车道变换决策、轨迹预测、安全评估和交通影响模型中使用的交互变量提取。相反,行为上一致的起点标注可以为下游车道变换建模任务提供更清晰的时序分段和更可靠的监督。6.6节的下游敏感性分析以及7.5节的讨论,初步评估了起点标注策略如何影响车道变换预测模型。结果确认基于起点的样本构建会改变下游预测结果,同时也表明下游预测指标在反映构建窗口的时序位置方面与反映潜在可预测性同样重要,因此不能单独作为起点标注质量的度量。未来工作可进一步将该分析扩展到额外的车道变换决策模型、在线预测设置以及安全关键应用,在这些应用中执行起点前的信息可用性必须被显式控制。

所提框架的适用性应在回顾性高分辨率高速公路轨迹分析的范围内加以解释。

本研究专注于定位车道变换执行起点并刻画其时间尺度特性,而非实时在线车道变换预测、完整车道变换过程建模或连续车道变换关系的系统重建。基于识别出的起点时间构建事件对、分析连续驾驶操作的时序组织以及将该框架扩展到其他复杂驾驶行为是有前景的方向,但超出了本研究范围。实证证据基于主要的高速公路作业区轨迹数据集和两个外部高速公路基本路段轨迹数据集。因此,本研究实验支持的结论应仅限于测试的高速公路作业区和高速公路基本路段车道变换场景。本研究未单独评估的高速公路配置(如几何形状和交互模式存在显著差异的匝道汇入区或交织区)的扩展,以及非高速公路环境(如城市主干路和交叉口)的应用,都需要专门的验证。不同的感知条件、轨迹质量水平、时间分辨率或标注协议也需要进一步考察。

8. 结论

本研究解决了从自然采集轨迹数据中进行车道变换起点回溯性结构标注的问题,并提出了一种以决策零交叉(DZC)为锚点的自适应事件级窗口构建框架,用于起点定位。该框架针对起点相关区间事先未知的完整车辆轨迹。与在预定义回溯窗口内应用基于信号的定位不同,所提出的方法首先从横向运动阶段转换中识别出决策零交叉,并将其作为内部时间锚点来构建事件特定分析窗口。然后在该局部窗口内执行精细化的基于 WTMM 的起点定位程序。这种设计使信号分析的时间支撑与每个车道变换事件观察到的阶段结构相一致,支持在不预先指定近似起点窗口的情况下,对异质轨迹进行稳定的批量标注。生成的起点标签为下游轨迹分析和车道变换建模任务提供了一致的时间参考,包括意图推理、轨迹预测、安全评估、交通影响分析和车道变换行为的对比建模。

实验结果表明,在相同的基于 WTMM 的定位规则下,起点定位性能对时间窗口构建高度敏感。在主要的无人机采集高速公路作业区数据集中,固定窗口和全局策略对交通状态、速度状态和轨迹结构上下文表现出显著的敏感性。真实执行跨度统计显示,从执行起点到目标车道插入的区间在不同交通状态和独立/依赖车道变换(LC)上下文中有很大差异,这有助于解释为什么单一的回溯时间尺度无法始终覆盖未标注自然轨迹中的起点相关区间。相比之下,基于 DZC 的策略产生了更集中的误差分布、更小的上尾定位误差,并且在异质条件下表现出更稳定的偏差行为。与阈值(Threshold)、变点(CP)和高斯混合模型 - 零交叉(GMM-ZC)锚点构建方法的比较表明,仅靠自适应窗口化是不够的。稳健的起点定位还取决于时间锚点的选择方式。将锚点限制在目标方向零交叉候选范围内可改善窗口构建,而当在缓慢或结构复杂的操作中同时存在多个合理的零交叉候选时,基于隐马尔可夫模型(HMM)的序列推理提供了额外的稳定性。

在 HighD 和 CQSkyEyeX 上的外部验证表明,所提出的事件级时间锚定在以自由车道变换为主的高速公路基本路段数据集中仍然有益。在这些数据集中,较短的固定 6 秒窗口已经具有竞争力,这表明许多自由车道变换可以被短回溯区间充分覆盖。尽管如此,基于 DZC 的策略进一步提高了误差集中度并抑制了上尾定位误差。其优势在低速 HighD 子集中更为明显,在那里扩大的固定窗口与更大的离散度和更多的负偏相关。这些发现表明,与车道变换阶段结构对齐的自适应事件级窗口构建,为跨代表不同车道变换制度的测试高速公路轨迹数据集进行回溯性起点定位提供了可靠的基础。

下游敏感性分析进一步表明,起点标注不仅仅是一个孤立的预处理步骤。对于相同的车道变换事件集合,使用不同起点标注策略构建的样本集在车道变换决策预测模型中导致了不同的结果。这些结果表明,下游预测性能可能会受到基于起点的样本构建以及对齐输入窗口的时间位置的影响。因此,不应单独使用预测指标作为起点标签质量的衡量标准。虽然固定 6 秒和阈值策略产生了相对较高的预测值,但它们的定位误差要大得多。相比之下,DZC 提供了更准确的起点定位,对于 LSTM 模型,它在保持接近最高强制车道变换(MLC)预测值的同时,在自由车道变换(DLC)预测任务中实现了最大的准确率和 F1 分数值。这些发现表明,准确的起点标注可以为下游预测评估提供可靠的时间参考,同时减少了对执行阶段线索的依赖。观察到的 MLC 和 DLC 之间的差异进一步表明,作业区车道变换预测涉及任务异质性。

所提出框架的若干方面值得进一步调查。本研究专注于车道变换执行起点的回溯性定位及其时间尺度特性的刻画,而非实时在线车道变换预测、完整操作阶段建模或连续车道变换关系的系统重建。定量评估仅限于 Sclear,由能够建立稳定且行为有效的真实起点参考的已完成车道变换事件组成。因此,目前形式的框架并不适用于边界邻近或走走停停的模糊过渡事件,对于这些事件,从车道保持到车道变换执行的过渡定义不足,无法建立唯一可靠的起点参考,即使通过人工轨迹审查也是如此。实证证据集中在高分辨率高速公路轨迹数据集上,包括主要的高速公路作业区数据集和两个外部高速公路基本路段数据集。因此,结论应在测试的高速公路作业区和高速公路基本路段车道变换场景内进行解释。本研究未单独评估的高速公路配置(如几何形状和交互模式存在显著差异的匝道汇入区或交织区)的扩展,以及非高速公路环境(如城市主干路和交叉口)的应用,都需要专门的验证。不同的感知条件、轨迹质量水平、时间分辨率或标注协议也需要进一步考察。在方法层面,DZC 锚点是使用确定性选择规则从 HMM 推断的状态序列中自动确定的,锚点周围的时间扩展定义了自适应分析窗口的覆盖范围。尽管这些规则足以满足本研究的目标,但未来的工作可能会开发更自适应的锚点识别和窗口尺寸机制。后续研究也可以将该框架扩展到连续车道变换关系分析、完整操作阶段表征、在线预测设置以及其他复杂驾驶行为。基于这一初步评估,还需要进一步研究开发专门的车道变换预测模型,以考虑强制/自由车道变换(MLC/DLC)的异质性,提高预测能力和可解释性,并评估起点参考如何在特定任务训练和评估设置下影响模型行为。

CRediT 作者贡献声明
张一鸣:写作 – 原稿,方法论,调查,形式分析,数据整理,概念化。
郭秀成:写作 – 审查与编辑,验证,监督,项目管理,方法论,概念化。
齐聪:可视化,验证,资源,形式分析。
张文宇:软件,调查,形式分析,数据整理。

张一鸣|郭秀成|齐聪|张文宇
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号