拥堵交通中交互增强的变道预警：一种空间风险传播感知方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Interaction-enhanced lane-change early warning in congested traffic: a spatial risk propagation-aware approach

　　

**摘要要点**

• 提出一种考虑车辆交互引起风险传播的变道预警方法。• 该预警方法评估车辆周围感兴趣区域（ROI）内的潜在风险。• 社交时空图卷积神经网络（Social STGCNN）分析动态多车交互。• 互信息用于量化交互，实现可解释的预测。• 该预警方法在几乎不影响交通效率的前提下，提升了车辆级别的安全性和舒适性。

**1. 引言**

自动驾驶已引起广泛关注，但由于驾驶员接受度参差不齐，其推广应用仍然有限（Zhong等人，2025）。在可预见的未来，道路上将长期存在异构车辆，自动化水平各不相同（SAE 2级至4级）（DeGuzman & Donmez，2024）。一个基本的自动驾驶功能是碰撞预警功能，该功能通过处理传感器数据来评估潜在风险，当风险超过预设阈值时发出警报（Cui等人，2024）。然而，现有预警系统通常情境感知能力有限，只能捕获简单的交互并评估本车与前后方相邻车辆之间的潜在风险，例如盲区检测（Lee & Park，2025）、车道偏离预警（Gupta等人，2025）、前向碰撞预警（Cox等人，2025）、变道预警（LCW）（Puphal等人，2022；Zhang等人，2023）以及切入碰撞预警系统（Lyu等人，2022）。

这些基于最近邻的预警设计在高交互交通条件下（即变道（LC）场景），尤其在拥堵交通中存在一个关键局限性（Xing等人，2025）。在这些条件下，风险不仅局限于变道车辆及其紧邻车辆之间；相反，风险源自下游交互并进一步向上传播。具体而言，下游车辆交互（例如为避免追尾而减速等）直接影响变道车辆如何寻找可行间隙，在此过程中它持续与目标车道中的多辆车发生交互（Balal等人，2016；Li等人，2021；Wang等人，2019）。这些交互往往导致变道车辆紧急制动，这可能降低瞬时风险，但会在后车之间引入二次碰撞风险（Mehr & Eskandarian，2022）。因此，对变道过程进行全面的危险识别应当充分考虑涉及下游和上游多辆车辆的交互，包括紧邻和非紧邻车辆。

然而，由于变道过程中车辆交互具有动态演化和异构特征，对这类风险进行空间表征仍然具有挑战性（Puphal等人，2022）。从实证观察来看，可以识别出三种典型交互类型：直接交互（i）双向影响：变道车辆与周围车辆之间（图1(a)）；（ii）多层交互：多辆周围车辆对变道车辆的同时影响（图1(b)）；间接交互（iii）下游车辆对变道车辆及紧邻范围外上游车辆的链式影响（图1(c)中的车辆A-B-E-D）。为在区域内捕获这些交互，定义了一个以变道车辆为中心的感兴趣区域（ROI），该区域为一个有界区域，包含可能影响或被变道车辆行为影响的周围车辆。在变道过程中，ROI内车辆的组成持续变化，车辆动态进出该区域（Ali等人，2022）。在拥堵交通条件下，这种效应更为显著，车辆密度的增加进一步加剧了交互的复杂性和随机性。主要不确定性来源于交互车辆的数量和其身份均较大且可变（例如，图2(a)中时刻T时变道ROI内有4辆车（A、B、D和E），而图2(b)中时刻T+Δt时变道ROI内有3辆不同的车辆（B、E和G））。随后，由于驾驶行为和车辆运动固有的时变特性，这些交互更加动态，难以精确捕获（Gore等人，2023）。

变道过程中随机、时变的多车交互对生成可靠的预警信号（即风险度量）构成重大挑战。典型的替代风险度量（例如碰撞时间（TTC）（Zhou等人，2022）、车头时距（Lyu等人，2022）、最小安全距离（Wang等人，2018））受限于其假设车辆保持恒定速度或加速度的依赖，这些确定性假设限制了它们捕获变道过程中动态和随机驾驶行为的能力。此外，这些度量主要关注相邻车辆的直接影响，未考虑对更上游车辆的链式效应。由于其反应性本质，这些度量往往提供延迟的风险指示。这凸显了需要更具预测性的风险评估框架来生成早期预警信号（例如，早期检测危险的变道行为等），以实现更主动的响应（例如，选择不发起变道）。

值得注意的是，近期研究（Lyu等人，2022；Xue等人，2022）提出了变道早期预警（LCEW）系统，其中基于神经网络算法预测参与变道车辆的轨迹，然后根据这些预测使用替代指标评估风险，作为早期预警信号。然而，存在两个关键挑战。首先，虽然基于神经网络的算法能够捕获随机和时变驾驶行为，但可解释性有限（Carrasco Limeros等人，2023）。此外，这些模型通常需要固定输入结构，包括固定数量的交互车辆（Wei等人，2022；Zhang等人，2022）。这一约束使得它们在准确捕获变尺寸多车交互动态方面效果不佳。其次，现有基于神经网络的算法通常依赖一维指标（例如基于距离的指标）来量化多车交互强度。然而，这些指标可能无法充分捕获车辆之间潜在的非线性相互依赖关系，因为它们的交互受距离之外的多种因素影响（例如相对速度、绝对速度等）。因此，仅依赖此类简化的线性度量可能导致不可靠的预警信号。此外，现有LCEW系统往往目光短浅，仅关注与紧邻周围车辆的交互。鉴于变道可能引发交通扰动并破坏交通流（Sun等人，2024），考虑更广泛的系统级影响（例如交通动态）至关重要。

为了解决这些局限性，我们提出了一种空间风险传播感知方法，用于构建LCEW系统，以提供早期预警信号，从而提升车辆级安全性和交通流效率。具体而言，本文的贡献如下：（i）开发了一种基于互信息增强的社交STGCNN，用于交互感知的轨迹预测。通过引入互信息（MI）作为交互核函数，该模型量化了车辆间的非线性交互强度。基于MI的表征捕获了超越紧邻车辆的交互效应，包括非相邻车辆产生并传播至目标车辆的扰动。这提升了预测表征和车辆交互的可解释性。（ii）提出了一种空间风险传播感知的LCEW框架，超越了直接碰撞预警，考虑了通过前后方周围车辆传递的间接风险。基于社交STGCNN的轨迹预测模型根据ROI内动态变化的车辆更新图结构，使系统能够捕获变尺寸、随机多车交互和交通扰动传播。基于预测轨迹，该框架对横向和纵向碰撞风险发出早期预警。这引导变道车辆避免直接和二次冲突，同时减少交通流扰动。仿真结果表明，所提系统在几乎不降低整体效率的情况下，提升了车辆级和交通流级的安全性。

本文其余部分组织如下：第2节详述所提交互增强LCEW框架的开发。第3节介绍了利用实际数据实现LCEW系统。第4节描述了为评估LCEW在安全性和交通效率方面提升所开展的仿真实验。第5节为结论。

**2. 交互增强LCEW：空间风险传播感知方法**

本节提出一个系统流程图（如图3所示），概述空间风险传播感知LCEW的构建和评估过程。首先识别变道ROI，然后在ROI内从实际数据中提取变道场景。需要指出的是，本文中的ROI包含变道车辆的前方和后方周围区域，而非仅限于前方区域。然后应用社交STGCNN进行变尺寸多车轨迹预测，引入互信息核函数（Social STGCNN-MI）来量化车辆间交互强度。随后应用侧碰撞检测模块，利用预测的车辆轨迹识别潜在风险位置。基于这些评估，系统向变道车辆发出早期变道预警，指示潜在碰撞可能发生的时间和位置。最后通过城市交通流模拟（SUMO）仿真实验评估预警系统，在车辆级安全性和交通级动态两个层面进行评估。两个关键组件，即（i）变尺寸多车轨迹预测和（ii）基于侧碰撞检测的预警信号生成，详述如下。

**2.1. 多车轨迹预测：社交STGCNN-MI**

在此高交互、动态和随机环境中进行轨迹预测面临三个基本建模挑战：（i）适应可变数量的交互车辆；（ii）捕获车辆之间直接和间接交互模式，同时量化这些交互的非线性强度；（iii）处理由于车辆角色变化（例如目标车道中的前车可能变为后车，如图2所示）导致的输入潜在置换特性。为应对这些挑战，我们将社交STGCNN-MI应用于此变尺寸多车轨迹预测，通过引入基于互信息的核函数对基本社交STGCNN框架（Mohamed等人，2020）进行扩展，如图4所示。在原始社交STGCNN中，变道ROI内的车辆轨迹及其交互被编码为时空图$G_t=(V_t, E_t)$，其中节点$V_t$代表个体车辆，边$E_t$捕获它们之间的空间关系。这种图结构有效应对了挑战（i），通过动态添加节点使模型能够灵活处理随时间变化的可变输入维度。为应对挑战（ii），我们使用基于互信息的核函数增强社交STGCNN架构，以捕获交互车辆之间复杂的非线性依赖关系。该核函数有效建模了相邻和非相邻交互，丰富了图的构建。对于挑战（iii），精炼后的交互图输入时空图卷积神经网络（ST-GCNN），提取置换不变的时空嵌入。这些嵌入随后由时间外推卷积神经网络（TXP-CNN）处理，生成准确的未来轨迹预测。详述如下。

对于变道ROI中$N$辆车辆集合，其对应的时间跨度$T$内的二维历史轨迹为$P=\{p^i_t=(x^i_t, y^i_t) \mid t \in \{1, \cdots, T\}, i \in \{1, \cdots, N\}\} \in \mathbb{R}^{T \times D \times N}$，其中$(x^i_t, y^i_t)$分别代表车辆$i$在时刻$t$的纵向和横向位置。基于这些轨迹，我们在每个时间步$t$构建一系列时空图$G_t$。每个图$G_t=(V_t, E_t)$包含一组节点$V_t=\{v^i_t \mid \forall i \in \{1, \cdots, N\}\}$和一组边$E_t=\{e^{ij}_t \mid \forall i, j \in \{1, \cdots, N\}, i \neq j\}$。每个节点$i$对应一辆车，并在时刻$t$将观测到的空间位置$p^i_t=(x^i_t, y^i_t)$作为其节点属性。每条边$e^{ij}_t$是一个二元指示器，表示车辆$i$和$j$之间的成对交互，$e^{ij}_t=1$表示$i$和$j$存在交互，$e^{ij}_t=0$表示不存在交互。我们进一步为$e^{ij}_t$关联一个标量属性$a^{ij}_t$，用于量化交互强度。由于交互的非线性特性（Zhang等人，2024），采用基于互信息的核函数来计算$a^{ij}_t$：

$$I(\Theta_i; \Theta_j) = \int_{\Theta_j} \int_{\Theta_i} p(\theta^i_t, \theta^j_t) \log \left( \frac{p(\theta^i_t, \theta^j_t)}{p(\theta^i_t) \cdot p(\theta^j_t)} \right) d\theta^i_t \, d\theta^j_t = H(\Theta_i) + H(\Theta_j) - H(\Theta_i, \Theta_j)$$

其中$\Theta_i = \{\theta^i_1, \cdots, \theta^i_T\}$，$\Theta_{lon}, \Theta_{lat}$分别表示在时间跨度$T$内的纵向和横向速度序列。$p(\theta^i_t, \theta^j_t)$表示$\theta^i_t$和$\theta^j_t$的联合概率分布，$p(\theta^i_t)$和$p(\theta^j_t)$分别是$\Theta_i$和$\Theta_j$的边缘概率分布，$H$为香农熵。

由此得到的基于互信息的$a^{ij}_{MI,t}$在车辆$i$和$j$之间的四种可能的纵向-横向速度序列组合上计算，索引为$m$，取最大值作为它们的交互强度，如公式(2)所示。

$$a^{ij}_{MI,t} = \max_{m \in \{1,2,3,4\}} (I_m(\Theta_i; \Theta_j)), \quad (\Theta_i, \Theta_j) \in C_{ij}$$

$$C_{ij} = \{(\Theta^i_{lat}, \Theta^j_{lon}), (\Theta^i_{lon}, \Theta^j_{lon}), (\Theta^i_{lat}, \Theta^j_{lat}), (\Theta^i_{lon}, \Theta^j_{lat})\}$$

这些交互强度的集合构成加权邻接矩阵$A_{MI,t} = [a^{ij}_{MI,t}]$，从而完成时刻$t$交互感知车辆图的构建。

采用ST-GCNN从构建的交互图序列中提取时空节点嵌入。

在每一层 $l$，ST-GCNN 操作定义为公式 (3)：
$$f(V^{(l)}, A_{MI}) = \sigma(\Lambda^{-1/2} \hat{A}_{MI} \Lambda^{-1/2} V^{(l)} W^{(l)})$$
其中矩阵 $W^{(l)} \in \mathbb{R}^{\hat{D} \times D}$ 表示第 $l$ 层的可训练权重参数，$D$ 和 $\hat{D}$ 分别为输入和输出特征维度。$V^{(l)} \in \mathbb{R}^{D \times T \times N}$ 是第 $l$ 层中节点特征 $V_t^{(l)}$ 在 $t \in \{1, \cdots, T\}$ 上的堆叠。$A_{MI}$ 是 $\{A_{MI,1}, \cdots, A_{MI,T}\}$ 的堆叠。$\hat{A}_{MI}$ 是 $A_{MI}$ 的归一化形式，用于实现稳定且可扩展的学习。$\Lambda$ 是 $\hat{A}_{MI}$ 的对角度矩阵。$\sigma(\cdot)$ 是一个非线性激活函数（例如 PReLU）。

空间风险传播指的是风险相关的交互效应通过车辆交互图上的图消息传递进行传播。具体来说，每条边 $(v_i^t, v_j^t) \in E_t$ 定义了车辆 $i$ 和 $j$ 之间的一条直接一跳传播链路，表明车辆之间存在直接交互。通过堆叠多层图卷积层，节点特征可以进一步整合来自多跳邻居的信息，从而实现沿图中由连接边组成的路径的间接传播。相应地，对于车辆 $i$，来自其直接邻居 $\mathcal{N}(i)$ 的一跳传播可以表示为逐节点形式的公式 (4)：
$$v_i^{(l+1)} = \sigma\left(\sum_{j \in \mathcal{N}(i) \cup i} \hat{a}_{ij}^{MI} \frac{v_j^{(l)} W^{(l)}}{\sqrt{\tilde{d}_i \tilde{d}_j}}\right)$$
其中 $\hat{a}_{ij}^{MI}$ 是车辆 $i$ 和 $j$ 之间的归一化交互权重，$\tilde{d}_\cdot$ 是对应的度项。因此，节点 $i$ 的表示不仅由其自身特征决定，还由其邻近车辆的直接交互信息决定。

对于非相邻车辆，间接传播通过一系列连接边实现，在图上形成多跳传播路径。因此，所提出的框架将传播建模为车辆之间的图结构化交互信息传输，而非额外的物理过程。通过图卷积操作，每个节点在当前层中聚合其一跳邻居的信息。因此，一层图卷积对应于交互图上的一跳传播。通过堆叠 $L$ 层图卷积层，对于目标节点 $i$，$L$ 层图卷积下的传播范围定义为其 $L$ 跳邻域：
$$\mathcal{N}^{(L)}(i) = \{j \in V | d_G(i,j) \leq L\}$$
其中 $d_G(i,j)$ 表示交互图上节点 $i$ 和 $j$ 之间的最短路径距离。该定义表明，传播范围由边构造规则（指定直接交互范围）和图卷积层的数量（决定可以聚合多少跳的交互信息）共同决定。

节点表示可以逐步整合来自其 $L$ 跳邻域的信息，从而在学到的时空嵌入中编码多跳空间传播：
$$v_i^{(L)} = f(\{v_j^{(0)} | j \in \mathcal{N}^{(L)}(i)\})$$

在 ST-GCNN 之后，TXP-CNN 作为时间解码器，将时空嵌入 $\overline{\overline{V}}$ 映射为未来 $F$ 个时间步的多步轨迹预测，如公式 (7) 所示。TXP-CNN 将时间轴视为卷积通道，并应用级联的残差一维（1D）时间卷积层，将编码特征沿时间方向向前外推：
$$\tilde{P} = TXP\text{-}CNN(\overline{\overline{V}}) \in \mathbb{R}^{F \times D \times N}$$
其中 $\tilde{P} = \{\tilde{p}_i^f = (\tilde{x}_i^f, \tilde{y}_i^f) | f \in \{T+1, \cdots, T+F\}, i \in [1, \cdots, N]\}$ 是 LC ROI 内车辆在预测视距 $F$ 个时间步内的预测轨迹。

STGCNN-MI 模型使用 LC ROI 内所有车辆的预测轨迹与真实轨迹之间的均方误差（MSE）损失进行训练，优化采用随机梯度下降法。

### 2.2 基于侧面碰撞检测的预警信号生成

根据所有车辆的预测轨迹，我们量化相关风险并确定潜在碰撞可能发生的时刻和位置。在 LC ROI 中，LC 车辆与周围车辆的行驶方向并非严格平行，可能形成任意角度。因此，传统的1D指标（如 THW 或 TTC）不足以准确评估换道机动固有的2D特性下的侧面碰撞风险。本文采用基于分离轴定理的定向包围盒（OBB）检测算法进行2D空间中的车辆碰撞评估，如图5所示。后方车辆A和LC车辆B被表示为矩形，并建立与车道线平行和垂直的坐标轴。为确保后方车辆A有足够的时间和空间感知并响应LC车辆B的换道机动，代表后方车辆A的矩形被延伸长度为 $L_O$。缓冲区时间设定为 $THW_{buffer} = 0.6$ 秒，如 Lyu 等人（2022）所建议。然后，车辆A的 OBB 长度 $L_O$ 定义为：
$$L_O = L_A + s_t \times THW_{buffer}$$
其中 $L_A$ 是车辆A的长度，$s_t$ 是车辆A的当前速度。

该方法产生四个检测角度：(i) 与车道线垂直，(ii) 与车道线平行，(iii) 切入车辆的航向角，以及 (iv) 航向角的补角。通过评估A和B在所有四个检测角度上的投影来确定A和B之间的碰撞。如果两辆车在所有四个角度上的投影均重叠，则检测到碰撞。相反，如果至少在一个投影上没有重叠，则排除碰撞。

为确保全面覆盖风险，OBB 碰撞检测方法应用于 LC ROI 中的所有车辆对——不仅是 LC 车辆与其直接邻居之间的直接碰撞。这也使得能够检测到由于 LC 车辆的换道机动而在其他车辆之间可能产生的间接碰撞。为避免 LC 车辆以自我为中心的行为，LCEW 不区分直接碰撞和间接碰撞。生成的预警仅告知 LC 车辆在预测视距 $F$ 内潜在碰撞的位置 $P_c$（即前方或后方）。该设计鼓励 LC 车辆无论碰撞来源如何都采取主动响应。

总体而言，对于每个 LC 事件，交互增强的 LCEW 以 LC ROI 内车辆的历史轨迹 $P$ 作为输入，通过以下五个步骤向 LC 车辆发出碰撞位置 $P_c$ 和预测视距 $F$ 的预警信号：

**步骤1 图表示：** 历史轨迹 $P$ 被转换为 $T$ 个时空图的序列 $G_t = (V_t, E_t)$，其中每个节点集 $V_t$ 表示车辆的位置，边集 $E_t$ 编码成对二元交互以及相关的基于 MI 的邻接矩阵 $A_{MI}$，以量化交互强度。

**步骤2 时空嵌入：** 图序列 $G_t = (V_t, E_t)$ 随后被传入 ST-GCNN 以提取其时空节点嵌入 $\overline{\overline{V}}$。

**步骤3 轨迹预测：** 时空嵌入 $\overline{\overline{V}}$ 由 TXP-CNN 解码，生成 LC ROI 内所有车辆的未来预测轨迹 $\tilde{P}$。

**步骤4 碰撞识别：** 预测的未来轨迹 $\tilde{P}$ 通过基于 OBB 的检测处理，识别潜在的成对碰撞。

**步骤5 预警信号发布：** 如果步骤4中检测到碰撞，则向 LC 车辆发出包含预测视距 $F$ 和位置 $P_c$ 的预警信号。如果在前方和后方区域均检测到风险，则优先处理前方区域的风险，因为防止涉及本车的直接碰撞是首要目标。

### 3. 空间风险传播感知 LCEW 的实现

本节介绍使用真实数据实现的交互增强 LCEW 系统。实现的有效性通过系统的高轨迹预测准确性来证明，这进而有助于基于 OBB 的可靠碰撞检测性能。

#### 3.1 数据来源与换道过程提取

本研究采用了 INTERACTION 数据集（Zhan 等人，2019），该数据集包含由无人机（UAVs）记录的高分辨率车辆轨迹。与其他公开数据集相比，INTERACTION 数据集提供了更广泛的换道场景收集，特别是在重型或拥堵交通条件下具有密集的车辆交互。在多个数据采集站点中，本研究选择了匝道汇入段，如图6所示。该路段聚焦于西行交通，包括行驶在图6所示混凝土中央分隔带上的车辆。所选分析视频持续 94.62 分钟，以 10 Hz 的刷新率捕获了 10,359 辆车辆的数据。

一个完整的换道过程被定义为从车辆最初表达换道意图开始，穿过车道边界，到在相邻车道中达到稳定状态的完整序列。需要注意的是，我们的主要关注点是受汇入匝道交通影响的干线车辆的自由换道行为。从 INTERACTION 数据中提取了 173 个完整的干线换道过程进行详细分析。关于换道过程提取的更多细节可参阅 Zhang 等人（2024）。数据随后按事件级别以 7:3 的比例划分为训练集和测试集。每个换道事件使用滑动窗口方案转换为多个时间序列，总共产生 5473 个样本。由于不同事件的持续时间不同，因此生成的样本数量也不同，最终训练样本和测试样本的数量分别为 4125 和 1348。这种事件级别的划分确保了来自同一换道事件的样本不会被分配到不同的集合中，从而避免了同一事件时间相邻样本之间的信息泄漏。

#### 3.2 LC ROI 定义与经验风险分析

为捕获直接和间接交互，我们在图7中定义了 LC ROI，包含两个子区域：位于 LC 车辆前方的前方区域和位于其后方的后方区域，从而涵盖下游和上游的交通影响。先前的研究（Lyu 等人，2022）表明，当前导车辆与 LC 车辆之间的 THW 超过 5 秒时，前导车辆不再影响 LC 车辆的驾驶行为（Li 等人，2017）。因此，前方区域由检测阈值 THW ≤ 5 秒定义。相比之下，由于后方车辆链式交互产生的冲击波效应，界定后方区域颇具挑战性。因此，本研究假设 LC ROI 的后方边界延伸至最大传感器检测范围，设定为 250 米——与主流传感器（例如 BOSCH LRR4 77 GHz 长程雷达）的能力一致。超过此距离的车辆无法被检测到，其相关风险无法被评估。相应地，LC ROI 的空间边界如图7所示。

进行了经验风险分析，以调查直接和间接多车交互产生的潜在危害。在 LC ROI 内，我们识别了三种风险类型：(i) 来自相邻车辆的直接风险，直接影响 LC 车辆的安全性；(ii) 前方区域的间接风险，下游交互可能传播并以级联方式损害 LC 车辆的安全性；以及 (iii) 后方区域的间接风险，可能影响后方交通的安全性。然后，我们基于处理后的换道数据量化这些风险类型的频率。采用 TTC 作为风险度量，任何 TTC < 5 秒的时间步被归类为危险事件。如表1所示，除了来自相邻车辆的高直接风险发生率（即 56.2%）外，间接风险也相当显著。来自前方区域的间接风险占总风险发生率的 36.7%，而所有间接风险合计构成 43.8%。这些发现强调了纳入间接交互效应以增强对下游和上游交通态势感知的重要性。

**表1 LC ROI 中不同类型风险的发生频率**

| 风险类型 | 频率 | 比例 |
|---------|------|------|
| 来自相邻车辆的直接风险 | 1785 | 56.2% |
| 来自前方区域的间接风险 | 1163 | 36.7% |
| 来自后方区域的间接风险 | 225 | 7.1% |

#### 3.3 轨迹预测性能

轨迹预测提供了更具信息量和可靠性的未来轨迹，这些轨迹作为 LCEW 系统的关键输入，实现了更准确和更及时的早期预警。本小节将本文提出的模型与近期的轨迹预测基线模型在可变规模多车辆轨迹预测的准确性和可解释性方面进行了比较。

各模型之间的主要区别在于核函数的选择。在本文提出的模型 Social STGCNN-MI 中，采用基于 MI 的核函数来计算加权邻接矩阵 $A_t$ 中的每个条目 $a_{ij}^t$，如公式 (1) 和 (2) 所示。

相比之下，原始的社交时空图卷积神经网络（Social STGCNN）采用基于距离（即L2范数）的核函数（Sheng等，2022；Wu等，2024），该函数计算两辆车在二维空间中的欧几里得距离；见公式（9）。

(9) a_ij^{L2,t} = {1/‖p_{i,t} - p_{j,t}‖_2, 若‖p_{i,t} - p_{j,t}‖_2 ≠ 0; 0, 其他}

不同的核函数会导致模型中对车辆交互的不同解释，从而影响预测性能的差异。我们首先比较了两种核函数对预测结果的影响，如图8和图9所示。图8和图9给出了车道变更区域（LC ROI）内可变尺寸车辆轨迹预测的典型示例。图8涵盖了车道变更车辆（车辆5）跨越车道标线的全过程，当前时间步表示车辆位于标线上的时刻。图9更为复杂，涉及两辆车道变更车辆：车辆2处于车道变更的后期阶段，车辆5处于车道变更的早期阶段。在每幅图中，子图（a-b）展示了Social STGCNN-MI的结果，而子图（c-d）展示了原始Social STGCNN的结果。为了比较预测精度，我们通过检查两个示例中的预测轨迹来评估分别采用欧几里得距离和互信息作为核函数的模型（即将子图a与c进行比较）。在轨迹图中，不同的线条颜色代表不同的车辆，车辆图标表示其当前位置。为了比较两种核函数所捕获的车辆间随机交互的可解释且准确的证据，我们进一步比较了Social STGCNN和Social STGCNN-MI的邻接矩阵（即两幅图中的子图b和d）。在邻接矩阵图中，每个条目代表两辆车之间的交互强度。颜色越深的单元格表示相应车辆对之间的交互越强。结果表明，所提出的模型能够以高精度预测未来轨迹，并有效处理由不同数量车辆引起的交互复杂性（即图8a中的7辆车和图9a中的9辆车）。

图8. Social STGCNN-MI和Social STGCNN在车道变更车辆（车辆5）跨越车道标线过程中于车道变更区域内的轨迹预测和邻接矩阵。

图9. Social STGCNN-MI和Social STGCNN在两辆车道变更车辆（车辆2和车辆5）场景下于车道变更区域内的轨迹预测和邻接矩阵。

结果表明，Social STGCNN-MI中基于互信息的邻接矩阵能够捕获多车交互中非线性依赖关系的动态演化。因此，它提供了与微观车道变更行为一致的、具有物理可解释性的交互模式。如图8(b)所示，车辆5切入目标车道后，目标车道中跟随车辆的交互强度发生了显著变化。车辆4作为目标车道中紧随其后的车辆，在T+30之前与车辆5保持强交互，反映了合流车辆与跟随车辆之间的直接切入协商。在T+40车道变更完成后，这种交互减弱，表明直接合流冲突已经解决，车辆已过渡到更稳定的跟驰状态。在原车道中观察到类似的模式。在车道变更过程中，车辆7因加速以填补车辆5和车辆3留下的间隙而受到车辆5的强烈影响。在车辆5进入稳定驾驶阶段后，最强交互转移到车辆2，反映了从车道变更行为到常规跟驰的过渡。相比之下，基于距离的矩阵显示车辆5与车辆3之间的交互强度逐渐增加，在T+40达到峰值——尽管这两辆车稳定行驶在不同的车道上。同时，车辆5与车辆4和车辆6之间的交互强度基本保持静态，未能捕获多车交互的动态演化。如图9(b)所示，基于互信息的邻接矩阵能够有效捕获车道变更车辆与目标车道中车辆4和车辆7之间的强交互。这是因为车道变更车辆正在评估这两辆车之间的可用间隙，以确定是否可以安全且成功地执行车道变更。然而，Social STGCNN基于距离的矩阵（图9(d)）仅基于空间接近度，将车辆5与其最近的两个邻居车辆4和车辆6之间的交互识别为强交互。此外，基于距离的矩阵可能错误地表示交互强度，尤其是在涉及并行行驶车辆的情况下。例如，仅仅是并排行驶的车辆对——如车辆8和9，或车辆6和7——可能因其空间接近度而被错误地推断为具有强交互，尽管实际风险极小（Gu等，2019；St-Aubin等，2013）。这些观察结果反映了基于互信息的矩阵与微观交通流理论的一致性：在车道变更过程中，主要交互与间隙接受、切入协商和间隙恢复相关；操作完成后，主要交互由纵向跟驰行为支配。

此外，Social STGCNN-MI构建的邻接矩阵能够捕获拥堵交通流中的链式交互特征。在图8(b)中，车辆5切入目标车道后，车辆6首先在T+10时受车辆4影响，然后在T+20到T+40期间受车辆5影响，表明车道变更引起的扰动向上游传播。图9显示，在当前时间步，车道变更车辆（车辆2）已合并到目标车道。这一操作促使原车道和目标车道中的周围车辆相应地调整其间距。图9(b)中基于互信息的邻接矩阵揭示了车辆2与车辆4、5、6和7之间的强交互，从而准确反映了由车道变更触发的链式交互。这些观察结果表明，所提出的基于互信息的邻接矩阵不仅能够捕获直接的切入交互，还能捕获随后在周围车辆之间的扰动传播。然而，图9(d)中基于距离的矩阵显示这些交互的强度始终较弱。

通过利用基于互信息的邻接矩阵捕获更准确且可解释的交互模式，Social STGCNN-MI进一步提升了轨迹预测性能，如图8(a)与(c)的比较以及图9(a)与(c)的比较所示。

为评估所提出的Social STGCNN-MI模型的整体性能，我们将其与原始Social STGCNN以及几种常用于可变尺寸车辆轨迹预测的图神经网络模型进行比较，包括图变换器网络（GTN）（Yun等，2019）、图卷积网络（GCN）（Chen等，2020）和图采样聚合网络（GraphSAGE）（Mortazavi和Sousa，2025）。采用三个指标进行比较预测性能：平均位移误差（ADE）、最终位移误差（FDE）和均方根误差（RMSE）。RMSE衡量预测轨迹与真实轨迹之间的误差，如公式（12）和（13）所示。RMSE_x和RMSE_y分别表示RMSE在x（即纵向）和y（即横向）坐标方向上的分量。ADE衡量所有预测轨迹上的平均误差（公式（10）），而FDE评估预测时间步长中最后时刻的平均误差（公式（11））。

(10) ADE = (∑_{i∈N} ∑_{f∈F} ‖p?_{i,f} - p_{i,f}‖_2) / (N × F)

(11) FDE = (∑_{i∈N} ‖p?_{i,f} - p_{i,f}‖_2) / N, f = T+F

(12) RMSE_x = √(1/(N×F) × ∑_{i∈N} ∑_{f∈F} (x?_{i,f} - x_{i,f})2)

(13) RMSE_y = √(1/(N×F) × ∑_{i∈N} ∑_{f∈F} (?_{i,f} - y_{i,f})2)

其中，x?_{i,f}和?_{i,f}是车辆i在预测时间f时的预测轨迹。

模型训练了100个epoch。初始学习率为0.01，在50个epoch后变为0.002。表2总结了在不同预测时间步长下，不同模型在测试数据集上的预测误差指标（即ADE、FDE和RMSE），其中输入长度始终设置为20个时间步（即2秒）。与基线模型相比，STGCNN-MI模型显示出优越的精度，仅少数例外。

表2. 不同预测时间步长下不同模型的预测误差。

| 指标 | 预测时间步长 | Social STGCNN-MI | Social STGCNN | GCN | GraphSAGE | GTN |
|------|-------------|-----------------|--------------|-----|-----------|-----|
| ADE | 15 | 0.94 | 1.45 | 1.61 | 0.81 | 0.91 |
| | 20 | 1.26 | 1.99 | 1.50 | 2.01 | 1.39 |
| | 30 | 1.29 | 1.21 | 1.84 | 1.66 | 1.37 |
| | 40 | 1.84 | 2.49 | 3.15 | 2.18 | 2.3 |
| FDE | 15 | 1.63 | 2.7 | 2.95 | 1.38 | 1.72 |
| | 20 | 2.28 | 3.74 | 3.21 | 3.47 | 2.61 |
| | 30 | 2.53 | 2.60 | 3.12 | 2.95 | 2.64 |
| | 40 | 3.43 | 4.61 | 5.69 | 4.68 | 4.6 |
| RMSE_x | 15 | 0.74 | 1.59 | 1.73 | 0.69 | 0.86 |
| | 20 | 1.23 | 2.16 | 1.61 | 2.14 | 1.31 |
| | 30 | 1.34 | 1.13 | 1.72 | 1.48 | 1.25 |
| | 40 | 1.73 | 2.38 | 3.21 | 2.15 | 1.84 |
| RMSE_y | 15 | 0.62 | 0.39 | 0.44 | 0.45 | 0.46 |
| | 20 | 0.58 | 0.56 | 0.56 | 0.57 | 0.61 |
| | 30 | 0.58 | 0.75 | 0.81 | 0.80 | 0.83 |
| | 40 | 0.91 | 1.28 | 1.01 | 0.96 | 1.63 |

表中粗体数字表示比较模型中的最佳性能。

## 4. 仿真实验与性能评估

在使用真实轨迹数据展示了所提出轨迹预测方法的准确性后，我们将其嵌入SUMO进行仿真实验，并从车辆级安全性和交通级效率两方面评估高级驾驶辅助系统（ADAS）中集成的空间风险传播感知车道变更预警（LCEW）的有效性。

图10展示了仿真实验的框架。首先在SUMO中构建匝道合流场景，并利用3.1节所述数据集标定仿真参数以建立无预警基准条件。然后在该场景中对车道变更车辆实施所提出的LCEW算法。针对发出的预警信号，相应地建模驾驶员行为，并通过TraCI接口实时动态修改车辆运动参数以反映这些行为调整。匝道段由两车道主线和两车道匝道组成，重构以紧密复现INTERACTION数据中的实际道路路段。合流后，道路转变为三车道主线，如图11所示。仿真路段长440米，SUMO中设置5分钟的预热期。交通需求和微观交通流模型（即Wiedemann 99用于跟驰行为，SL2015用于车道变更行为）基于INTERACTION数据集进行标定。仿真周期为15分钟。图12展示了仿真交通与实际交通之间的相似性，通过速度-密度关系和TTC分布的对齐加以证实。这表明SUMO中的仿真交通有效捕获了实际交通流特征和风险模式。

图10. 所提出的实时预警系统框架及其与SUMO仿真的交互。

图11. 道路路段（黄色车辆：配备LCEW的车辆；绿色圆圈：预警触发）。

图12. 仿真交通与实际交通状况的比较。

基于实际需求数据，LCEW以5%的渗透率实施。LCEW配置为基于固定2秒时间步长内的预测车辆轨迹生成预警信号。在收到预警系统发出的信号后，车道变更车辆中的驾驶员被模拟为表现出两种反应之一：调整速度或缩短响应时间，每种反应以均匀概率采样。速度调整包括（i）加速以避免后方区域的潜在碰撞，或（ii）减速以防止前方区域的潜在碰撞。加速和减速值从拟合实际数据的截断正态分布中采样，如图13所示。无LCEW车辆的不预期场景下的驾驶员响应时间设为1.7秒，配备LCEW的车辆为1.3秒（Ali等，2020；Arbabzadeh等，2019；Green，2017；Yue等，2021），因为该系统有助于驾驶员更快地感知危险并做出反应。

图13. 从截断正态分布中采样加速和减速值。

评估指标包括预警性能在4个维度上的表现：车辆级安全性和舒适性，以及交通级安全性和效率。为评估增强交互的LCEW系统的有效性，采用六种基线方法进行对比：（i）无预警条件（即无预警方法），（ii）利用TTC进行风险识别的预警系统（即基于TTC的预警方法）（Bella和Russo，2011；Li等，2016），以及（iii）基于轨迹预测的LCEW方法，包括使用Social STGCNN、GCN、GraphSAGE和GTN生成的预警。

对于车辆级安全性，我们采用常用的TIT指标来表示所有配备ADAS车辆的安全水平，作为不依赖于被评估系统所采用特定指标的客观指标，如LCEW中的THW或基于TTC预警中的TTC。图14比较了不同预警方法下ADAS车辆的TIT分布。虚线表示所有ADAS车辆行程的平均值，较小的平均值表示更高的车辆级安全性。定量地，所提出的方法达到了最低的TIT水平（μ=1.3，σ2=1.9），表明其在车道变更事件期间始终保持更安全的交互距离。相比之下，无预警条件下的安全水平最差，TIT分布为（μ=1.8，σ2=3.5），原因是缺乏任何主动干预。在基于轨迹预测的方法中，基于GraphSAGE的预警（μ=1.5，σ2=2.0）显示第二低的TIT水平。

基于GCN、Social-STGCNN和TTC的预警方法——GCN（μ = 1.7，σ2 = 3.1）、Social STGCNN（μ = 1.7，σ2 = 3.6）和TTC（μ = 1.6，σ2 = 3.6）——在TIT方面表现出最大的变异性。尽管如此，它们的TIT值仍然低于无预警条件下的值，表明不精确或信息量较少的预测仍可能提供部分安全效益并导致偶尔的严重近距离交互。

图14. 性能对比：ADAS车辆的TIT。

尽管提高安全性是预警系统的核心目标，但在车道变更过程中保持驾驶舒适性同样重要。舒适性通过所经历的最大制动率（maxBR）来量化，如图15所示。较低且分布更集中的maxBR通常表明驾驶员有充足的反应时间并能进行更平滑的纵向调整，这有利于安全性和乘坐舒适性。所提方法展现出最低的平均最大制动率（μ = 4.1）和最小的方差（σ2 = 5.9），表明车道变更整体更加平滑且在不同车辆间表现更一致。相比之下，所有基准方法——包括无预警条件——倾向于依赖更高的制动率来确保安全。特别是，基于TTC的预警方法（μ = 5.2，σ2 = 7.9）表现出最大的方差，反映出车辆之间峰值减速度差异较大，且在变化交通条件下的鲁棒性较低。此外，基于GCN、GraphSAGE和GTN的预警方法呈现出更高的平均maxBR值，这可能因为其预警未能完全捕捉动态非线性交互，导致驾驶员更频繁且突然地制动。总体而言，所提方法在缓解激进制动行为和抑制极端减速度事件方面展现出显著优势。

图15. 性能对比：最大制动率。

对于交通流，TIT和吞吐量用于量化所有车辆的安全水平和汇入区域的交通效率。表3报告了七种预警方法对汇入区域安全性和吞吐量的影响。仿真结果表明，与其他模型相比，所提预警方法在所有车辆的平均TIT方面实现了最低值，相较于无预警条件提升了29%。在效率方面，无预警条件下的吞吐量最高，因为车辆速度未受干扰，而任何预警都会通过增加减速事件的发生概率来降低交通吞吐量。在所测试的方法中，基于TTC的预警导致了最显著的吞吐量下降，同时带来的平均TIT减少幅度最小，相较于无预警条件，吞吐量降低了5%，平均TIT减少了21%。这可归因于两个因素：（1）基于TTC的预警依赖于固定的安全阈值，无法适应拥堵交通中车道变更的随机性和高度交互特性，导致频繁的速度或间距波动触发过度预警；（2）由于缺乏预测能力，TTC发出反应式且过于保守的预警，促使不必要的减速。这些因素共同导致了频繁的速度降低和吞吐量的大幅下降。相比之下，基于LCEW框架的方法利用轨迹预测以更高的精度识别未来风险。通过预测周围车辆运动的演变，这些方法仅在实际冲突即将出现时发出预警，有效避免了不必要的减速。在基于LCEW的方法中，所提方法展现出最小的吞吐量下降（?0.3%），因为它更准确地捕捉了车辆之间的动态交互。其增强的交互建模使其能够更早、更可靠地检测风险，从而实现及时但最小侵入性的预警，在保持安全性的同时维护交通效率。

表3. 性能对比：汇入区域所有车辆的平均TIT和吞吐量。

| 预警方法 | 所提方法 | 无预警 | Social STGCNN | GCN | GraphSAGE | GTN | 基于TTC的预警 |
|---------|---------|-------|--------------|-----|-----------|-----|--------------|
| TIT（s2） | 1.39（29%） | 1.96 | 1.47（25%） | 1.55（21%） | 1.48（24%） | 1.51（23%） | 1.54（21%） |
| 吞吐量（辆/小时） | 3516（0.3%）* | 3528 | 3476（1.5%） | 3456（2%） | 3452（2.2%） | 3412（3.3%） | 3352（5%） |

* 平均TIT和吞吐量下降相对于无预警条件

上述对比分析表明，所提的具有空间风险传播感知能力的LCEW能够有效提升车辆级安全性和舒适性，同时保持区域内的系统级安全性和效率。

为了阐明各组件的贡献，比较了六种实验设置：（1）Ours，即使用基于OBB的二维风险识别、基于MI的交互核、基于图的交互建模和传播感知轨迹预测的完整框架；（2）去除二维风险识别，用TTC替代基于OBB的二维风险识别；（3）去除轨迹预测，移除多车辆轨迹预测模块，同时保留ROI内的实时OBB风险识别；（4）去除MI核，用基于距离的核替代基于MI的交互核；（5）去除交互，移除基于图的空间交互建模，并使用基于TCN的单车辆轨迹预测模型；（6）无预警，作为基线。

表4的比较显示，Ours在整体预警性能方面表现最佳，具有最低的ADAS车辆TIT、maxBR和所有车辆TIT，同时仅保持极小的吞吐量下降。用TTC替代OBB使ADAS车辆的TIT从1.35 s2增至1.60 s2，maxBR从4.07 m/s2增至4.67 m/s2，这表明基于TTC的风险识别效果较差，因为它主要捕捉纵向风险，可能遗漏横向冲突风险。因此，延迟或遗漏的预警可能导致更强的制动响应。当移除轨迹预测时，ADAS车辆的TIT增至1.51 s2，maxBR增至4.75 m/s2，所有车辆的TIT增至1.57 s2，吞吐量降至3420辆/小时。由于轨迹预测模块整合了所有与空间风险传播相关的主要设计，移除该模块导致整体交通流水平上的性能最差。此外，在轨迹预测模块内部，移除MI核或基于图的空间交互建模都会大幅降低车辆级性能。具体而言，用基于距离的核替代MI核使ADAS车辆的TIT增至1.70 s2，maxBR增至5.00 m/s2；而移除基于图的空间交互建模使ADAS车辆的TIT增至1.62 s2，maxBR增至5.64 m/s2。这些结果表明，替换轨迹预测模块中任何与空间风险传播相关的设计都会降低对目标车辆风险识别的准确性。总体而言，逐步移除或替换这些组件会降低安全性、舒适性和交通效率，其中交通效率对轨迹预测模块尤为敏感。

表4. 消融实验。

| 消融组件 | Ours | 去除二维风险识别 | 去除轨迹预测 | 去除MI核 | 去除交互 | 无预警 |
|---------|------|----------------|-------------|---------|---------|-------|
| ADAS车辆TIT（s2） | 1.35（23.7%）* | 1.60（9.6%） | 1.51（14.7%） | 1.7（4%） | 1.62（8.5%） | 1.77 |
| maxBR（m/s2） | 4.07（12.8%） | 4.67（0） | 4.75（?1.7%） | 5（?7.1%） | 5.64（?20.8%） | 4.67 |
| 所有车辆TIT（s2） | 1.39（29.1%） | 1.47（25%） | 1.57（19.9%） | 1.47（25%） | 1.50（23.5%） | 1.96 |
| 吞吐量（辆/小时） | 3516（0.3%） | 3480（1.4%） | 3420（3.1%） | 3476（1.5%） | 3488（1.1%） | 3528 |

* 括号中的数值表示相对于无预警条件的百分比变化。

5. 结论

本文开发了一种具有空间风险传播感知能力的交互增强型车道变更早期预警系统，以支持信息化的车道变更决策。我们首先利用真实数据考察了拥堵交通中车道变更过程中直接和间接交互所产生的重大风险，并刻画了从下游到上游交通的空间风险传播。鉴于此，我们提出了一种车道变更ROI划分方法，通过在车道变更车辆前后区域纳入多个相邻和非相邻车辆，以捕捉各种交互类型。我们进一步通过分析周围车辆数量变化及其动态运动特性所带来的随机性来研究这些交互。为了量化这些交互，我们应用了MI，它提供了可解释的交互强度度量。这些随时间变化且可解释的特征随后被输入STGCNN以预测未来车辆轨迹。STGCNN-MI组合框架通过有效建模可变规模的多车辆交互，实现了对参与车道变更过程所有车辆更精确的轨迹预测。基于预测轨迹，采用基于OBB的侧面碰撞检测模块来识别预测时域内的潜在碰撞，包括车道变更车辆与相邻车辆之间的碰撞以及非相邻车辆之间的碰撞。预测的碰撞位置用于生成早期预警信号，促进更具前瞻性的车道变更决策。交通仿真结果表明，我们的LCEW系统能够有效提升车辆级安全性和舒适性，同时保持车道变更区域内的交通安全和效率，优于六种基准LCEW方法。未来工作预期通过驾驶模拟器或实地测试进行更多仿真实验，以进一步验证交互增强型LCEW系统的有效性。该方向的持续努力也可能探索驾驶员接受度并考察系统如何影响车道变更决策。

CRediT作者贡献声明

Yue Zhang：写作 – 审阅与编辑，写作 – 初稿，可视化，方法论，调查研究，资金获取，数据整理，概念构思。Xinzhi Zhong：写作 – 审阅与编辑，验证，调查研究，形式分析，概念构思。Soyoung Ahn：写作 – 审阅与编辑，监督指导，概念构思。Zhengbing He：验证，调查研究。Yajie Zou：写作 – 审阅与编辑，监督指导，方法论，资金获取，形式分析。

Yue Zhang | Xinzhi Zhong | Soyoung Ahn | Zhengbing He | Yajie Zou