A.數(shù)據(jù)

下一代模擬（NGSIM）引用數(shù)據(jù)集[35]。本研究選取了NGSIM中加利福尼亞州洛杉磯US101高速公路地區(qū)的數(shù)據(jù)。US101高速公路區(qū)域長約640m，包含5條車道，第六條車道是數(shù)據(jù)收集區(qū)域內(nèi)的匝道。這45分鐘的數(shù)據(jù)分為三個15分鐘的時段，即上午7:50至8:05、上午8:05至8:20和上午8:20至8:35。如圖8所示，數(shù)據(jù)反映了交通擁堵的累積過程，包括高峰期的擁堵。數(shù)據(jù)集包含全局或局部車輛縱向、橫向位置、車輛縱向速度、加速度、車輛類型、道路ID、車輛ID等，所有這些都是以10 Hz的頻率收集的。局部坐標(biāo)原點位于采集區(qū)域的左上角，軸表示車輛的橫向位置，從道路的左側(cè)延伸到右側(cè)，軸表示車輛縱向位置，從采集區(qū)域的入口延伸到車輛的前方。 

從數(shù)據(jù)集中采樣目標(biāo)車輛的軌跡，并根據(jù)構(gòu)架ID、車輛ID和道路ID以及假設(shè)的自動駕駛車輛確定周圍車輛。當(dāng)前方或后方車輛與目標(biāo)車輛之間的縱向距離超過時，這些車輛不被視為周圍車輛，由以下方程式確定：

表 I 網(wǎng)格參數(shù)

其中，是目標(biāo)車輛的車速，是車頭時距，是最小安全距離。在式（45）中，考慮了車輛速度對跟車距離的影響，以便有效地確定周圍車輛。每輛車的軌跡使用超過10s的視距進行采樣，前5秒用于學(xué)習(xí)和理解，后5秒用于預(yù)測。特別地，為了訓(xùn)練目的，3s到5s的數(shù)據(jù)作為標(biāo)記與6s到10的預(yù)測數(shù)據(jù)合并。過濾后得到48,675條符合條件的軌跡，其中隨機選擇38,940條合并到訓(xùn)練集，其余9,735條軌跡組成測試集。 

根據(jù)式(6)，選擇數(shù)據(jù)集中的局部位置坐標(biāo)作為車輛的位置特征?？v向速度和橫向速度都是通過對位置坐標(biāo)求導(dǎo)得到的，而不是使用數(shù)據(jù)中的原始縱向速度。同樣，縱向和橫向加速度都是通過對速度求導(dǎo)得到的。該標(biāo)志是根據(jù)數(shù)據(jù)集中的車輛ID確定的。如果沒有周邊車輛，則采用0向量作為空白周邊車輛的特征。

B.實施細節(jié)

我們在Python 3.7和Ubuntu 20.04環(huán)境下使用Pytorch-1.8框架在單個GeForce RTX 3070 GPU上訓(xùn)練模型。Informer結(jié)構(gòu)的參數(shù)如表1所示，使用Adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò)500次。

C.試驗設(shè)計

通過以下兩個評估指標(biāo)，基于預(yù)測精度和時間成本來評估網(wǎng)絡(luò)的性能。 

軌跡預(yù)測誤差：在1s、2s、3s、4s和5s的預(yù)測時間內(nèi)，最終預(yù)測位置與地面真實值之間的絕對相對誤差，稱為最終位置誤差（FPE）；在1s、2s、3s、4s和5s的預(yù)測范圍內(nèi)，預(yù)測位置與地面真實值之間的平均相對誤差，稱為平均位置誤差（APE）。

時間成本：訓(xùn)練過程中每一次優(yōu)化權(quán)重的時間，以及輸入測試數(shù)據(jù)時網(wǎng)絡(luò)的預(yù)測時間。為了說明網(wǎng)絡(luò)的性能，我們使用以下典型方法進行比較。 

結(jié)構(gòu)化的Informer。本文提出的基于結(jié)構(gòu)化的Informer的軌跡預(yù)測方法能夠?qū)W習(xí)目標(biāo)車輛的歷史軌跡以及并聯(lián)車輛之間的相互作用信息，最終在長序列時間序列預(yù)測中生成目標(biāo)車輛的預(yù)測軌跡。

圖 9 車輛-狀態(tài)注意力 

結(jié)構(gòu)化的Transformer[27]。采用以編碼器-解碼器為體系結(jié)構(gòu)的規(guī)范結(jié)構(gòu)化Transformer模型，在預(yù)測未來軌跡時還可以并行計算輸入軌跡的注意力。

結(jié)構(gòu)性長短期存儲器[8]。使用長短期存儲器構(gòu)建了一個兩層編碼器-解碼器來處理六輛車的軌跡，目的是為了能夠預(yù)測它們的相互作用軌跡。 

雙向長短期存儲器[21]。并行使用兩個雙向長短期存儲器，對目標(biāo)車輛的歷史軌跡和車輛的預(yù)測變道意圖進行編碼。第三個雙向長短期存儲器用作解碼器，以輸出預(yù)測的軌跡。 

兩個長短期存儲器[24]。僅使用一個長短期存儲器來預(yù)測車輛變道意圖，而另一個長短期存儲器基于變道意圖生成預(yù)測軌跡。 

單個長短期存儲器[23]。采用簡單的長短期存儲器，利用車輛歷史軌跡生成車輛預(yù)測軌跡。

 Ⅳ 試驗與結(jié)果分析

A.注意力機制分析

1）Informer-車輛-狀態(tài)-注意力: 圖9顯示了目標(biāo)車輛在結(jié)構(gòu)化Informer中特定歷史軌跡的車輛-狀態(tài)-注意力分布。垂直軸表示車輛軌跡節(jié)點，而水平軸的范圍為0到5，分別表示車輛的縱向位置坐標(biāo)、橫向位置坐標(biāo)、縱向速度、橫向速度、縱向加速度和橫向加速度，如式（6）中所定義。圖上的每個點對應(yīng)于為每個軌跡節(jié)點分配給車輛狀態(tài)的注意力值。圖10顯示了軌跡的部分車輛-狀態(tài)曲線。注意力值的分布表明，隨著車輛軌跡的變化，注意力機制分配給車輛狀態(tài)的權(quán)重不是恒定的。從這兩個圖中可以看出，橫向速度值相對小于縱向速度值，車輛的橫向位移隨時間的推移并不顯著，導(dǎo)致車輛-狀態(tài)-注意力機制始終將更多的注意力放在縱向速度上。加速度的注意力機制只集中在加速度變化的某些關(guān)鍵點上。注意力分布隨著相應(yīng)的縱向和橫向加速度的變化而反復(fù)變化。同樣，縱向加速度在某些特征點上比橫向加速度獲得更大的注意力值。速度和加速度的注意力分布證實了對車輛縱向運動給予更多的注意力會提高車輛此時預(yù)測的準(zhǔn)確性。研究結(jié)果表明，所提出的車輛-狀態(tài)-注意力機制可以根據(jù)車輛狀態(tài)的變化動態(tài)調(diào)節(jié)注意力分布，以強調(diào)更關(guān)鍵的狀態(tài)變量，從而提高了預(yù)測精度并提高了網(wǎng)絡(luò)的解釋能力。

a)縱向速度; b)橫向速度

c)縱向加速度; d）橫向加速度 

圖 10 歷史軌跡的車輛-狀態(tài)曲線