道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境,其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点.基于深度学习理论,构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型(Long-short-term-memory-based Autonomous Vehicles Lane Changing,LSTM-LC).通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用,对换道行为影响因素进行分析;同时,为了提升模型的迁移性,引入道路横向偏移量信息.结合LSTM神经网络的输入要求,使用美国公开交通数据集Next Generation SIMulation(NGSIM)构建换道行为样本库.针对LSTM-LC模型,以均方差MSE作为损失函数,使用RMSprop优化方法进行训练,对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定.最后,针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验.研究结果表明:相比GRU-LC模型,LSTM-LC模型对换道行为的表征更准确,在模型的精度和迁移性上有着显著的提升;GRU-LC模型的均方差为4.64 m2,迁移性均方差为119.82 m2,而LSTM-LC模型的均方差为3.18 m2,迁移性均方差为79.58 m2,分别优化了31.5％和39.71％;通过引入道路横向偏移量M,可将LSTM-LC模型精度和迁移性提升约10％,且模型稳定性更强.