车辆换道是一种常见驾驶行为,很大程度上影响着车辆的运行安全。由于车辆换道导致的交通拥堵和交通事故问题十分普遍,特别是高速公路上换道行为导致的交通事故,严重危害人们的生命和财产安全,这也使得车辆换道行为的建模和分析成为研究热点之一。因此,建立车辆换道行为状态的识别模型,准确高效识别换道车辆状态,具有重大的意义。基于以上问题分析,文章从数据驱动的角度出发,借助支持向量机强大的非线性学习、高度模式识别能力,充分提取车辆换道轨迹数据中的主要特征信息,对车辆的实际换道过程进行识别建模以及车辆横向移动轨迹的预测分析。文章的主要内容有:(1)分析车辆换道行为,从车辆换道轨迹的角度分析,将车辆的换道过程划分为车辆跟驰阶段、车辆换道准备阶段、车辆换道执行阶段。确定能够表征换道行为的10个影响因素,基于NGSIM(Next Generation Simulation)轨迹数据集提取换道相关变量的数据,包括换道车辆以及其周边车辆的行驶轨迹数据。将提取的换道车辆原始轨迹数据经过归一化处理以及主成分分析降维处理后作为构建车辆换道识别模型的基础实验数据。(2)建立基于网格搜索结合粒子群算法(Grid Search-PSO)寻优的多分类支持向量机车辆换道识别模型。通过训练样本数据集,利用网格搜索法进行粗搜索,定位出对应的待寻优参数C和g的大致区间范围,以此作为粒子群优化参数寻优范围的基准值,然后利用粒子群算法在此范围内继续寻优,确定最优的训练参数组合。在Matlab环境中建立模型,模型的测试准确率达97.68%,相对应的没有优化参数的SVM模型识别准确率只有80.87%,结果表明该模型具有较强的分类能力和鲁棒性。(3)通过对车辆换道时间以及换道横向移动轨迹进行分析,采用多项式模型对横向移动轨迹进行拟合,利用K-折交叉验证法对拟合的多项式模型进行过拟合检验,并结合支持向量回归机构建预测模型,实现对车辆换道时间以及换道车辆横向移动距离进行预测。