基于深度学习多网络融合的网联车辆驾驶行为预测

智能网联车在复杂道路场景中安全行驶需要对周围车辆驾驶意图和行驶轨迹的准确预测。将双向长短期记忆网络(Bi-directional Long Short-Term Memory)、卷积生成对抗网络(Deep Convolutional Generative Adversarial)和注意力机制(Attention Mechanism)相融合，提出一种基于BLSTM-DCG-ATT的网联车辆驾驶意图和行为预测模型。通过正反双向LSTM链路和注意力机制得到具有双重特征的数据，通过卷积生成对抗网络对特征数据进行卷积处理，迭代生成网联车辆及周围车辆的未来时刻变道意图和行驶信息。仿真结果表明：该模型能够在复杂路网、交通流密集的情况下，对网联车辆及其周围车辆的变道意图和行驶轨迹进行准确预测，预测精度达94%。