一种基于数据驱动的新理论，用于模拟城市高速公路交织路段中的交互行为和风险评估：来自无人机数据与Transformer模型的证据

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：A novel data-driven theory for interactive behavior and risk assessment modelling in urban expressway weaving sections: Evidence from UAV data and transformer models

能量场理论与Transformer架构结合提出新型交织行为建模与风险评估方法，量化多层级环境影响因素并实现跨尺度风险预测，验证显示Transformer在MSE/MAE/RMSE/漏报率指标上优于LSTM/GRU等模型。

　　

李毅|蔡家斌|陈新强|唐思远|王子进

上海海事大学物流研究中心，中国上海，201306

摘要

随着城市高速公路交织路段交通行为的复杂性不断增加，传统的动态模型在量化驾驶员状态变化、捕捉多层次环境影响以及预测宏观和微观尺度上的交互风险方面存在局限性。为了解决这些问题，本研究提出了一种创新的交互行为建模和风险评估方法，该方法整合了能量场理论、高精度交通数据和Transformer架构。首先，利用从真实世界场景中收集的高精度数据，我们将交织路段中的各种环境因素（包括设施、规则和运动学层面）量化为统一的能量值，构建了一个结合了引力场和电磁场理论的三层能量场模型。该模型能够一致地描述车辆与其周围环境之间的动态能量传递。在此基础上，我们定义了三种典型的交织行为和两种综合交织模式，然后建立了一个基于能量场的交互模型，使用Weibull函数和信息熵等方法来量化交互概率、程度和持续时间等核心指标。为了实现对微观车辆间交互和宏观路段范围安全的准确风险评估，我们进一步采用了自注意力机制来捕捉车辆之间的复杂时空依赖性，从而实现局部和全局风险的精确预测。通过两个案例研究的真实世界数据集验证，所提出的框架清晰地阐明了两种综合交织模式之间的演变机制和差异。在预测性能方面，Transformer模型在所有评估指标（MSE、MAE、RMSE和误报率）上均优于LSTM、GRU、BiLSTM和BiGRU，显示出在局部风险预测方面的更高精度和在全局风险评估方面的更强鲁棒性。本研究不仅为结合能量场理论和先进深度学习分析复杂交织行为提供了一个统一的理论框架，还为智能交通管理系统中的实时风险预测提供了一种可行的技术方法。

引言

在城市高速公路的入口和出口附近，车辆状态变化很大，经常伴随着频繁的变道和加速减速行为。在土地资源稀缺的城市中，高速公路通常采用“进出”模式，即车辆首先在匝道上并入主线，然后在一定距离后通过出口匝道离开。因此，交织路段内的车辆运行模式具有“交叉轨迹”和“频繁交互”的特点。结果，交织路段内存在许多冲突点，使其更容易发生追尾和侧撞事故。2020年，中国某些省份的交织路段发生了超过74,000起事故，占全国交通事故总数的30.2%。因此，量化行为交互的状态和预测短期交互风险是交织路段驾驶安全研究的重点之一。

值得注意的是，交织路段中的车辆交互不仅影响单个车辆，还影响整个区域的安全。这需要一种结合微观和宏观视角的方法论。然而，现有研究面临两个核心限制：传统的动态或刚体运动模型通过忽略周围车辆的影响而简化了复杂的交互；而现有的基于能量场的模型无法区分不同交通元素的能量状态，这限制了它们解释交互机制的能力。同时，传统的风险评估方法依赖于运动学指标，这些指标无法完全反映基于综合能量状态的风险。

大型语言模型（LLMs）的最新进展，特别是Transformer架构，通过其在建模复杂非线性时空关系方面的卓越能力，为序列建模和风险评估提供了新的范式。Transformer中的自注意力机制能够同时处理局部车辆交互和全局交通模式，而其编码器-解码器架构有助于从多车辆交通数据中高效提取特征。因此，本研究将Transformer架构引入交通风险分析领域。它基于能量场理论将交织路段环境中的设施、车辆等元素量化为能量值，同时结合了Transformer强大的序列建模和长距离依赖性捕捉能力。这种混合方法在保持计算效率的同时，有效解释了不同类型交互行为背后的机制。据此，我们提出了基于能量的风险指数和评估方法。随后，开发了一个基于Transformer的预测模型，以实现更准确和稳健的交互行为及其相关风险的预测。

本文的其余部分安排如下：第2节介绍了与交织行为交互模型和能量场理论相关的最新研究成果。第3节定义了三种典型的单一交互行为。第4节介绍了用于交织交通流的无人机（UAV）视频采集和数据处理方法。第5节介绍了两种典型综合交织模式的能量场模型和风险评估指标。第6节以上海的一个交织路段为案例研究，验证了上述模型和方法的适用性和预测准确性。第7节总结了本文的成果和局限性，并提出了未来的研究方向。流程图如图1所示。

节选内容

交织行为的交互模型

目前，许多研究将交织路段中的车辆交互行为视为跟随行为和变道行为的简单组合（Chen等人，2019年；Hao等人，2020a年；Wan等人，2014年），这种模型基于单辆车动力学进行构建。例如，Bham（2011年）提出了一个车辆变道模型，考虑了变道间隙、车辆速度和车辆长度等因素。Wan等人（2017年）使用了加速度和减速行为等指标

交织行为的定义和分类

在分析交织行为之前，首先需要定义交织行为的概念和类型。交织行为是指两个或多个同方向行驶的交通流在没有交通控制设施的帮助下完成变道的过程。因此，车辆交织行为包括两个或多个不同方向的变道行为（如图2所示）。传统的交织路段（TWS）涵盖了

数据收集

在我们的初步研究中，我们分析了车辆行驶时间（Tang等人，2020年），并对车辆轨迹提取技术进行了深入研究，提出了基于图像到世界坐标变换的优化算法。对于低速场景（如港口或工业区等封闭区域），使用监控视频，我们的算法实现了0.4米的测量精度（Chen等人，2022年；Chen等人，2025a年）。然而，对于高速场景（城市高速公路）

方法论

为了系统地建模交织行为交互并评估相关风险，本研究将能量场理论与高精度数据相结合，建立了一个定量分析框架。该框架通过利用收集到的微观车辆行为数据，深入分析动态行为，解决了传统模型的局限性——例如无法充分捕捉多层次环境影响和无法描述车辆之间的复杂时空依赖性

场景介绍

在本研究中，我们对上海江长路高速公路的交织路段进行了无人机航拍，获得了5小时的交通流视频。通过第4节中的数据处理，提取了交织路段内所有车辆的位置、轨迹、速度、加速度、方向角和车道编号，并确定了车辆是否有变道行为。共识别出1762次综合行为模式1的实例和2492次

结论

本研究提出了一种创新的研究方法，用于城市高速公路交织路段的行为交互建模和风险评估，该方法基于能量场理论，并结合了Transformer深度学习架构以实现准确的风险预测。该研究全面考虑了多层次能源来源的影响，包括交织路段基础设施、交通规则约束和车辆运动学状态，建立了

CRediT作者贡献声明

李毅：撰写——审稿与编辑、监督、软件开发、方法论制定、资金获取、形式分析、概念化。蔡家斌：撰写——审稿与编辑、初稿撰写、可视化、验证。陈新强：资源协调、项目管理。唐思远：数据管理。王子进：数据管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。