换道作为车辆驾驶行为中最常见和复杂的操作之一，其过程中不仅涉及车辆自身动力学状态的快速变化，而且伴随与周围车辆的空间交互. 据统计，约18%的交通事故发生在换道场景中^[1]，同时不合理的换道行为会导致10%的道路交通延误^[2]. 如何及时、准确地预测车辆换道意图，对于提升自动驾驶车辆的安全性、可靠性及通行效率具有重要意义.

现有的车辆换道意图方法大致分为模型驱动方法和数据驱动方法2种^[3-5]. 模型驱动方法通常基于车辆运动学模型、预设的行为规则或者概率统计推断进行换道意图预测. Liu等^[6]提出递归隐半马尔可夫（HMM）结合非线性多项式回归的换道意图预测模型，减小了模型预测误差. Li等^[7]结合高斯混合模型与贝叶斯网络，融合驾驶风格和上下文信息进行换道意图预测. 此类方法虽然具有一定的可解释性，但对先验假设的依赖性较强，难以充分刻画多车动态交互，在复杂场景中的泛化与提前预测能力有限.

相比于模型驱动方法，数据驱动方法直接通过大规模轨迹数据学习换道过程中的时序演化规律和车辆交互特征，具有更好的泛化性能，因此数据驱动方法逐渐成为当前的主流研究方向^[3-5]. Li等^[8]提出基于RNN的驾驶换道意图推理模型，在NGSIM I-80数据集上取得96%的准确率. Lu等^[9]设计双视角交互感知换道预测模型，通过考虑车辆之间的历史互动和未来互动，有效提高了模型意图预测能力. Mirzabagheri等^[10]提出迁移学习并融合社会互动动态的车辆变道预测方法，凸显了车辆交互建模的重要性. Byeon等^[11]提出多模型融合变道意图预测模型，实验结果表明，利用结合车辆交互信息、注意力机制和基于强化学习的CRF的变道意图预测方法，可以显著提高预测精度. 高凯等^[12]提出以CNN、LSTM和多头注意力为基础的网络结构，在换道前1 s、2 s、3 s时均取得了较好的预测精度. Guo等^[13]构建基于Autoencoder与Transformer的换道预测框架，在真实车联网数据上实现了95.70%的预测准确率. Gao等^[14]提出双Transformer结构，分别用于时间维度的车辆行为演化建模与空间维度的车辆交互建模，在NGSIM上取得97.46%的预测精度，但利用Transformer注意力机制，只能在空间维度上隐式学习车辆之间的交互关系，缺乏显式图结构交互建模. Zhang等^[15]以图神经网络（GCN）和LSTM为基础，提出多车辆交互动态图（MIDTG）换道意图的预测框架，证明了图神经网络学习车辆交互关系上的优越性.

总结当前研究可知，现有方法存在以下不足. 部分研究主要依赖目标车辆的自身轨迹，对车辆间的交互特征利用不足. 利用传统规则模型，难以识别换道准备阶段的微弱意图变化. 循环神经网络在长时序建模中易出现历史依赖衰减的问题. 部分方法仅通过特征拼接隐式建模车辆关系，缺乏对多车交互的显式结构表达. 此外，现有研究以公开数据集的离线验证为主，缺少面向模拟驾驶或模型在环场景的测试验证，难以充分评估模型在实际应用环境中的表现.

为了解决上述问题，本文提出基于时空特征与多车交互关系建模的换道意图预测方法. 采用对称指数平均滤波对NGSIM数据集进行降噪处理，构建以目标车为中心的八邻域交互样本；利用航向角阈值判别法完成样本切分与换道意图标注，为模型提供可信数据基础. 提出基于时空特征与多车交互关系的Transformer-GATv2换道预测模型，选取目标车辆和八邻域车辆集合作为输入，在时间维度上引入Transformer多头注意力编码历史运动序列，捕捉换道准备阶段的关键时序线索；在空间维度上，采用图注意力神经网络（GATv2）建模多车交互关系，通过注意力对周边车辆影响自适应加权，准确反映车辆之间交互关系的动态演化，实现车辆换道意图的早期预测. 基于六自由度驾驶模拟平台与CARLA构建模型在环(MIL)测试环境，在闭环仿真与多车交互条件下验证了模型的复杂场景可用性.

Transformer是以自注意力为核心的神经网络架构. 与依赖递归结构的长短期记忆网络（$ \text{LSTM} $）和门控循环单元（$ \text{GRU} $）相比，一方面能够直接建立任意时刻之间的依赖关系，避免递推结构可能出现的信息丢失或梯度爆炸问题，深入学习车辆换道意图的演变规律；另一方面，换道意图是从换道准备到执行的渐进演化过程，关键时序线索往往体现在横向位置、横向速度和航向角等车辆运动信息的变化中，而$ \text{Transformer} $的多个并行的自注意力头设计，能让不同的注意力头分别关注车辆的不同运动特征之间的联系，同时赋予不同时间帧不同权重，使模型更容易聚焦于换道意图相关的关键片段^[16-17]. 选取$ \text{Transformer} $的编码器部分来实现对车辆时间序列进行建模，如图1所示，$ \text{Transformer} $的编码器主要由多头注意力和前馈神经网络组成^[18].

多头自注意力由多个缩放点积注意力并行组合而成. 该机制的核心思路是将同一序列映射到多个特征子空间，使不同注意力头可以从不同角度学习序列内部的特征关系，具体过程如下.

将添加位置编码的车辆时序数据分别通过3组线性变换生成对应的查询矩阵$ {\boldsymbol{Q}} $、键矩阵$ {\boldsymbol{K}} $、值矩阵$ {\boldsymbol{V}} $，如下所示：

(1)$ \boldsymbol{Q}=\boldsymbol{H}{\boldsymbol{W}}_{\boldsymbol{Q}} \boldsymbol{K}=\boldsymbol{H}{\boldsymbol{W}}_{\boldsymbol{K}} \boldsymbol{V}=\boldsymbol{H}{\boldsymbol{W}}_{\boldsymbol{V}}. $

式中：$ {{\boldsymbol{W}}}_{\boldsymbol{Q}}、{{\boldsymbol{W}}}_{\boldsymbol{K}}、{{\boldsymbol{W}}}_{\boldsymbol{V}} $为可学习映射，$ {\boldsymbol{H}} $为车辆时序特征矩阵. 将生成的$ {\boldsymbol{Q}}、{\boldsymbol{K}}、{\boldsymbol{V}} $矩阵输入缩放点积注意力模块. 利用该模块，计算$ {\boldsymbol{Q}} $与$ {\boldsymbol{K}} $转置的点积，得到2个矩阵向量之间的相关性. 使用矩阵维度$ \sqrt{{d}_{{\mathrm{k}}}} $对$ {\boldsymbol{Q}}\mathrm{和}{\boldsymbol{K}} $的点积结果进行缩放，减小维数变化带来的影响. 随后通过$ \text{Softma}\mathrm{x} $进行归一化处理，利用$ {\boldsymbol{V}} $加权求和得到注意力输出. 具体的计算过程为

(2)$ \text{Attention}\;(\boldsymbol{Q},\boldsymbol{K},\boldsymbol{V})=\text{Softmax}\left(\frac{\boldsymbol{Q}{\boldsymbol{K}}^{\text{T}}}{\sqrt{{d}_{{\mathrm{k}}}}}\right)\boldsymbol{V}. $

在获得各个注意力头的输出后，将其在特征维进行拼接，通过线性映射得到多头自注意力的最终结果：

(3)$ \text{Multihead}\;(\boldsymbol{Q},\boldsymbol{K},\boldsymbol{V})=\text{Concat}\;({\bf{head}}_{1},\cdots\cdots,{\bf{head}}_{h}){\boldsymbol{W}}^{{\mathrm{o}}}. $

式中：$ h $为注意力头数，$ {\bf{hea}}{\bf{d}}_{i} $为第$ i $个注意力头的输出特征矩阵，$ {{\boldsymbol{W}}}^{{\mathrm{o}}} $为多头输出拼接后的线性映射矩阵.

在具体实现中，时序编码模块采用单层Transformer编码器结构，隐藏层维度设为96，多头注意力头数为4，$ \text{Dropout} $为0.2. 前馈神经网络的维度设为2048，激活函数为$ \text{ReLU} $.

在复杂交通场景中，换道行为的发生往往伴随显著的多车交互过程^[19-20]. 在整个换道过程中，周围车辆的数量和交互强度都会随着目标车辆的行驶动态变化，且车辆之间的影响关系呈现非欧式结构^[21]. 与直接将周围车辆特征拼接输入相比，图注意力神经网络能够以图结构显式建模车辆间的交互关系. 通过邻域聚合学习空间交互特征，利用注意力机制给周围不同的车辆自适应分配权重，更符合真实动态场景下的换道意图预测需求. 采用图注意力神经网络（GATv2）进行空间关系推理. 与GAT不同，GATv2采用的是先拼接再非线性变换的方式，使得注意力可以根据节点特征进行动态调节，从而学习到更加复杂的行为特征^[22-23]. 内部的具体流程如图2所示.

设$ t $时刻车辆交互图的有效节点$ i $的特征向量为$ {\boldsymbol{h}}_{i}^{t} $，则节点$ i $在时刻$ t $的有效邻域记为

(4)$ N_{i}^{t}=\left\{j\left| m_{t}^{j}=1\right.\right\}. $

式中：$ N_{i}^{t} $为节点$ i $在时刻$ t $的有效邻居集合；$ m_{t}^{j} $表示$ j $方位的车辆在$ t $时刻是否存在，存在为1，不存在则为0. 该定义表明后续的注意力系数计算与特征聚合仅针对当前时刻真实存在的邻居节点开展.

GATv2对中心节点与其有效邻居节点的特征进行拼接，通过线性变换和非线性激活计算未归一化的注意力系数. 对于第$ k $个图注意力头，节点$ i $与节点$ j $之间的原始注意力分数可以表示为

(5)$ e_{ij}^{t,k}={\left({\boldsymbol{\alpha }}^{k}\right)}^{\text{T}}\text{LeakyReLU}\left({\boldsymbol{W}}^{k}\left| \boldsymbol{h}_{i}^{t}\right| \left| \boldsymbol{h}_{j}^{t}\right| \right);\;j\in N_{i}^{t}. $

式中：$ {{\boldsymbol{W}}}^{k} $为第$ k $个注意力头对应的可学习线性变换矩阵，$ {\boldsymbol{\alpha }}^{k} $为第$ k $个注意力头对应的可学习参数向量，${\boldsymbol{h}}_{i}^{t} $为节点i在t时刻的特征向量，$ \mathrm{LeakyReLU}(\cdot ) $为非线性激活函数.

在获得原始注意力$ {e}_{ij} $后，在节点$ i $的有效邻域内通过$ \text{Softmax} $函数进行归一化处理，得到节点$ i $对邻居节点$ j $的归一化注意力权重：

(6)$ \alpha _{ij}^{t,k}=\frac{\exp \left(e_{ij}^{t,k}\right)}{\displaystyle \sum \limits_{l\in N_{i}^{t}}\exp \left(e_{il}^{t,k}\right)};\;j\in N_{i}^{t},\;k=1,2,\cdots,K. $

式中：$ \alpha _{ij}^{t,k} $表示在第$ k $个图注意力头下，时刻$ t $节点$ i $对邻居节点$ j $分配的归一化权重.

根据该权重对邻接节点特征进行加权聚合，并对每个注意力头进行拼接，得到节点i在下一层的空间交互特征表示：

(7)$ \boldsymbol{z}_{i}^{t+1}=\left\| {_{{{k = 1}}}^K} \right.\sigma \left(\sum \alpha _{ij}^{t,k}{\boldsymbol{W}}^{k}\boldsymbol{h}_{j}^{t}\right);\;j\in N_{i}^{t}. $

式中：$ {\boldsymbol{z}}_{i}^{t+1} $为节点i经过GATv2空间交互建模后的输出特征向量，$ \sigma \left(\cdot \right) $为非线性激活函数.

在具体实现中，GATv2模块采用4头图注意力机制，每个注意力头的输出维度为24，总输出维度为96，激活函数为LeakyReLU.

车辆换道意图的形成不仅是目标车辆运动状态在时间维度上的演变结果，而且是目标车辆与周围车辆在空间维度上动态交互的结果. 为了充分利用时序演变线索与多车交互信息，提出基于Transformer与图注意力神经网络（GATv2）的时空融合换道意图预测模型. 模型结构如图3所示，模型主要由数据处理模块、Transformer时序特征提取模块、GATv2多车空间交互特征提取模块及换道意图输出模块组成.

在数据处理模块中提取并预处理目标车辆及其周边车辆的轨迹序列，形成统一长度的时序窗输入$ \left[{t}_{{\mathrm{c}}}-T,{t}_{{\mathrm{c}}}\right] $. 采用Transformer时序特征提取模块，从时间维度上对历史轨迹序列进行特征提取. 利用多头自注意力，在全序列范围内建立跨时刻依赖关系，并对不同的时间帧赋予不同的权重，突出与换道意图相关的关键帧. 为了分析周围车辆对换道决策的影响，引入GATv2提取车辆间的空间交互信息，通过图注意力计算目标车与各邻车之间的交互权重，突出关键邻车的影响并抑制弱相关邻车的干扰. 将逐时间步提取的空间交互特征与时序特征进行残差相加，并进行归一化处理，得到最终的时空融合特征. 提取时间窗口末端时刻$ {t}_{\rm{c}} $下目标车辆的融合特征. 该时刻特征经Transformer与GATv2处理后，已融合过去时间段$ T $内的历史运动信息及多车交互状态，能够较好地表征车辆当前时刻的真实意图. 提取目标车辆最后一帧的融合特征，输入全连接分类器，进行归一化处理，得到3类换道意图的概率分布. 选择概率最大的类别作为最终的预测结果，实现对车辆换道意图的准确预测. 相较于ST-GAT或双Transformer，该结构既能通过Transformer先行提取时序特征，避免弱意图信号在过早时空耦合中被稀释，又能通过GATv2显式建模多车交互，抑制空间噪声，从而提升换道前期的预测能力.

在车辆换道意图的预测中，现有方法大多通过提取目标车辆的轨迹特征作为模型输入，但在车辆换道前期，目标车辆换道运动特征不显著且目标车辆换道过程中会受到与周围车辆交互的影响，仅依赖目标车辆特征难以准确地捕捉换道意图^[10-11,24]. 选取目标车辆运动特征和周围车辆交互特征作为模型输入. $ t $时刻的输入向量为

(8)$ {\boldsymbol{I}}_{t}=\left[\left.\boldsymbol{F}_{t}^{\text{ego}},\boldsymbol{F}_{t}^{\text{nei}}\right];\;\right.t=T-{T}_{{\mathrm{h}}},\cdots,T-1,T. $

式中：$ {\boldsymbol{F}}_{t}^{\text{ego}} $为$ t $时刻换道车辆的运动特征信息，$ {\boldsymbol{F}}_{t}^{\text{nei}} $为$ t $时刻周围车辆的运动特征信息集合，$ {T}_{{\mathrm{h}}} $为输入轨迹的序列长度.

输入目标车辆运动特征定义为

(9)$ \boldsymbol{F}_{t}^{\text{ego}}=\left[x_{t}^{\text{ego}},y_{t}^{\text{ego}},v_{t}^{\text{ego}},a_{t}^{\text{ego}}\right]. $

式中：$ x_{t}^{\text{ego}} $和$ y_{t}^{\text{ego}} $分别为目标车辆在$ t $时刻的横向位置和纵向位置，$ v_{t}^{\text{ego}} $为目标车辆在$ t $时刻的速度，$ a_{t}^{\text{ego}} $为目标车辆在$ t $时刻的加速度.

为了使得模型深入学习车辆之间的交互关系，如图4所示，选取周围8个方位的车辆作为模型输入.

周围车辆的特征集合可以表示为

(10)$ \boldsymbol{F}_{t}^{\text{nei}}=\left.\left\{\boldsymbol{F}_{t}^{\text{f}},\boldsymbol{F}_{t}^{\text{b}},\boldsymbol{F}_{t}^{\text{lf}},\boldsymbol{F}_{t}^{\text{l}},\boldsymbol{F}_{t}^{\text{lb}},\boldsymbol{F}_{t}^{\text{rf}},\boldsymbol{F}_{t}^{\text{r}},\boldsymbol{F}_{t}^{\text{rb}}\right.\right\}. $

式中：$ {\boldsymbol{F}}_{t}^{\mathrm{f}} $和$ \boldsymbol{F}_{t}^{\mathrm{b}} $分别为同车道目标车前方和后方车辆特征集合，$ {\boldsymbol{F}}_{t}^{\text{lf}}、{\boldsymbol{F}}_{t}^{\mathrm{l}}、{\boldsymbol{F}}_{t}^{\text{lb}} $分别为左侧相邻车道目标车前方、相邻、后方车辆特征集合，$ {\boldsymbol{F}}_{t}^{\text{rf}}、{\boldsymbol{F}}_{t}^{\mathrm{r}}、{\boldsymbol{F}}_{t}^{\text{rb}} $分别为右侧相邻车道目标车前方、相邻、后方车辆特征集合.

为了增强交互可辨识性并消除周围车辆绝对坐标的影响，周围车辆均采用相对目标车辆的编码方式，具体如下：

(11)$ \begin{aligned}\boldsymbol{F}_{t}^{j}=\left[\Delta x_{t}^{j},\Delta y_{t}^{j},\Delta v_{t}^{j},\Delta a_{t}^{j},m_{t}^{j}\right];\; j\in \left\{\left.\text{f},\text{b},\text{lf},\text{l},\text{lb},\text{rf},\text{r},\text{rb}\right\}\right..\end{aligned} $

式中：$ \Delta x_{t}^{j} $和$ \Delta y_{t}^{j} $分别为$ j $方位的车辆在$ t $时刻相对于目标车辆的横向位置和纵向位置；$ \Delta v_{t}^{j} $和$ \Delta a_{t}^{j} $为$ j $方位的车辆在$ t $时刻相对于目标车辆的速度和加速度；$ m_{t}^{j} $表示$ j $方位的车辆在$ t $时刻是否存在，存在则为1，不存在则为0.

$ t $时刻的完整的输入特征矩阵可以表示为

(12)$ {\boldsymbol{I}}_{t}=\left[\left.\boldsymbol{F}_{t}^{\text{ego}},\boldsymbol{F}_{t}^{\text{f}},\boldsymbol{F}_{t}^{\text{b}},\boldsymbol{F}_{t}^{\text{lf}},\boldsymbol{F}_{t}^{\text{l}},\boldsymbol{F}_{t}^{\text{lb}},\boldsymbol{F}_{t}^{\text{rf}},\boldsymbol{F}_{t}^{\text{r}},\boldsymbol{F}_{t}^{\text{rb}}\right]\right.. $

NGSIM数据集是由美国联邦公路管理局（FHWA）发布的美国公路行车数据集，覆盖多个真实路段的车辆轨迹信息^[25-26]. 该数据集提供了车辆的横纵向位置、速度、加速度等信息，采样频率为10 Hz，具体信息如表1所示.

选取其中I-80和US-101 2个典型路段作为模型训练和测试数据. 其中I-80路段检测区长度为530 m，数据采集时间为下午5:00—5:30和4:00—4:15，US-101路段检测区长度为640 m，采集时间为上午7:50—8:35，研究路段结构的具体情况如图5所示.

NGSIM数据集的原始轨迹数据存在一定的噪声和误差. 为了减少噪声对后续模型训练和数据分析产生不利影响，采用对称指数平均滤波（E-SMA）对原始轨迹数据进行平滑处理. 该方法通过在时间轴两侧进行加权平均，能够有效地抑制高频噪声，保持轨迹数据的平滑性与关键运动特征^[27]. 将平滑后的车辆轨迹序列使用差分方法重新计算速度和加速度，并去除超过人体可承受能力范围的异常加速度. 以I-80路段中的车辆为例，平滑处理前、后的车辆速度和加速度对比如图6所示. 其中，$ v $、$ a $分别为示例车辆的速度和加速度，$ t $为进入I-80路段时间.

由于NGSIM数据集未提供明确的车辆驾驶行为类别，需要根据车辆轨迹特征将车辆轨迹片段划分为左换道（LLC）、右换道（RLC）和直行行驶（LK）3类，并加上对应标签. 具体流程如图7和算法1所示.

算法1的航向角阈值会直接影响换道边界的识别位置，当阈值过小时，换道起点识别提前并混入较多直行阶段信息. 当阈值过大时，换道起点识别滞后，不利于模型捕捉换道早期意图特征，因此综合考虑抗噪性与早期特征保留的需求，最终取$ {\theta }_{\mathrm{s}}=0.02\;{\mathrm{rad}} $^[28-29].

由于直行样本远多于左换道样本，右变道样本少于左变道样本，对样本进行欠采样和过采样处理. 最终提取出3类标签样本各12 093 条，作为整个数据集，其中的70%作为训练集，15%作为测试集，15%作为验证集. 对数据进行统一标准化处理，加快模型的收敛速度.

为了全面评估模型在换道意图预测任务中的性能，采用以下指标评估模型性能.

1） 准确率$ {A}_{\text{cc}} $指正确预测换道意图的样本数量占总样本数数量的比例：

(13)$ {A}_{\text{cc}}=\frac{{T}_{\text{P}}+{T}_{\text{N}}}{{T}_{\text{P}}+{F}_{\text{P}}+{T}_{\text{N}}+{F}_{\text{N}}}. $

式中：$ {T}_{\mathrm{P}}、{F}_{\mathrm{N}} $分别为正类/负类样本被正确预测的样本数，$ {F}_{\mathrm{P}} $为负类被误判为正类的样本数，$ {T}_{\mathrm{N}} $为正类样本被误判为负类的样本数.

2） 精确率$ P $为预测正确的正类样本数占所有被预测为正类样本数的比例：

(14)$ P=\frac{{T}_{\text{P}}}{{T}_{\text{P}}+{F}_{\text{P}}}. $

3） 召回率$ R $为预测正确的正类样本数占实际正类样本总数的比例：

(15)$ R=\frac{{T}_{\text{P}}}{{T}_{\text{P}}+{F}_{\text{N}}}. $

4） $ F_1 $分数为精确率与召回率的调和平均值：

(16)$ {F}_{1}=\frac{2PR}{P+R}. $

为了全面评估提出的Transformer-GATv2模型在多车交互场景下的预测性能，并验证各模块的独立贡献，选取具备交互建模能力的Social-LSTM（模型A）和ST-GCN（模型B）作为基准模型. 设置去除GATv2的Transformer（模型C）和去除Transformer的GATv2（模型D）作为消融模型. 不同输入长度（1、1.5、2 s）下的测试结果如表2~4及图8~11所示. 其中，L为模型训练损失，E为模型训练轮次，MR为模型错分率.

从表2~4及图8~11可知，本文模型在不同输入长度下均取得了较优的预测效果. 当输入长度为1 s时，提出的模型准确率高达96.24%，相比Social-LSTM、ST-GCN、Transformer和GATv2分别提升8.25%、4.07%、1.22%和17.50%，且各类别的F₁分数均超过0.94. 当输入长度增加为1.5 s时，提出模型的准确率进一步提升至97.52%，且各项指标继续保持领先. 当输入长度为2 s时，提出模型的预测准确率高达98.04%，且所有类别的F₁分数均大于0.96%. 这证明该模型在捕捉车辆换道行为的时空依赖关系方面具备显著优势，能够较好地预测车辆换道意图. 与本文模型相比，具备空间建模能力的Social-LSTM和ST-GCN各项指标偏低，说明利用这2种模型，难以精准地捕获复杂的多车交互特征. 在消融实验中，单独使用GATv2的准确率明显偏低，说明丢失时序演化信息后模型性能的显著退化. 当单独使用Transformer时，虽能获得较高准确率，但整体表现不及Transformer‑GATv2模型. 上述对比结果证明在时序特征基础上引入图神经注意力机制后，通过显式构建目标车与八邻域车交互图，能深入挖掘车辆间的交互关系，弥补单一模块的局限性，提高模型预测的准确率.

在真实驾驶场景中，换道意图前瞻时间是判别模型真实预测能力的重要部分. 将前瞻时间$ \Delta t $定义为当前时刻到车辆抵达车道变更点所需的时间间隔. 研究表明，高速公路车辆完成一次完整换道行为需要3.5~6.5 s^[30]，若取中间值5 s，则车辆开始换道到抵达换道点需要2.5 s. 选取不同$ \Delta t\in \{0.5~\mathrm{s},1.0~\mathrm{s},1.5~\mathrm{s},2.0~\mathrm{s},2.5~\mathrm{s},3.0~\mathrm{s}\} $下的车辆轨迹数据进行测试. 不同输入长度$ T $下模型在各前瞻时间段$ \Delta t $的预测准确率如表5所示.

结果显示，当前瞻时间较小时，模型的预测准确率较高，证明模型具有一定的可靠性. 随着前瞻时间的增加，车辆预测准确率逐步下降，这是因为车辆换道意图随着车辆与换道点距离的变长而模糊. 提出的模型在输入1 s轨迹序列，前瞻时间为2.5 s的条件下，预测准确率高达89.60%. 这表明该模型能够从车辆轨迹中有效提取换道意图深层特征，具备良好的早期意图预测能力和较高的预测准确率. 当前瞻时间较长（如2.5 s、3.0 s）时，车辆尚处于意图决策的早期阶段. 若此时输入序列过长（如1.5 s、2 s），则会包含大量与换道意图无关的、稳定的直行轨迹片段. 这些直行阶段噪声会干扰模型对早期微弱意图特征的捕捉，导致准确率相对较低. 当前瞻时间较短（如1 s）时，车辆进入明确的变道执行阶段. 此时，较长的输入序列（如1.5 s、2 s）能够提供更丰富的动态上下文，且几乎不包含早期直行噪声，因而模型能够充分利用更多的信息，实现更高的预测准确率.

为了进一步解释模型预测机理，选取一辆左变道车辆，对注意力权重进行可视化分析，结果如图12~14所示. 图12中，$ \Delta x $和$ \Delta y $分别为周围车辆相对目标车辆的横向、纵向位置. 图13、14中，AW为注意力权重，$ \text{TLC} $为距离换道点的时间.

从图12可知，空间上前方车辆和左方车道的车辆权重较大. 这一现象表明，模型通过输入相对运动特征并通过GATv2模块显式构建交互图，自主感知不同方位的潜在冲突风险，为关键车辆的空间节点分配更高的注意力权重. 这与人类驾驶的认知相符，因为这些车辆的行为特征对目标车辆的换道决策影响最显著.

从图13、14可知，在时间维度上，随着车辆逐渐靠近变道点，左方车辆的注意力权重逐步增加，右方车辆的注意力权重相应减小. 这一变化与实际的驾驶认知一致.

模型在环（model-in-the-loop, MIL）平台如图15所示. 该系统由六自由度仿真平台、CARLA仿真软件、交通流模拟软件SUMO和个人计算机（IPC）组成. 在IPC上利用CARLA生成交通场景，将生成的车辆同步到SUMO中形成交通流. 将CARLA输出的虚拟交通场景投影到六自由度平台的显示屏上，驾驶员在平台上通过方向盘、油门及制动踏板进行驾驶操作，以固定的采样频率实时采集制动、油门踏板和力反馈方向盘的状态，传回至CARLA软件，从而形成驾驶员–六自由度平台–虚拟场景的闭环.

如图16所示，仿真时按设定的时间窗口长度，连续采集当前时刻及历史若干时刻目标车辆与周围车辆的位置、速度、加速度等轨迹特征，将其整理为时序特征张量输入训练好的换道意图预测模型，由模型输出3类意图的概率分布.

模型在环测试过程如图17所示. 在实验过程中，要求受试者在虚拟高速路段中以限定车速范围内自主驾驶，根据自身意图选择保持车道或执行左、右换道. 通过调整前车速度、相邻车道车流密度和相对距离，构造不同的换道场景，每名受试者完成多次独立实验，获得包含直行、左换道和右换道的大量真实驾驶样本. 共组织14名受试者参与测试，每名受试者完成120次独立实验，累计获得1 680条驾驶样本，其中包含直行样本724条、左换道样本508条和右换道样本448条.

对于每一次实际发生的换道事件，将换道意图准确预测时刻（输出预测行为，阈值设为0.8）与车辆跨越车道线时刻的时间差作为该次换道的提前预测时间. 将所有换道事件的提前预测时间按0.5 s进行分箱统计（0~0.5 s、0.5~1.0 s、1.0~1.5 s、1.5~2.0 s、2.0~2.5 s、2.5~3.0 s），计算各时间区间内的意图预测准确率：

(17)$ A_{{\mathrm{int}}}={{N}_{\text{cor}}}/{N}. $

式中：$ N $为总车辆数，$ {N}_{\text{cor}} $为该提前预测时间区间内预测意图与真实意图一致的事件数.

最终的统计结果如表6所示. 其中，t_in为输入长度，t_pre为提前预测时间. 从测试结果可知，与在数据集上的离线测试相比，模型在驾驶仿真测试时性能有所降低，但降低程度较小. 这可能是因为在仿真环境中，受驾驶员操控差异、交互扰动与通信延迟等因素影响. 模型在关键的2.5~3.0 s提前预测时间区间内能够保持预测准确率大于85%，具备较强的早期预判能力. 该模型在MIL测试条件下总体上优于传统模型，说明该方法具有较好的工程可用性与实际部署潜力.

（1）为了准确预测车辆换道意图，提出Transformer–GATv2车辆换道意图预测模型. 以目标车辆和八邻域周围车辆的运动特征为输入，在时间维度学习换道过程中车辆轨迹的演化规律，在空间维度学习目标车辆与周围车辆之间的交互关系，从而准确预测车辆换道意图.

（2）在NGSIM数据集上的测试表明，与Social-LSTM、ST-GCN和Transformer等模型相比，提出的模型在不同输入时间长度下均取得更高的准确率和F₁分数，特别是在输入时长为1 s，前瞻时间为2.5 s的状态下，预测准确率仍可达到89.60%，说明该模型具备较强的提前预测车辆换道意图能力. 注意力可视化结果表明，模型能够动态调整对各邻车的注意力权重，对目标车辆变道方向一侧的邻车赋予更高的权重，具有一定的可解释性.

（3）在六自由度驾驶模拟器与CARLA联合仿真平台上开展模型在环测试，验证了模型在闭环仿真环境中的可运行性和可靠性.

目前研究仍局限于理想化的高速公路场景，未来将扩展城市道路、匝道汇入、交叉口等复杂场景，提升模型在真实交通中的泛化能力.