Hidden Markov implementations in lane-change model prediction and parameter validation

Lane changes are complicated interactions with broad implications for the surrounding traffic state. Accurately modeling and predicting lane changes is an important field of research with implications in diverse fields from traffic management to autonomous vehicles. The aim of this thesis is to examine lane change interactions and, utilizing a hidden Markov model, propose predictors of a lane change. The studied lane change interactions were extracted from the NGSIM dataset for highway I-80 and used to train a hidden Markov model with Gaussian mixture emissions. The model performance trails other implementations in the art. With a maximum accuracy of about 64% with two hidden states, the improved log likelihood with additional states is complicated by the difficulties in associating the clustered trajectory information with a resulting lane change decision. Although the resulting performance of the trained model did not reach levels of other implementations in literature, it outperformed the compared mechanistic model while being less complex than other multi-stage models in literature. Further research is needed with more accurate data to examine the validity of the Markov chain assumptions, impact of additional hidden states, and the relationships between selected emission parameters and decision-making for highway lane changes.

I cambi di corsia sono interazioni complicate con ampie implicazioni per lo stato del traffico circostante. La modellazione e la previsione accurata dei cambi di corsia rappresentano un importante campo di ricerca con implicazioni in diversi campi, dalla gestione del traffico ai veicoli autonomi. Lo scopo di questa tesi è esaminare le interazioni del cambio di corsia e, utilizzando un modello di Markov nascosto, proporre predittori di un cambio di corsia. Le interazioni di cambio di corsia studiate sono state estratte dal set di dati NGSIM per l'autostrada I-80 e utilizzate per addestrare un modello Markov nascosto con emissioni di miscela gaussiana. Le prestazioni del modello seguono altre implementazioni nell'arte. Con una precisione massima di circa 64% con due stati nascosti, la migliore probabilità di registro con stati aggiuntivi è complicata dalle difficoltà nell'associare le informazioni sulla traiettoria raggruppate con una conseguente decisione di cambio di corsia. Sebbene le prestazioni risultanti del modello addestrato non abbiano raggiunto i livelli di altre implementazioni in letteratura, hanno sovraperformato il modello meccanicistico confrontato pur essendo meno complessi rispetto ad altri modelli multistadio presenti in letteratura. Sono necessarie ulteriori ricerche con dati più accurati per esaminare la validità delle ipotesi della catena di Markov, l’impatto di ulteriori stati nascosti e le relazioni tra i parametri di emissione selezionati e il processo decisionale per i cambiamenti di corsia autostradale.