Predicting lane change behavior of surrounding vehicles is critical for autonomous vehicles as the lane change may cause conflict between vehicles. Most of the existing lane change prediction models cannot update their model to adapt to the change of road and traffic environment, such as free and congested traffic environments and roads with different levels. Thus, those models cannot be robust. This paper aims to break this limitation and builds a lane change prediction model for surrounding vehicles based on machine learning methods. The lane change prediction model contains a basic model and an adaptive model: the basic model is a long short-term memory (LSTM) based prediction model which reflects the decision-making mode for drivers; the adaptive prediction model embeds an adaptive decision threshold on the basic model, and the threshold updates by Bayesian Inference method on time. We prove the performance of the adaptive model based on the HighD dataset, and the results are inspiring that the model achieves 93.64–97.52% accuracies for target-vehicle in the left adjacent lane and 94.30–98.01% accuracies for target-vehicle in the right adjacent lane. Besides, our proposed model is capable of different driving environments, especially when the traditional LSTM method cannot capture drivers’ lane change decision well. Because of the timeliness and transferability nature of our proposed model, this model could be applied to the Advanced Driver Assistance System (ADAS) and autonomous vehicles in the future to reduce driving perception errors.

预测周围车辆的换道行为对于自动驾驶汽车至关重要，因为换道可能会导致车辆之间发生冲突。现有的车道变化预测模型大多无法更新其模型以适应道路和交通环境的变化，例如自由和拥挤的交通环境以及不同级别的道路。因此，这些模型不可能是稳健的。本文旨在打破这一局限，基于机器学习方法构建周边车辆的变道预测模型。变道预测模型包含基础模型和自适应模型：基础模型是基于长短期记忆（LSTM）的预测模型，反映驾驶员的决策模式；自适应预测模型在基本模型上嵌入了自适应决策阈值，以及通过贝叶斯推理方法及时更新阈值。我们证明了基于 HighD 数据集的自适应模型的性能，结果令人鼓舞，该模型对左侧相邻车道的目标车辆实现了 93.64-97.52% 的准确率，对右侧相邻车道的目标车辆实现了 94.30-98.01% 的准确率相邻车道。此外，我们提出的模型能够适应不同的驾驶环境，特别是当传统的 LSTM 方法不能很好地捕捉驾驶员的换道决策时。由于我们提出的模型具有及时性和可转移性，该模型未来可以应用于高级驾驶辅助系统（ADAS）和自动驾驶汽车，以减少驾驶感知错误。结果令人鼓舞的是，该模型对左侧相邻车道的目标车辆实现了 93.64-97.52% 的准确率，对右侧相邻车道的目标车辆实现了 94.30-98.01% 的准确率。此外，我们提出的模型能够适应不同的驾驶环境，特别是当传统的 LSTM 方法不能很好地捕捉驾驶员的换道决策时。由于我们提出的模型具有及时性和可转移性，该模型未来可以应用于高级驾驶辅助系统（ADAS）和自动驾驶汽车，以减少驾驶感知错误。结果令人鼓舞的是，该模型对左侧相邻车道的目标车辆实现了 93.64-97.52% 的准确率，对右侧相邻车道的目标车辆实现了 94.30-98.01% 的准确率。此外，我们提出的模型能够适应不同的驾驶环境，特别是当传统的 LSTM 方法不能很好地捕捉驾驶员的换道决策时。由于我们提出的模型具有及时性和可转移性，该模型未来可以应用于高级驾驶辅助系统（ADAS）和自动驾驶汽车，以减少驾驶感知错误。尤其是当传统的 LSTM 方法不能很好地捕捉驾驶员的换道决策时。由于我们提出的模型具有及时性和可转移性，该模型未来可以应用于高级驾驶辅助系统（ADAS）和自动驾驶汽车，以减少驾驶感知错误。尤其是当传统的 LSTM 方法不能很好地捕捉驾驶员的换道决策时。由于我们提出的模型具有及时性和可转移性，该模型未来可以应用于高级驾驶辅助系统（ADAS）和自动驾驶汽车，以减少驾驶感知错误。