1.一种基于博弈论的高速入口匝道强制合并决策模型的建立方法，其特征在于，采用合成少数类过采样技术(Synthetic Minority Over‑sampling Technique，SMOTE)进行数据增强，采用博弈论建立双层决策模型，并结合梯度下降优化算法校准模型参数，最后采用测试数据集对模型进行验证；包括以下步骤：第一步，数据处理，先根据车辆的不同行为对数据进行分类提取，再采用SMOTE方法进行数据增强，70％数据用于模型校准，30％用于模型验证；

第二步，建立决策模型，设计收益函数，基于博弈论建立双层决策模型；

第三步，模型校准，采用梯度下降算法确定模型参数，以最小化数据集决策结果与模型预测决策结果之间的差异；

第四步，模型验证，基于第三步校准过程中获得的参数估计值，采用混淆矩阵来评估模型的性能；

第一步中,数据进行两次处理，第一次处理结果用于主道车辆与匝道车辆的博弈，第二次处理结果用于主道车辆和邻道后方车辆的博弈；

第一次数据处理，提取主道车辆和匝道车辆数据，匝道车辆轨迹数据分为合并段和等待段，主道车辆数据分为加速段、保持不变段和礼貌避让段，第二次数据处理，提取主道车辆和邻道车辆数据，主道车辆分为减速直行段和换道段，邻道车辆数据分为避让段和不避让段；

数据提取与分类处理后，由于存在不同类别数据之间的不平衡问题，会影响模型最后的准确性，采用SMOTE方法进行数据增强，SMOTE方法通过合成少数类样本来扩充少数类数据；该方法在特征空间内，通过对少数类样本与其近邻样本进行插值生成新的合成样本，从而平衡数据集中的类别分布；

首先，识别数据集中的少数类样本，并将其从数据集中分离出来；对于不平衡的数据集，少数类样本的数量远低于多数类样本；使用K近邻算法(K‑Nearest Neighbors，KNN)计算每个少数类样本在特征空间中的K个最近邻样本，对于每个少数类样本A，在其K个最接近的少数类样本B1，B2，…，BK中随机选择一个近邻样本，在样本A和近邻样本之间生成一个新的合成样本，合成样本的生成方式是对A和近邻样本Bi之间的特征差异进行线性插值：S＝A+σ×(Bi‑A)  (1)

式中，S表示合成样本，σ是一个介于0和1之间的随机数，用于控制插值的位置；

重复这个过程，直到生成足够数量的合成样本，将生成的合成样本添加到原始数据集中，形成一个新的平衡数据集，使得少数类样本的数量达到预期的平衡目标；第二步所述的双层决策模型中的上层博弈论模型，设计步骤如下：

1)确定博弈参与人：匝道合并车辆(Merging Vehicle，MV)和主道车辆(Following Vehicle，FV)；

2)确定博弈参与人的策略合集：SMV{等待合并，合并}，SFV{加速，保持不变，礼貌避让}；

3)收益函数设计：MV的设计目标为在确保安全的前提下，尽快完成合并，FV的设计目标为保证安全以及保证最小的速度波动；

FV的收益函数设计如下：

当MV选择合并，FV选择礼貌避让时，FV所需的预测加速度计算如下：式中，w表示MV的宽度，d1、d2分别表示FV到MV左后方和右后方的距离，se为中间变量，s*表示FV跟随前车时的理想间距，s0表示FV和前车的最小间距，T表示理想的车头时距，vF、vM分别表示当前时刻FV与MV的速度，amax表示FV的最大加速度，dcomfort表示FV的舒适减速度，v0表示FV的理想速度，AccFV_md即为FV所需的预测加速度；

此时FV的收益函数即为：

UFV_md＝α1+λ1AccFV_md (5)式中α1和λ1为待校准的参数；

当MV选择合并，FV选择加速时，FV所需的预测加速度计算如下：根据当前时刻MV的速度和加速度，以及在加速车道上的剩余行驶距离计算出预测合并时刻MV的速度：

式中，aM表示当前决策时刻MV的加速度，RD表示MV在加速车道上的剩余行驶距离；

由此计算出MV在加速通道上的剩余时间：

FV所需的预测加速度计算如下：

v'F＝vF+aFt'M  (8)

式中v'F表示预测FV的速度，aF表示当前决策时刻FV的加速度，X和X'分别表示当前决策时刻和预测时刻FV和MV的间距，tb为反应时间；

此时FV的收益函数即为：

UFV_ma＝α2+λ2AccFV_ma (11)式中α2和λ2为待校准的参数；

当MV选择合并，FV选择保持不变时，FV所需的预测加速度计算如下：如式(12)所示，如果当前MV的速度大于FV的速度，MV将在不干扰FV的情况下完成合并，如果MV的速度低于FV的速度，MV将迫使FV减速；

此时FV的收益函数即为：

UFV_mdn＝α3+λ3AccFV_mdn (13)式中α3和λ3为待校准的参数；

当MV选择等待，FV的收益函数计算类似；

MV的收益函数设计如下：

当MV选择合并，FV选择礼貌避让时，MV以一个舒适的加速度进行合并，此时MV所需的预测加速度为：AccMV_md＝Acccomfort (14)式中Acccomfort是MV的舒适合并加速度；

MV的收益函数为：

UMV_md＝β1+η1AccMV_md (15)式中β1和η1为待校准的参数；

当MV选择合并，FV选择加速或者保持不变策略，此时MV需要以最大加速度行驶，以保证在FV之前到达合并点，此时MV所需加速度如下：AccMV_ma＝AccMV_mdn＝Accmax (16)式中，Accmax表示MV的最大加速度；

此时MV对应的收益函数分别为：

UMV_ma＝β2+η2AccMV_ma (17)UMV_mdn＝β3+η3AccMV_mdn (18)式中β2、β3、η2、η3为待校准的参数；

当MV选择等待，FV选择礼貌避让，此时MV在确定FV避让策略后，以一个舒适的加速度进行合并，MV所需的预测加速度为：AccMV_wd＝Acccomfort (19)此时MV的收益函数即为：

UMV_wd＝β4+η4AccMV_wd (20)式中β4和η4即为待校准的参数；

当MV选择等待，FV选择加速或者保持现状，此时MV需要等待FV超车后，再进行合并，MV的等待时间计算如下：此时MV所需的预测加速度计算如下：

MV的收益函数即为：

UMV_wa＝β5+η5AccMV_wa (23)UMV_wdn＝β6+η6AccMV_wdn (24)式中β5、β6、η5、η6为待校准的参数；

双层决策模型中的下层博弈论模型，设计步骤如下：

1)确定博弈参与人：主道车辆(FV)和邻道后方车辆(Lag)；

2)确定博弈参与人的策略合集：SFV{换道，直行}，SLag{减速避让，不避让}；

3)收益函数设计：FV和Lag的设计目标为保证安全以及保证最小的速度波动；

FV和Lag的收益函数设计如下：

车辆避免碰撞的减速度为：

上式中，vB表示前方车辆的速度，vA表示后方车辆的速度，sB表示前方车辆的位置，sA表示后方车辆的位置，lA表示后方车辆的车长；

FV和Lag的收益函数计算如下：

式中，i表示FV的决策，j表示Lag的决策，aFV,ij表示当FV做出i决策，Lag做出j决策时FV的加速度，aLag,ij表示当FV做出i决策，Lag做出j决策时Lag的加速度，μ1、μ2、μ3、μ4、ψ1、ψ2和ψ3为待优化的参数；

上层博弈论模型和下层博弈论模型构成一个双层决策模型，当MV进入加速通道时，开始构建上层博弈论矩阵，当FV与MV博弈后选择礼貌避让时，FV再与Lag进行博弈决策是换道避让还是减速直行避让。

2.如权利1所述的一种基于博弈论的高速入口匝道强制合并决策模型的建立方法，其特征在于，第三步中上层博弈论模型参数校准的目标函数如下：式中，Fi和 分别表示FV实际数据集的决策结果和模型预测的决策结果，Mi和 分别表示MV实际数据集的决策结果和模型预测的决策结果，i表示数据集数据中事件的索引，n表示数据集中一共提取了n个事件；

下层博弈论模型参数校准的目标函数如下：

式中，Li和 分别表示Lag实际数据集的决策结果和模型预测的决策结果，m表示数据集中一共提取了m个事件。

3.如权利1所述的一种基于博弈论的高速入口匝道强制合并决策模型的建立方法，其特征在于，第四步所述的混淆矩阵包含了诸多重要的性能指标，包括：真正例：模型预测的决策与实际数据集的决策一致的情况，体现模型的正确预测能力；

假正例(False Positive，FP)：模型预测的决策结果与实际数据集的决策结果不一致的情况，表明模型存在的误判情况；

检测率：正确预测的事件在所有实际事件中所占的比例，衡量模型的灵敏度；

误报率：错误预测的事件在数据集中所有事件中所占的比例，表示模型的误报频率；

此外，为了更全面地理解所提出模型的性能，对每个策略的模型表现进行了独立评估，从而进一步验证模型的准确性。

4.一种基于博弈论的高速入口匝道强制合并决策模型的建立装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1‑3中任一项所述的一种基于博弈论的高速入口匝道强制合并决策模型的建立方法。

5.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1‑3中任一项所述的一种基于博弈论的高速入口匝道强制合并决策模型的建立方法。