近年来,交通量的快速增长引发了严重的交通拥堵与交通安全问题,而车辆换道行为作为一种基本的微观驾驶行为,很大程度上影响着道路通行能力与车辆行驶的安全性,此外,交通管控采取的换道管制措施,其合理性更是和车辆换道行为研究成果密不可分。因此,对车辆换道轨迹进行研究一直是交通流理论研究的重点。然而,传统的基于数理模型的换道轨迹预测模型难以准确刻画真实的换道过程,不能很好地反映换道时相关车辆间的影响。基于上述分析,本文以高速公路车辆自由换道轨迹预测模型为研究对象,结合机器学习技术,提出了一种基于数据驱动的且能充分考虑车辆换道时主车与周边车辆交互行为的轨迹预测模型,旨在能准确描述实际的换道过程。首先,本文对车辆换道决策与换道轨迹预测两个方面的国内外研究成果进行梳理,总结了既有基于数据驱动的模型存在的三个问题并基于此提出了本文的研究目标;分析了影响车辆换道行为的诸多因素,并通过比对几种基于数据驱动的轨迹预测模型的优劣及适用场景,确定选取LSTM网络作为处理车辆换道轨迹数据的基本结构,随后阐述了本文的模型设计思路。其次,本文对美国联邦公路管理局支持的“下一代仿真(Next Generation SIMulation,NGSIM)”项目中的NGSIM数据集进行了误差分析以及数据清洗工作,分阶段地修正了车辆纵向位置、横向位置以及速度信息,为本文模型的训练和测试提供了可靠的实验数据。接着,本文针对既有模型的局限性提出了基于Social-Convolutional-GAN(SCG)的车辆换道轨迹预测模型,该模型运用生成对抗网络的基本框架,通过生成器与鉴别器的博弈,确保生成的换道轨迹更加接近真实数据,更能模拟人的驾驶行为;在生成器与鉴别器设计中,均采用LSTM网络作为车辆换道轨迹的编码与解码器,并在轨迹生成器中通过构建卷积社交池层捕捉车辆间的交互行为,解决了换道实施过程中车辆间的相互影响难以定量描述的问题,并通过引入多模态机制使预测结果更符合真实换道场景;此外,采取策略梯度下降的方法解决了NGSIM离散数据导致梯度在网络中不能反向传播的问题。最后,本文通过设计相关实验验证本文模型的有效性和鲁棒性。选取了4种既有模型作为本文的对比模型,实验结果表明本文模型在测试集上具有更小的均方根误差与负对数损失函数值;对比了本文模型与去除换道意图划分模块后的单模态模型的换道轨迹预测效果,结果表明多模态模型的预测结果更符合实际的换道场景;通过构建新的数据集验证了社交卷积池层能更好地捕捉车辆在运动过程中的交互行为;结合实际应用场景,对比了本文模型与V-LSTM、S-LSTM两种轨迹预测模型的实时预测效果,结果表明本文模型实时预测效果更为精准。以上研究成果能弥补既有换道轨迹预测模型的几个主要缺陷,最终不仅能为交通规划、交通控制等工作提供更科学的依据,也对微观交通仿真技术、辅助驾驶技术的发展等有着较为深远的理论和现实意义。