近些年来，随着社会经济水平的发展与提高，汽车保有量迅速增加，城区交通事故量也有所增长，其中，信号控制交叉口及其周边的交通事故数量占据较大的比例，因此对信号交叉口危险行为的研究愈发重要。信号控制交叉口的危险行为主要包括基于两难区的驾驶员驾驶行为研究、不同类型驾驶员的个人特征对驾驶行为的影响、以及不同的信号控制方式下，驾驶员的驾驶行为以及决策的研究。本文从信号交叉口进口道两难选择行为导致的风险作为出发点，将两难区的定义进行重新扩充，以往两难区的研究是在黄灯启亮时开始，对驾驶员的驾驶行为进行研究，但实际观测中在绿灯末期车辆同样会陷入两难的抉择。为了更加全面的表现出信号控制对交叉口两难区的影响，以及信号交叉口的车辆行驶行为，本文通过分析在绿灯末期以及黄灯期间车辆的行驶过程，研究驾驶员在交叉口处的决策行为，以提高交叉口处车辆的行驶安全性。由于智能化城市的发展，在交通领域的研究中，在交通流参数获取方面，已有多种方式可选，比如发展较早的线圈检测器，红外线，以及近年来出现的浮动车法，视频监控以及移动传感器等能够获取车辆的轨迹数据，在理论研究方面提供了基础数据支持。
　　本文将绿灯末期以及黄灯信号期间自由行驶的首停车和末行车作为研究对象，通过车辆轨迹的信息，分析车辆在信号交叉口进口道的运行特征以及车辆行驶状态的变化规律。首先，通过对车辆轨迹信息的分析，了解到信号交叉口进口道行驶的车辆在信号过渡期间具有很大的随机性，随着时空的变化，车辆行驶状态会发生变化，在不同的信号灯倒计时时刻，首停车和末行车的速度、加速度、以及在进口道上的空间位置具有显著差异性。其次，基于两难区的定义，根据车辆实时轨迹信息，提取不同信号灯时刻下的车辆轨迹特征，建立信号切换期间驾驶员的决策行为模型，得到不同的信号灯倒计时情况下，驾驶员的决策行为模型。最后，对首停车和末行车轨迹信息进行预测，本文选取以往学者们使用较为广泛的HMM以及近年来兴起的循环神经网络(RNN)来进行车辆行驶状态的识别以及预测。通过连续隐马尔科夫模型对车辆轨迹进行建模，得到轨迹数据的隐状态，并计算相邻时刻的状态转移矩阵，以预测下一时刻车辆的行驶状态。通过循环神经网络的变体形式LSTM网络，建立车辆的时间序列预测模型以及车辆行驶状态分类模型，可预测得到未来多个时刻的车辆轨迹特征，包括不同的信号倒计时时刻下，车辆的速度，加速度以及距停车线的距离，而且LSTM模型的预测效果显著优于隐马尔科夫模型，时间序列预测以及分类模型的准确率均达到95%以上。本文与以往研究的不同点在于更关注于信号控制交叉口的车辆轨迹模式，不仅预测下一时刻车辆的位置，也能够预测车辆的状态信息，包括车辆速度、加速度等，能够提供实时的车辆信息，更有助于智能化交通管理与控制，也为智能车路协同系统提供理论支持。