合流区作为车辆驶入高速公路的入口区域,换道过程非常复杂,在合流区存在加速车道和主干道车辆频繁的变速和换道,对驾驶员换道决策的快速与准确性要求极高,是交通安全事故的高发区,因此换道决策方法研究对车辆的安全驾驶意义重大。当驾驶员在合流区进行车道变换时,目前的先进辅助驾驶系统(Advanced Driver Assistance System,ADAS)中个性化换道模型过于复杂,经常会结合多种算法进行运算,从而使换道模型计算复杂度增高,导致换道决策时间过长。本论文基于高速公路合流区车辆换道行为分析,针对不同类型驾驶员的驾驶习性,设计了一种适宜于个性化驾驶的换道决策模型,以保证车辆在安全的前提下可以提高车辆驾驶员的舒适感。本论文完成了如下工作:基于对高速公路合流区内车辆的运行特点与换道影响因素等相关要素的剖析,确定了表征个性化驾驶的换道特征量。针对实际测量的下一代仿真(Next Generation Simulation,NGSIM)车辆数据集,借助MATLAB绘制了车辆行驶轨迹图,利用车辆轨迹变化趋势提取出了强制换道车辆的换道阶段与未换道阶段的数据信息。针对不同驾驶员具有不同的驾驶习性,在超限学习机(Extreme Learning Machine,ELM)的基础上利用在线学习思想将模型训练分为离线与在线两个阶段,通过在线提取驾驶员的驾驶数据进行训练,实现了换道决策模型的个性化。同时解决了有新样本加入时需要重新训练整个模型的问题,降低了模型的运行时间。构建了一个基于在线贯序超限学习机(Online Sequential Extreme Learning Machine,OS-ELM)的高速公路车辆合流区个性化换道快速决策模型。在混合了不同道路的数据集中对基于OS-ELM、SVM、BP的决策模型的换道阶段与非换道阶段的测试精度以及测试时间进行了仿真实验,借助实验验证了本论文所生成换道决策模型的有效性。本论文提出的基于OS-ELM的个性化换道决策模型可以很好地满足高速公路合流区的快速性要求,给驾驶员预留换道决策思考时间。文中提出的模型可为ADAS核心组件的改进设计提供参考,以研制出更好的ADAS系统。