پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 4 2026 06 22 Driver Lane-Change Prediction on Freeways Using Long Short-Term Memory Network and Support Vector Machines Based on Microscopic Data پیش‌بینی تغییر خط راننده در آزادراه‌ها با استفاده از شبکه عصبی بازگشتی با حافظه بلندمدت و ماشین بردار پشتیبان بر اساس داده‌های میکروسکوپی 5635 5651 236802 10.22119/jte.2025.534186.2742 FA محمد منیعات گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0002-0515-4821 محمود صفارزاده استاد، دانشکده مهندسی عمران و محیط زیست، دانشگاه تربیت مدرس، تهران، ایران 0000-0002-9713-2776 حسن ذوقی استادیار، گروه مهندسی عمران، واحد کرج، دانشگاه آزاد اسلامی، تهران، ایران علیرضا سرکار استادیار، گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران 0000-0003-4449-544X Journal Article 2025 07 13 Lane changing is one of the most critical driving maneuvers, playing a significant role in both traffic safety and flow efficiency. The aim of this study is to develop and compare machine learning models for short-term prediction of drivers’ lane-change behavior on freeways. For this purpose, high-resolution microscopic data from the Next Generation Simulation (NGSIM) dataset were utilized, and two predictive models—Long Short-Term Memory (LSTM) neural networks and Support Vector Machines (SVM), were designed and evaluated. Predictions were performed for time horizons ranging from 1 to 5 seconds prior to the lane-change maneuver in order to assess the effect of prediction horizon on model performance. Evaluation metrics, including Mean Squared Error (MSE), Recall, and F1-score, were applied to assess model accuracy. The results indicate that the LSTM model significantly outperformed SVM across all evaluation criteria and achieved the highest accuracy with the lowest error in short-term horizons (1–5 seconds). Furthermore, statistical analysis revealed that lane-change maneuvers were more frequent in the right lanes of the freeway. The findings of this study can contribute to the design of advanced driver-assistance systems (ADAS) and the development of accurate predictive algorithms for semi-autonomous and autonomous vehicles. <span lang="FA">تغییر خط یکی از مانورهای حیاتی در رانندگی است که نقش مهمی در ایمنی و روانی جریان ترافیک دارد. هدف این پژوهش، توسعه و مقایسه مدل‌های یادگیری ماشین برای پیش‌بینی کوتاه‌مدت تغییر خط رانندگان در آزادراه است. بدین منظور، از داده‌های میکروسکوپی مجموعه‌داده شبیه‌سازی نسل آینده (</span><span dir="LTR">NGSIM</span><span lang="FA">) استفاده شد و دو مدل شامل شبکه عصبی بازگشتی با حافظه بلندمدت (</span><span dir="LTR">LSTM</span><span lang="FA">) و ماشین بردار پشتیبان (</span><span dir="LTR">SVM</span><span lang="FA">) طراحی و ارزیابی گردیدند. پیش‌بینی‌ها در بازه‌های زمانی ۱ تا ۵ ثانیه پیش از وقوع مانور انجام شد تا اثر افق زمانی بر عملکرد مدل‌ها بررسی شود. برای ارزیابی، معیارهایی نظیر میانگین مربع خطا (</span><span dir="LTR">MSE</span><span lang="FA">)، بازخوانی (</span><span dir="LTR">Recall</span><span lang="FA">) و امتیاز </span><span dir="LTR">F1</span><span lang="FA"> مورد استفاده قرار گرفتند. نتایج نشان داد مدل </span><span dir="LTR">LSTM</span><span lang="FA"> در تمامی شاخص‌ها نسبت به </span><span dir="LTR">SVM</span><span lang="FA"> برتری معناداری دارد و در بازه‌های کوتاه‌مدت (۱ تا 5 ثانیه) به بالاترین دقت و کمترین خطا دست یافت. همچنین تحلیل آماری نشان داد که در خطوط راست آزادراه تمایل به تغییر خط بیشتر است. یافته‌های این پژوهش می‌تواند در طراحی سیستم‌های کمک‌راننده پیشرفته و توسعه الگوریتم‌های پیش‌بینی دقیق در خودروهای نیمه‌خودران و خودران مورد استفاده قرار گیرد.</span> https://jte.sinaweb.net/article_236802_aaa1b825df9ce04f2b502c4896f66518.pdf