マルチスケール車間追従ダイナミクスにおける運転者内異質性のモデリングのための運転体制埋め込み型深層学習フレームワーク

科学分野:

• 交通流ダイナミクス
• 行動モデリング
• 輸送における深層学習の応用

背景:

• 既存の車間追従モデルは、運転者内の異質性に対処するのに苦労しており、単一の運転者内での動的な行動変化を捉えることができません。
• 現在のモデルは、運転者間の違いを強調しすぎたり、単純化された仮定を使用したりすることが多く、複雑な交通シナリオでの精度が制限されています。

研究 の 目的:

• 個々の運転者の異質性を明示的にモデル化する、新しいデータ駆動型の車間追従フレームワークを開発すること。
• 精度向上のために、連続的な車両運動予測に離散的な運転体制を統合すること。
• 運転者間および運転者内の両方の行動変動を包括的に表現すること。

主な方法:

• 体制分類のためのゲート付き再帰ユニット（GRU）と運動学的予測のための長短期記憶（LSTM）ネットワークを組み合わせたハイブリッド深層学習アーキテクチャを提案しました。
• トレーニングと検証のために高解像度の交通軌跡データセットを利用しました。
• 離散的な運転体制を特定するために、ボトムアップセグメンテーションアルゴリズムと動的時間伸縮法（DTW）を採用しました。

主要な成果:

• 提案されたフレームワークは、既存のモデルと比較して、複数の指標で予測誤差を大幅に削減しました。
• 停止・発進波や振動ダイナミクスのような複雑な交通現象を正確に再現するモデルの能力を実証しました。
• 離散的な意思決定プロセスと連続的な車両ダイナミクスを効果的に統合しました。

結論:

• 新しいフレームワークは、車間追従モデリングにおける運転者内異質性の課題を効果的に解決します。
• 離散的な運転体制の統合は、車両運動の予測を強化し、動的な運転者の行動を捉えます。
• このアプローチは、交通流解析とシミュレーションの改善のために、より包括的な運転行動表現を提供します。