A Personalized Deep Learning Approach for Trajectory Prediction of Connected Vehicles
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Forecasting the motion of the leading vehicle is a critical task for connected autonomous vehicles as it provides an efficient way to model the leading-following vehicle behavior and analyze the interactions. In this study, a personalized time-series modeling approach for leading vehicle trajectory prediction considering different driving styles is proposed. The method enables a precise, personalized trajectory prediction for leading vehicles with limited inter-vehicle communication signals, such as vehicle speed, acceleration, space headway, and time headway of the front vehicles. Based on the learning nature of human beings that a human always tries to solve problems based on grouping and similar experience, three different driving styles are first recognized based on an unsupervised clustering with a Gaussian Mixture Model (GMM). The GMM generates a specific driving style for each vehicle based on the speed, acceleration, jerk, time, and space headway features of the leading vehicle. Then, a personalized joint time-series modeling (JTSM) method based on the Long Short-Term Memory (LSTM) Recurrent Neural Network model (RNN) is proposed to predict the trajectory of the front vehicle. The JTSM contains a joint LSTM layer and different fully-connected regression layers for different driving styles. The proposed method is tested with the Next Generation Simulation (NGSIM) data on US101, and I-80. The JTSM is tested for making predictions one second ahead. Results indicate that the proposed personalized JTSM approach shows a significant advantage over the other algorithms.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».