A Personalized Deep Learning Approach for Trajectory Prediction of Connected Vehicles
Notice bibliographique
Résumé
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.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».