Prediction of Car-Following Behavior of Autonomous Vehicle and Human-Driven Vehicle Based on Drivers’ Memory and Cooperation With Lead Vehicle
Notice bibliographique
Résumé
Autonomous vehicles (AVs) have moved from hype to reality as the penetration and acceptance rate continues to increase. As they are slowly integrated into traffic with human-driven vehicles (HDVs), it is necessary to predict the car-following behaviors of AVs and HDVs for better control of AV–HDV mixed traffic. This study extends a data-driven car-following model to incorporate drivers’ memory, and cooperation with the lead vehicle. The model predicts the following vehicle’s speed in AV–HDV mixed traffic. The effect of drivers’ cooperation on car-following behavior was modeled using prospect theory (PT), whereas the driver’s memory was incorporated using the memory cell of a long short-term memory (LSTM) neural network. This extended car-following model is called the “PT-LSTM model.” Real-world vehicle trajectories of HDVs and AVs in the Waymo AV Open Dataset were used to calibrate and validate the PT-LSTM model. The PT-LSTM model demonstrated higher accuracy compared with the LSTM model that did not consider drivers’ cooperation, the multiple layer perceptron model, Gipps’ model, and the intelligent driver model that incorporated PT. The importance of variables in different time steps in the PT-LSTM model was also evaluated using SHapley Additive exPlanations (SHAP). The SHAP results showed that AV followers were more likely to cooperate with the lead HDV, whereas HDV followers were more likely to cooperate with the lead AV than the lead HDV. Thus, this study underscores the importance of considering drivers’ memory and cooperation with the lead vehicle for the prediction of car-following behaviors in AV–HDV mixed traffic.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».