Enhancing vehicle lane change prediction via transfer learning infused with social interaction dynamics
Notice bibliographique
Résumé
Advances in Cellular Vehicle-to-Everything (C-V2X) and Fifth Generation (5G) technologies have enabled the Internet of Vehicles (IoV), facilitating seamless information sharing for autonomous driving. However, accurate lane change prediction (LCP) remains a significant challenge due to the complexity of vehicle motion and interactions. Deep learning models are increasingly used to capture these intricate spatial and temporal dependencies. This paper proposes a novel LCP approach that incorporates social interaction (SI) in congested traffic conditions. By leveraging transfer learning techniques, our model demonstrates adaptability across diverse datasets, specifically the NGSIM (Next Generation Simulation) and HighD (Highway Drone) datasets, collected from highways in the United States and Germany, respectively. Experiments reveal that the model, initially trained using a unique Hierarchical Spatial-Temporal Dynamic Attention Network on the HighD dataset, achieved a test accuracy of 88.51%, with a precision of 97.27% and a recall of 79.15%. After applying transfer learning with the NGSIM dataset, the model’s performance significantly improved, achieving a test accuracy of 95.02%, a precision of 96.82%, and a recall of 93.13%. Additionally, the experiments highlight the critical role of the SI module in our model’s performance. Without incorporating the SI module, the transfer learning model’s accuracy dropped by 44%, underscoring its importance. However, when the model was fine-tuned using only the SI module, the accuracy decreased by just 26%–28%. These results emphasize that while the SI module is integral to maintaining predictive accuracy, even isolated fine-tuning with this module yields relatively strong performance, highlighting its significant contribution to the overall model’s effectiveness.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».