Efficacy of Early and Late Spatio-Temporal Fusion in LSTM Models for Vehicle Trajectory Prediction
Notice bibliographique
Résumé
Vehicle trajectory prediction is crucial for optimizing transportation systems, reducing traffic congestion, minimizing travel time, and enhancing overall safety. Accurately forecasting trajectories in complex traffic remains challenging due to both temporal vehicle dynamics and spatial interactions among neighboring vehicles. In this paper, we present a head-to-head comparison of two long short-term memory (LSTM) architectures that fuse spatio-temporal data at different stages: an early-fusion model that aggregates neighbor features at every time step, and a late-fusion model that encodes target and neighbor sequences separately and merges them only at the final prediction layer. A vanilla LSTM baseline that uses only the target vehicle's own history (no neighbor information) is also included to isolate the fusion benefit. All models are trained and evaluated on the NGSIM US-101 highway dataset using mean squared error (MSE), and mean absolute error (MAE) metrics. The results show that both fusion strategies yield modest error reductions compared to the baseline (vanilla LSTM MSE <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\boldsymbol{=} \mathbf{1. 6 5} \boldsymbol{\rightarrow}$</tex> early-fusion MSE <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\boldsymbol{=} \mathbf{0. 9 8 7 4}$</tex>, late-fusion MSE <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$=0.9910$</tex>), with only a slight advantage for early fusion. We provide qualitative analyses of lane-change versus lane-keep scenarios, discuss the limitations of our one-step prediction and simple neighbor pooling, and outline directions for future work, including attention mechanisms and graph-based models. The data and implementation are available at https://github.com/sukhjitsehra/FVTP.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».