論文の概要: Towards Robust Car Following Dynamics Modeling via Blackbox Models:
Methodology, Analysis, and Recommendations
- arxiv url: http://arxiv.org/abs/2402.07139v1
- Date: Sun, 11 Feb 2024 09:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 17:18:35.499276
- Title: Towards Robust Car Following Dynamics Modeling via Blackbox Models:
Methodology, Analysis, and Recommendations
- Title（参考訳）: ブラックボックスモデルによるロバストカー追従ダイナミクスモデリングに向けて:方法論、分析、推奨
- Authors: Muhammad Bilal Shahid, Cody Fleming
- Abstract要約: 現在の作業では、GP、LSTM、カーネルリッジ回帰という3つのブラックボックスモデルに対して、加速、速度、進路などの異なるターゲット変数をテストする。
実験により,ブラックボックスモデルに対する最適目標変数レコメンデーションは,目的関数とベクトル空間に依存する古典的なモデルとは異なることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The selection of the target variable is important while learning parameters
of the classical car following models like GIPPS, IDM, etc. There is a vast
body of literature on which target variable is optimal for classical car
following models, but there is no study that empirically evaluates the
selection of optimal target variables for black-box models, such as LSTM, etc.
The black-box models, like LSTM and Gaussian Process (GP) are increasingly
being used to model car following behavior without wise selection of target
variables. The current work tests different target variables, like
acceleration, velocity, and headway, for three black-box models, i.e., GP,
LSTM, and Kernel Ridge Regression. These models have different objective
functions and work in different vector spaces, e.g., GP works in function
space, and LSTM works in parameter space. The experiments show that the optimal
target variable recommendations for black-box models differ from classical car
following models depending on the objective function and the vector space. It
is worth mentioning that models and datasets used during evaluation are diverse
in nature: the datasets contained both automated and human-driven vehicle
trajectories; the black-box models belong to both parametric and non-parametric
classes of models. This diversity is important during the analysis of variance,
wherein we try to find the interaction between datasets, models, and target
variables. It is shown that the models and target variables interact and
recommended target variables don't depend on the dataset under consideration.
- Abstract（参考訳）: GIPPS、IMMなどのモデルに従って古典車の学習パラメータを学習しながら、対象変数の選択が重要である。
目標変数が古典的なカー追従モデルに最適であるような膨大な文献が存在するが、lstmなどブラックボックスモデルの最適目標変数の選択を実証的に評価する研究はない。
LSTM や Gaussian Process (GP) のようなブラックボックスモデルは、目標変数を適切に選択することなく、車追従動作をモデル化するためにますます使われている。
現在の作業では、GP、LSTM、カーネルリッジ回帰という3つのブラックボックスモデルに対して、加速、速度、進路などの異なるターゲット変数をテストする。
これらのモデルは異なる目的関数を持ち、gp は関数空間で働き、lstm はパラメータ空間で作用するなど、異なるベクトル空間で作用する。
実験の結果,ブラックボックスモデルに対する最適目標変数レコメンデーションは,対象関数とベクトル空間に依存する古典的なモデルとは異なることがわかった。
評価に使用されるモデルとデータセットは本質的に多様であり、データセットには自動と人力の両方の車両軌道が含まれており、ブラックボックスモデルはパラメトリックと非パラメトリックの両方のモデルのクラスに属している。
この多様性は分散の分析において重要であり、データセット、モデル、ターゲット変数間の相互作用を見つけ出そうとする。
モデルとターゲット変数が相互作用し、推奨対象変数が検討中のデータセットに依存しないことが示されている。
関連論文リスト
- Data-Driven Approaches for Modelling Target Behaviour [1.5495593104596401]
追跡アルゴリズムの性能は、対象の力学に関する選択されたモデル仮定に依存する。
本稿では,物体の動きを記述するために機械学習を利用する3つの異なる手法の比較研究を行う。
論文 参考訳（メタデータ） (2024-10-14T14:18:27Z) - Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。
車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。
我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
論文 参考訳（メタデータ） (2023-12-07T18:53:27Z) - DREAM: Domain-free Reverse Engineering Attributes of Black-box Model [51.37041886352823]
ブラックボックス対象モデルの属性をドメインに依存しないリバースエンジニアリングの新しい問題を提案する。
対象のブラックボックスモデルの属性を未知のトレーニングデータで推測するために,ドメインに依存しないモデルを学ぶ。
論文 参考訳（メタデータ） (2023-07-20T16:25:58Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Deep Learning Models for Knowledge Tracing: Review and Empirical
Evaluation [2.423547527175807]
我々は,オープンで広く利用されているデータセットを用いた深層学習知識追跡(DLKT)モデルをレビューし,評価する。
評価されたDLKTモデルは、以前報告した結果の再現性と評価のために再実装されている。
論文 参考訳（メタデータ） (2021-12-30T14:19:27Z) - Learning Models as Functionals of Signed-Distance Fields for
Manipulation Planning [51.74463056899926]
本研究では,シーン内のオブジェクトを表す符号付き距離場の目的を学習する,最適化に基づく操作計画フレームワークを提案する。
オブジェクトを符号付き距離場として表現することは、ポイントクラウドや占有率の表現よりも高い精度で、様々なモデルの学習と表現を可能にする。
論文 参考訳（メタデータ） (2021-10-02T12:36:58Z) - Learning Dynamics Models for Model Predictive Agents [28.063080817465934]
モデルに基づく強化学習は、データからテクトダイナミックスモデルを学習し、そのモデルを使用して振る舞いを最適化する。
本稿では, 動的モデル学習における設計選択の役割を, 基礎構造モデルとの比較により明らかにすることを目的としている。
論文 参考訳（メタデータ） (2021-09-29T09:50:25Z) - Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。
勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。
これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
論文 参考訳（メタデータ） (2021-02-07T11:34:39Z) - A linearized framework and a new benchmark for model selection for
fine-tuning [112.20527122513668]
異なるドメインで事前訓練されたモデルの集合からの微調整は、低データ体制におけるテストの精度を向上させる技術として現れている。
モデル選択のための2つの新しいベースライン - Label-Gradient と Label-Feature correlation を導入する。
我々のベンチマークでは、微調整されたイメージネットモデルと比較して、モデル動物園での精度向上が強調されている。
論文 参考訳（メタデータ） (2021-01-29T21:57:15Z) - Stepwise Model Selection for Sequence Prediction via Deep Kernel
Learning [100.83444258562263]
本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。
結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。
我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
論文 参考訳（メタデータ） (2020-01-12T09:42:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。