論文の概要: When Context Is Not Enough: Modeling Unexplained Variability in Car-Following Behavior

• arxiv url: http://arxiv.org/abs/2507.07012v1
• Date: Wed, 09 Jul 2025 16:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.67976
• Title: When Context Is Not Enough: Modeling Unexplained Variability in Car-Following Behavior
• Title（参考訳）: コンテキストが十分でない場合:自動車追従行動における説明できない変数のモデル化
• Authors: Chengyuan Zhang, Zhengbing He, Cathy Wu, Lijun Sun,
• Abstract要約: 従来の決定論的モデルは、人間の運転における変動性と予測不可能性を完全に捉えるのに失敗することが多い。 本研究では、文脈依存の力学だけでなく、コンテキストが説明できること以外の残差も捉えることができる解釈可能なモデリングフレームワークを提案する。 解釈可能性と精度の統合により、このフレームワークはトラフィック分析と安全クリティカルなアプリケーションのための有望なツールとなる。
• 参考スコア（独自算出の注目度）: 22.102157707436884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling car-following behavior is fundamental to microscopic traffic simulation, yet traditional deterministic models often fail to capture the full extent of variability and unpredictability in human driving. While many modern approaches incorporate context-aware inputs (e.g., spacing, speed, relative speed), they frequently overlook structured stochasticity that arises from latent driver intentions, perception errors, and memory effects -- factors that are not directly observable from context alone. To fill the gap, this study introduces an interpretable stochastic modeling framework that captures not only context-dependent dynamics but also residual variability beyond what context can explain. Leveraging deep neural networks integrated with nonstationary Gaussian processes (GPs), our model employs a scenario-adaptive Gibbs kernel to learn dynamic temporal correlations in acceleration decisions, where the strength and duration of correlations between acceleration decisions evolve with the driving context. This formulation enables a principled, data-driven quantification of uncertainty in acceleration, speed, and spacing, grounded in both observable context and latent behavioral variability. Comprehensive experiments on the naturalistic vehicle trajectory dataset collected from the German highway, i.e., the HighD dataset, demonstrate that the proposed stochastic simulation method within this framework surpasses conventional methods in both predictive performance and interpretable uncertainty quantification. The integration of interpretability and accuracy makes this framework a promising tool for traffic analysis and safety-critical applications.
• Abstract（参考訳）: 自動車追従挙動のモデル化は、微視的交通シミュレーションの基本であるが、従来の決定論的モデルは、人間の運転における変動性と予測不可能性を完全に捉えることに失敗することが多い。 現代の多くのアプローチでは、コンテキスト対応の入力(例えば、間隔、速度、相対速度)が組み込まれているが、遅延ドライバーの意図、知覚エラー、メモリ効果から生じる構造化された確率性を見落としていることが多い。 このギャップを埋めるために、コンテキスト依存の力学だけでなく、コンテキストが説明できる以上の残差を捉える、解釈可能な確率的モデリングフレームワークを導入する。 我々のモデルは、非定常ガウス過程(GP)と統合されたディープニューラルネットワークを活用し、アクセラレーション決定における動的時間相関を学習するためにシナリオ適応ギブスカーネルを用いており、アクセラレーション決定間の相関の強さと持続時間は、駆動コンテキストとともに進化する。 この定式化は、観測可能な状況と潜時的な行動変数の両方において、加速度、速度、間隔の不確かさの原則的、データ駆動の定量化を可能にする。 ドイツの高速道路から収集された自然主義車両軌道データセット、すなわちHighDデータセットに関する総合的な実験により、この枠組みにおける提案手法は予測性能と解釈可能な不確実性定量化の両方において従来の手法を超越していることが示された。 解釈可能性と精度の統合により、このフレームワークはトラフィック分析と安全クリティカルなアプリケーションのための有望なツールとなる。

関連論文リスト

• Markov Regime-Switching Intelligent Driver Model for Interpretable Car-Following Behavior [19.229274803939983]
  我々は、運転動作を異なるIDMパラメータセットで制御できるレギュラースイッチングフレームワークを導入する。 IDM力学を用いたファクショナル隠れマルコフモデルを用いてフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2025-06-17T17:55:42Z)
• A Driving Regime-Embedded Deep Learning Framework for Modeling Intra-Driver Heterogeneity in Multi-Scale Car-Following Dynamics [5.579243411257874]
  本稿では、離散駆動方式を車体運動予測に組み込む新しいデータ駆動型自動車追従フレームワークを提案する。 提案したハイブリッドディープラーニングアーキテクチャは、離散運転系統分類のためのGated Recurrent Unitsと、連続的キネマティック予測のためのLong Short-Term Memory Networkを組み合わせたものである。 このフレームワークはアクセラレーションの予測誤差を著しく減らし(最大MSE改善は58.47%に達した)、速度と距離を計測し、重要な交通現象を再現する。
  論文  参考訳（メタデータ） (2025-06-06T09:19:33Z)
• FollowGen: A Scaled Noise Conditional Diffusion Model for Car-Following Trajectory Prediction [9.2729178775419]
  本研究では,自動車追従軌道予測のためのスケールドノイズ条件拡散モデルを提案する。 車両間の詳細な相互作用と自動車追従ダイナミクスを生成フレームワークに統合し、予測された軌跡の精度と妥当性を向上させる。 種々の実世界の運転シナリオに関する実験結果は,提案手法の最先端性能と堅牢性を示すものである。
  論文  参考訳（メタデータ） (2024-11-23T23:13:45Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Towards Generalizable and Interpretable Motion Prediction: A Deep Variational Bayes Approach [54.429396802848224]
  本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。 このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。 動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
  論文  参考訳（メタデータ） (2024-03-10T04:16:04Z)
• Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling [12.338614299403305]
  軌道生成と軌道予測は自動運転における重要な課題である。 深層学習に基づく手法は、様々な交通シナリオを学習する上で、これらの2つのタスクに大きな可能性を示してきた。 しかし、生成/予測された軌道が物理的に現実的であることを保証するためには、これらの手法が依然として難しい問題である。
  論文  参考訳（メタデータ） (2023-09-17T16:06:38Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Benchmark for Models Predicting Human Behavior in Gap Acceptance Scenarios [4.801975818473341]
  我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。 次に、このフレームワークを最先端の予測モデルに適用する。
  論文  参考訳（メタデータ） (2022-11-10T09:59:38Z)

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。