論文の概要: Modeling Electric Vehicle Car-Following Behavior: Classical vs Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2510.24085v1
• Date: Tue, 28 Oct 2025 05:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.799866
• Title: Modeling Electric Vehicle Car-Following Behavior: Classical vs Machine Learning Approach
• Title（参考訳）: 電気自動車の追従行動のモデル化:古典的対機械学習アプローチ
• Authors: Md. Shihab Uddin, Md Nazmus Shakib, Rahul Bhadani,
• Abstract要約: 本研究では,EV車追従行動の古典的モデルと機械学習モデルを比較した。 我々は、予測と実データの間のRMSEを最小化することにより、古典的モデルパラメータを校正した。 ランダムフォレストモデルは、スペーシング、スピード、ギャップタイプを入力として加速度を予測する。
• 参考スコア（独自算出の注目度）: 0.49115431920688835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adoption of electric vehicles (EVs) necessitates an understanding of their driving behavior to enhance traffic safety and develop smart driving systems. This study compares classical and machine learning models for EV car following behavior. Classical models include the Intelligent Driver Model (IDM), Optimum Velocity Model (OVM), Optimal Velocity Relative Velocity (OVRV), and a simplified CACC model, while the machine learning approach employs a Random Forest Regressor. Using a real world dataset of an EV following an internal combustion engine (ICE) vehicle under varied driving conditions, we calibrated classical model parameters by minimizing the RMSE between predictions and real data. The Random Forest model predicts acceleration using spacing, speed, and gap type as inputs. Results demonstrate the Random Forest's superior accuracy, achieving RMSEs of 0.0046 (medium gap), 0.0016 (long gap), and 0.0025 (extra long gap). Among physics based models, CACC performed best, with an RMSE of 2.67 for long gaps. These findings highlight the machine learning model's performance across all scenarios. Such models are valuable for simulating EV behavior and analyzing mixed autonomy traffic dynamics in EV integrated environments.
• Abstract（参考訳）: 電気自動車(EV)の普及は、交通の安全性を高め、スマートな運転システムを開発するために、運転行動の理解を必要とする。 本研究では,EV車追従行動の古典的モデルと機械学習モデルを比較した。 古典的なモデルには、インテリジェントドライバモデル(IDM)、最適速度モデル(OVM)、最適速度相対速度(OVRV)、単純化されたCACCモデルがある。 内燃機関(ICE)車両に追従するEVの実世界データセットを用いて,予測と実データ間のRMSEを最小化することにより,従来のモデルパラメータを校正した。 ランダムフォレストモデルは、スペーシング、スピード、ギャップタイプを入力として加速度を予測する。 その結果、ランダムフォレストの精度が向上し、RMSEは0.0046(medium gap)、0.0016(long gap)、0.0025(extra long gap)となった。 物理学に基づくモデルの中で、CACCは2.67のRMSEを長間隔で使用し、最高の性能を発揮した。 これらの結果は、すべてのシナリオにわたる機械学習モデルのパフォーマンスを強調している。 このようなモデルは、EVの挙動をシミュレートし、EV統合環境での混合自律性トラフィックダイナミクスの分析に有用である。

関連論文リスト

• Calibration and Evaluation of Car-Following Models for Autonomous Shuttles Using a Novel Multi-Criteria Framework [4.8342038441006805]
  自動運転シャトル専用車追尾モデルの開発は、その交通影響を理解する上で極めて重要である。 より高度な機械学習技術はまだAS軌道に適用されていない。 自動車追従モデルの性能を体系的に評価し比較するための統一的なフレームワークがない。
  論文  参考訳（メタデータ） (2026-02-12T03:19:44Z)
• A phase-aware AI car-following model for electric vehicles with adaptive cruise control: Development and validation using real-world data [7.228308959516853]
  内燃機関(ICE)車両と電気自動車(EV)は、異なる車両の動力学を示す。 既存の顕微鏡モデルでは、ICE車両の駆動挙動を効果的に捉えている。 本研究は、EVに特化したフェーズアウェアAI(PAAI)カーフォローモデルを開発し、検証する。
  論文  参考訳（メタデータ） (2025-09-30T22:27:03Z)
• Explore the Use of Time Series Foundation Model for Car-Following Behavior Analysis [0.0]
  自動車追従行動のモデル化は、交通シミュレーション、運転パターンの分析、複雑な交通の流れの理解に不可欠である。 機械学習とディープラーニングは複雑なパターンをキャプチャするが、大きなラベル付きデータセットが必要である。 ファンデーションモデルは、膨大な多様な時系列データセットに基づいて事前訓練された、より効率的な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-01-13T03:13:32Z)
• Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
  本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。 本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-08T14:57:59Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
  物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。 2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。 その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
  論文  参考訳（メタデータ） (2020-12-24T18:04:08Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)

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。