論文の概要: Modeling Chaotic Pedestrian Behavior Using Chaos Indicators and Supervised Learning
- arxiv url: http://arxiv.org/abs/2511.22887v1
- Date: Fri, 28 Nov 2025 05:27:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-01 19:47:55.774355
- Title: Modeling Chaotic Pedestrian Behavior Using Chaos Indicators and Supervised Learning
- Title（参考訳）: カオス指標と教師付き学習を用いたカオス歩行者行動のモデル化
- Authors: Md. Muhtashim Shahrier, Nazmul Haque, Md Asif Raihan, Md. Hadiuzzaman,
- Abstract要約: 本研究では,経験的に観察された軌跡データと教師あり学習を用いて,カオス的歩行者運動をモデル化するためのデータ駆動型フレームワークを提案する。
映像は昼間と夜間の両方で撮影され、周囲や交通状況の異なる歩行者動態を捉えた。
Approximate EntropyとLyapunov Exponentの4つのカオスメトリクスを使用して、行動カオスを定量化した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As cities around the world aim to improve walkability and safety, understanding the irregular and unpredictable nature of pedestrian behavior has become increasingly important. This study introduces a data-driven framework for modeling chaotic pedestrian movement using empirically observed trajectory data and supervised learning. Videos were recorded during both daytime and nighttime conditions to capture pedestrian dynamics under varying ambient and traffic contexts. Pedestrian trajectories were extracted through computer vision techniques, and behavioral chaos was quantified using four chaos metrics: Approximate Entropy and Lyapunov Exponent, each computed for both velocity and direction change. A Principal Component Analysis (PCA) was then applied to consolidate these indicators into a unified chaos score. A comprehensive set of individual, group-level, and contextual traffic features was engineered and used to train Random Forest and CatBoost regression models. CatBoost models consistently achieved superior performance. The best daytime PCA-based CatBoost model reached an R^2 of 0.8319, while the nighttime PCA-based CatBoost model attained an R^2 of 0.8574. SHAP analysis highlighted that features such as distance travel, movement duration, and speed variability were robust contributors to chaotic behavior. The proposed framework enables practitioners to quantify and anticipate behavioral instability in real-world settings. Planners and engineers can use chaos scores to identify high-risk pedestrian zones, apprise infrastructure improvements, and calibrate realistic microsimulation models. The approach also supports adaptive risk assessment in automated vehicle systems by capturing short-term motion unpredictability grounded in observable, interpretable features.
- Abstract（参考訳）: 世界中の都市は歩行性や安全性の向上を目指しており、歩行者行動の不規則で予測不可能な性質を理解することがますます重要になっている。
本研究では,経験的に観察された軌跡データと教師あり学習を用いて,カオス的歩行者運動をモデル化するためのデータ駆動型フレームワークを提案する。
映像は昼間と夜間の両方で撮影され、周囲や交通状況の異なる歩行者動態を捉えた。
歩行者の軌跡をコンピュータビジョン技術を用いて抽出し,4つのカオスメトリクスを用いて行動カオスを定量化した。
その後、主成分分析(PCA)が適用され、これらの指標を統一的なカオススコアに集約する。
個別、グループレベル、コンテキストトラフィックの包括的なセットが、ランダムフォレストとCatBoost回帰モデルをトレーニングするために設計され、使用された。
CatBoostモデルは一貫して優れたパフォーマンスを実現した。
最高の日中PCAベースのCatBoostモデルは0.8319R^2に達し、夜間PCAベースのCatBoostモデルは0.8574R^2に達した。
SHAP分析では, 距離移動, 移動時間, 速度変動などの特徴がカオス行動に強く寄与していることが強調された。
提案フレームワークは,実環境における行動不安定性の定量化と予測を可能にする。
プランナーやエンジニアはカオススコアを使用して、リスクの高い歩行者ゾーンを特定し、インフラの改善を承認し、現実的なマイクロシミュレーションモデルをキャリブレーションすることができる。
このアプローチはまた、観測可能で解釈可能な特徴に基づく短期的な動きの予測不可能をキャプチャすることで、自動車両システムにおける適応的リスクアセスメントもサポートする。
関連論文リスト
- Travel Time and Weather-Aware Traffic Forecasting in a Conformal Graph Neural Network Framework [0.30586855806896035]
交通流予測は渋滞の管理、安全性の向上、交通システムの最適化に不可欠である。
より良い予測には、複数の動的および複雑な相互依存因子に影響される交通変動を調節できるモデルが必要である。
本稿では,適応的隣接性を利用したグラフニューラルネットワーク(GNN)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-15T15:25:43Z) - Traffic-Aware Pedestrian Intention Prediction [2.5240171181791276]
本稿では,交通標識とその状態と歩行者の意図を予測する交通対応時空間グラフ畳み込みネットワーク(TA-STGCN)を提案する。
提案手法では,複雑な都市環境における空間的・時間的依存関係を抽出し,動的交通信号状態と境界ボックスサイズを重要な特徴とする手法を提案する。
論文 参考訳（メタデータ） (2025-07-16T17:20:36Z) - Vehicle Acceleration Prediction Considering Environmental Influence and Individual Driving Behavior [21.115172859571583]
車両の加速予測は、インテリジェントな運転制御とエネルギー効率管理に重要である。
本稿では,環境影響と個人運転行動を共同でモデル化する一般短期車両加速予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-05T12:43:15Z) - 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) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - 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) - Robustness Benchmark of Road User Trajectory Prediction Models for
Automated Driving [0.0]
車両内のモデル展開中に観測される機能不全をシミュレートする摂動に対して、機械学習モデルをベンチマークする。
同様の摂動を持つモデルのトレーニングは、パフォーマンスの劣化を効果的に低減し、エラーは+87.5%まで増加する。
効果的な緩和戦略であるにもかかわらず、トレーニング中の摂動によるデータ拡張は、予期せぬ摂動に対する堅牢性を保証するものではない、と我々は主張する。
論文 参考訳（メタデータ） (2023-04-04T15:47:42Z) - TrafficBots: Towards World Models for Autonomous Driving Simulation and
Motion Prediction [149.5716746789134]
我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。
動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。
オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
論文 参考訳（メタデータ） (2023-03-07T18:28:41Z) - Anticipatory Navigation in Crowds by Probabilistic Prediction of
Pedestrian Future Movements [33.37913533544612]
プロセス予測ナビゲーション(Process Precipatory Navigation, SPAN)は、非ホロノミックロボットが群衆のいる環境で移動できるようにするフレームワークである。
SPANは、歩行者の将来の動きをモデル化する継続的プロセスを予測する。
密集したシミュレーション環境でのSPANの能力を実世界の歩行者データセットで示す。
論文 参考訳（メタデータ） (2020-11-12T07:18:20Z)
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。