Fugu-MT 論文翻訳(概要): MMCAformer: Macro-Micro Cross-Attention Transformer for Traffic Speed Prediction with Microscopic Connected Vehicle Driving Behavior

論文の概要: MMCAformer: Macro-Micro Cross-Attention Transformer for Traffic Speed Prediction with Microscopic Connected Vehicle Driving Behavior

arxiv url: http://arxiv.org/abs/2602.16730v1
Date: Tue, 17 Feb 2026 19:51:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:28.253011
Title: MMCAformer: Macro-Micro Cross-Attention Transformer for Traffic Speed Prediction with Microscopic Connected Vehicle Driving Behavior
Title（参考訳）: MMCAformer:マイクロコネクテッドカー運転行動を用いた交通速度予測のためのマクロマイクロクロスアテンショントランス
Authors: Lei Han, Mohamed Abdel-Aty, Younggun Kim, Yang-Jun Joo, Zubayer Islam,
Abstract要約: CVデータに基づく運転動作機能とマクロトラフィック機能を統合し,速度予測を行うためのマクロマイクロクロスアテンショントランス (MMCAformer) を提案する。 MMCAformerは、ポイントワイズ速度予測と推定不確実性を提供するために、学生t負の対数損失を最適化する。
参考スコア（独自算出の注目度）: 5.303674192292257
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate speed prediction is crucial for proactive traffic management to enhance traffic efficiency and safety. Existing studies have primarily relied on aggregated, macroscopic traffic flow data to predict future traffic trends, whereas road traffic dynamics are also influenced by individual, microscopic human driving behaviors. Recent Connected Vehicle (CV) data provide rich driving behavior features, offering new opportunities to incorporate these behavioral insights into speed prediction. To this end, we propose the Macro-Micro Cross-Attention Transformer (MMCAformer) to integrate CV data-based micro driving behavior features with macro traffic features for speed prediction. Specifically, MMCAformer employs self-attention to learn intrinsic dependencies in macro traffic flow and cross-attention to capture spatiotemporal interplays between macro traffic status and micro driving behavior. MMCAformer is optimized with a Student-t negative log-likelihood loss to provide point-wise speed prediction and estimate uncertainty. Experiments on four Florida freeways demonstrate the superior performance of the proposed MMCAformer compared to baselines. Compared with only using macro features, introducing micro driving behavior features not only enhances prediction accuracy (e.g., overall RMSE, MAE, and MAPE reduced by 9.0%, 6.9%, and 10.2%, respectively) but also shrinks model prediction uncertainty (e.g., mean predictive intervals decreased by 10.1-24.0% across the four freeways). Results reveal that hard braking and acceleration frequencies emerge as the most influential features. Such improvements are more pronounced under congested, low-speed traffic conditions.
Abstract（参考訳）: 交通効率と安全性を高めるために,プロアクティブな交通管理において正確な速度予測が不可欠である。既存の研究は主に、将来の交通トレンドを予測するために集約されたマクロな交通流データに依存しているが、道路交通力学は個人的、顕微鏡的な人間の運転行動にも影響されている。近年のコネクテッド・ビークル(CV)データは、リッチな運転行動機能を提供し、これらの行動洞察を速度予測に組み込む新たな機会を提供する。そこで本研究では,CVデータに基づくマイクロドライブ動作機能とマクロトラフィック機能を統合し,速度予測を行うためのマクロマイクロクロスアテンショントランス (MMCAformer) を提案する。具体的には、MMCAformerは、マクロトラフィックフローの固有の依存性を学習し、クロスアテンションを使用してマクロトラフィックステータスとマイクロドライブ動作の時空間的相互作用をキャプチャする。 MMCAformerは、ポイントワイズ速度予測と推定不確実性を提供するために、学生t負の対数損失を最適化する。 4つのフロリダ高速道路の実験は、ベースラインと比較して提案されたMMCAフォーマーの優れた性能を示している。マクロ機能のみを使用する場合と比較して、マイクロ運転行動機能の導入により予測精度が向上する(例えば、RMSE、MAE、MAPEはそれぞれ9.0%、6.9%、そして10.2%)だけでなく、モデル予測の不確実性(例えば、平均予測間隔が4つの高速道路で10.1～24.0%低下する)。その結果, ハードブレーキと加速度周波数が最も影響のある特徴であることが判明した。このような改善は、渋滞した低速の交通条件下でより顕著である。

関連論文リスト

Benchmarking Tesla's Traffic Light and Stop Sign Control: Field Dataset and Behavior Insights [13.941873438238673]
本稿では,TeslaのTraffic Light and Stop Sign Control (TLSSC) のフィールドデータセットと行動解析について述べる。我々は,TLSSC-TCD相互作用行動(停止,加速,追従)の分類を開発し,フル速度差モデル(FVDM)を校正する。その結果、停止行動は所望の速度偏差と相対速度の両方に対して強い応答性によって駆動されるが、加速行動はより保守的であることが明らかとなった。
論文参考訳（メタデータ） (2025-10-31T05:38:32Z)
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)
MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction [24.3907895281179]
本稿では,ポストクラッシュ交通予測のための新しい深層学習モデルを提案する。提案モデルでは, 仮説的衝突介入戦略の下での交通速度の理解と予測に特化して, 処理を意識したモデルを提案する。このモデルは、合成データと実世界のデータの両方を用いて検証され、MSCTがマルチステップ・アヘッド予測性能において最先端モデルより優れていることを示す。
論文参考訳（メタデータ） (2024-07-19T06:42:41Z)
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)
Enhancing Traffic Flow Prediction using Outlier-Weighted AutoEncoders: Handling Real-Time Changes [0.7614628596146602]
本稿では, Outlier Weighted Autoencoder Modeling (OWAM) フレームワークを紹介する。 OWAMは、自動エンコーダを用いて局所的な異常検出を行い、近隣の交通の影響を評価するために相関スコアを生成する。この情報は、トラヒックモデルの性能を高め、効果的なリアルタイム更新をサポートする。
論文参考訳（メタデータ） (2023-12-27T14:44:58Z)
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)
StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文参考訳（メタデータ） (2022-07-21T12:03:02Z)
METEOR: A Massive Dense & Heterogeneous Behavior Dataset for Autonomous Driving [42.69638782267657]
本稿では、インドにおける非構造化シナリオにおけるトラフィックパターンをキャプチャする、新しい複雑なトラフィックデータセットMETEORを提案する。 METEORは1000分以上のビデオクリップと、エゴ車軌道を持つ200万以上の注釈付きフレームと、周囲の車両や交通機関のための1300万以上のバウンディングボックスで構成されている。我々は,オブジェクト検出と行動予測アルゴリズムの性能を評価するために,新しいデータセットを用いた。
論文参考訳（メタデータ） (2021-09-16T01:01:55Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文参考訳（メタデータ） (2020-07-10T16:00:44Z)
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。