論文の概要: Data is All You Need: Markov Chain Car-Following (MC-CF) Model

• arxiv url: http://arxiv.org/abs/2603.27909v1
• Date: Sun, 29 Mar 2026 23:33:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.170725
• Title: Data is All You Need: Markov Chain Car-Following (MC-CF) Model
• Title（参考訳）: Markov Chain Car-Following (MC-CF) Model
• Authors: Sungyong Chung, Yanlin Zhang, Nachuan Li, Dana Monzer, Alireza Talebpour,
• Abstract要約: 本稿では,実証確率的パラダイムと呼ばれる新しい自動車追従モデルカテゴリーを提案する。 本稿では,マルコフ過程として状態遷移を表すMC-CFモデルを提案する。 オープンモーションデータセット(WOMD)でトレーニングされたMC-CFモデルの評価は、その変種が物理学に基づくモデルよりも著しく優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.1154297715556964
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Car-following behavior is fundamental to traffic flow theory, yet traditional models often fail to capture the stochasticity of naturalistic driving. This paper introduces a new car-following modeling category called the empirical probabilistic paradigm, which bypasses conventional parametric assumptions. Within this paradigm, we propose the Markov Chain Car-Following (MC-CF) model, which represents state transitions as a Markov process and predicts behavior by randomly sampling accelerations from empirical distributions within discretized state bins. Evaluation of the MC-CF model trained on the Waymo Open Motion Dataset (WOMD) demonstrates that its variants significantly outperform physics-based models including IDM, Gipps, FVDM, and SIDM in both one-step and open-loop trajectory prediction accuracy. Statistical analysis of transition probabilities confirms that the model-generated trajectories are indistinguishable from real-world behavior, successfully reproducing the probabilistic structure of naturalistic driving across all interaction types. Zero-shot generalization on the Naturalistic Phoenix (PHX) dataset further confirms the model's robustness. Finally, microscopic ring road simulations validate the framework's scalability. By incrementally integrating unconstrained free-flow trajectories and high-speed freeway data (TGSIM) alongside a conservative inference strategy, the model drastically reduces collisions, achieving zero crashes in multiple equilibrium and shockwave scenarios, while successfully reproducing naturalistic and stochastic shockwave propagation. Overall, the proposed MC-CF model provides a robust, scalable, and calibration-free foundation for high-fidelity stochastic traffic modeling, uniquely suited for the data-rich future of intelligent transportation.
• Abstract（参考訳）: 自動車の追従挙動は交通流理論の基本であるが、伝統的なモデルは自然主義運転の確率性を捉えることに失敗することが多い。 本稿では,従来のパラメトリック仮定をバイパスする経験的確率的パラダイムという,自動車追従型モデリングの新たなカテゴリを提案する。 本稿では,マルコフ過程として状態遷移を表すMC-CFモデルを提案する。 Waymo Open Motion Dataset (WOMD) でトレーニングされたMC-CFモデルの評価は、その変種が、一段階および開ループ軌道予測の精度において、IMM、Gipps、FVDM、SIDMを含む物理モデルよりも著しく優れていることを示した。 遷移確率の統計的解析により、モデル生成軌道は実世界の行動と区別できないことが確認され、すべての相互作用タイプにわたって自然主義運転の確率的構造を再現することに成功した。 Naturalistic Phoenix(PHX)データセット上のゼロショットの一般化は、モデルの堅牢性をさらに確認する。 最後に、顕微鏡リングロードシミュレーションはフレームワークのスケーラビリティを検証する。 非拘束自由流路と高速高速道路データ(TGSIM)を保守的推論戦略とともに漸進的に統合することにより、モデルは衝突を劇的に減らし、多重平衡および衝撃波シナリオにおけるゼロクラッシュを達成し、自然的および確率的衝撃波伝搬を再現することに成功した。 提案したMC-CFモデルは,高忠実な確率的交通モデリングのための,堅牢でスケーラブルでキャリブレーションのない基盤を提供する。

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)
• EvoQRE: Modeling Bounded Rationality in Safety-Critical Traffic Simulation via Evolutionary Quantal Response Equilibrium [0.0]
  EvoQREは、安全クリティカルなトラフィックインタラクションをモデル化するための原則化されたフレームワークである。 事前学習された生成世界モデルとエントロピー規則化された複製子ダイナミクスを統合する。 最先端の現実主義、安全基準の改善、多様な安全クリティカルシナリオの制御可能な生成を実現している。
  論文  参考訳（メタデータ） (2026-01-09T09:21:36Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• STGDPM:Vessel Trajectory Prediction with Spatio-Temporal Graph Diffusion Probabilistic Model [0.0]
  船舶軌道予測は、海上交通の安全を確保し、衝突を避けるために重要な要素である。 船舶の挙動に固有の不確実性があるため、軌道予測システムは将来的な運動状態を正確にモデル化するためのマルチモーダルなアプローチを採用する必要がある。 本稿では, 容器の状態に依存する従来の集約型手法を置き換え, 動的グラフとしての相互作用のモデル化を提案する。
  論文  参考訳（メタデータ） (2025-03-11T05:50:27Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Autoregressive Dynamics Models for Offline Policy Evaluation and Optimization [60.73540999409032]
  表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。 また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:48:44Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)

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。