Memory, attention and prediction: a deep learning architecture for car-following

Memory, attention and prediction: a deep learning architecture for car-following

本篇文章于2019年发表在Transportmetrica B: Transport Dynamics

摘要

汽车跟随（CF）模型是一个有吸引力的研究领域，因为它们从根本上描述了车辆的纵向互动，并对理解交通流做出了巨大贡献。在这项研究中，通过结合众多深度神经网络结构来模仿真实驾驶员的记忆、注意力和预测（MAP）机制，建立了一个名为MAP的基于深度学习的汽车跟踪模型。拟议的MAP从真实世界的数据集中学习了CF行为。预测未来驾驶行为的实验表明，具有记忆、注意力和预测机制的MAP模型优于没有这些机制的模型。为了理解MAP模型，进行了一些分析，并对MAP如何实现CF行为进行了定量的解释。还提出了一个模拟，并进行了明确的分析。结果表明，所提出的方法可以产生与真实交通类似的时空图。分析还表明，监督学习模型产生的是最可能的，而不是最好的CF行为。

模型结构

1. 一个预测模型，它将加权参数作为输入，并生成用于预测领导者驾驶行为的特征。这个模型是通过使用领导者的驾驶参数（包括速度和移动距离）作为标签进行预训练的。预训练后，预测模型被插入到MAP架构中。