文献

J-GLOBAL ID：202202237230587446   整理番号：22A0960017

空間没入時間注意機構を持つLSTMを用いた車両軌道予測【JST・京大機械翻訳】

Vehicle Trajectory Prediction Using LSTMs With Spatial-Temporal Attention Mechanisms

著者 (4件)： Lin Lei (Goergen Institute for Data Science, University of Rochester Rochester, New York, USA) ,  Li Weizi (University of Memphis, Memphis, Tennessee, USA) ,  Bi Huikun (Institute of Computing Technology, Chinese Academy of Sciences Beijing, China) ,  Qin Lingqiao (University of Wisconsin-Madison, Madison, Wisconsin, USA)
資料名： IEEE Intelligent Transportation Systems Magazine  (IEEE Intelligent Transportation Systems Magazine)
巻： 14  号： 2  ページ： 197-208  発行年： 2022年 
JST資料番号： W2271A  ISSN： 1939-1390  CODEN： IITSBO  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 正確な車両軌道予測は,交通シミュレーションから運転者支援までの様々なインテリジェント輸送システム応用に役立つ。この能力の必要性は,安全かつ効率的にナビゲートする近くの車両軌道の予測を必要とするので,自律車両の出現で顕著である。深層学習に基づく最近の研究は予測精度を大きく改善した。しかし,これらのモデルの1つの顕著な問題は,モデル説明可能性の欠如である。車両軌道予測における説明可能性のための空間時間注意機構を有するLSTMモデルである,時空間注意長短期メモリ(STA-LSTM)を提案することによって,この問題を軽減する。STA-LSTMは,他の最先端のモデルに対して同等の予測性能を達成するだけでなく,より重要なことに,目標車両に対する歴史的軌道と隣接車両の影響を説明する。著者らは,目標車両クラス,目標車両位置,および交通密度を含む,種々の車両と環境因子に基づく様々な高速道路シナリオにおける学習された空間経済時間注意重みの徹底的な分析を提供する。STA-LSTMが微細粒車線変化挙動の捕捉と説明が可能なことを実証した。STA-LSTMのデータと実装は,https://github.com/leilin-research/VTPで見つけることができる。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  高速道路 ,  交通密度 ,  変化 ,  *軌道推定 ,  ITS【交通】
準シソーラス用語： 予測精度 ,  交通シミュレーション ,  環境因子 ,  運転者支援システム ,  深層学習 ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： 自動車事故,交通安全  (TB01050G)

タイトルに関連する用語 (3件)： 注意 ,  LSTM ,  軌道予測