[論文レビュー] Platoon trajectories generation: A unidirectional interconnected LSTM-based car following model

Yangxin Lin, Ping Wang+4 more|arXiv (Cornell University)|Oct 25, 2019

Traffic control and management参考文献 26被引用数 6

ひとこと要約

本稿では、時間的および空間的誤差伝播を是正することで、列車走行の軌道生成精度を向上させる、一方向に接続されたLSTMに基づく車両列車モデルを提案する。スケジュールドサンプリングと独創的な列車に適したアーキテクチャを統合することで、従来のLSTMアプローチと比較して誤差を約40％削減し、交通の揺らぎを再現する際のマイクロシミュレーションの忠実度を顕著に向上させる。

ABSTRACT

Car following models have been widely applied and made remarkable achievements in traffic engineering. However, the traffic micro-simulation accuracy of car following models in a platoon level, especially during traffic oscillations, still needs to be enhanced. Rather than using traditional individual car following models, we proposed a new trajectory generation approach to generate platoon level trajectories given the first leading vehicle's trajectory. In this paper, we discussed the temporal and spatial error propagation issue for the traditional approach by a car following block diagram representation. Based on the analysis, we pointed out that error comes from the training method and the model structure. In order to fix that, we adopt two improvements on the basis of the traditional LSTM based car following model. We utilized a scheduled sampling technique during the training process to solve the error propagation in the temporal dimension. Furthermore, we developed a unidirectional interconnected LSTM model structure to extract trajectories features from the perspective of the platoon. As indicated by the systematic empirical experiments, the proposed novel structure could efficiently reduce the temporal and spatial error propagation. Compared with the traditional LSTM based car following model, the proposed model has almost 40% less error. The findings will benefit the design and analysis of micro-simulation for platoon level car following models.

研究の動機と目的

• 列車レベルの交通マイクロシミュレーションにおいて、従来の車両追従モデルが抱える時間的および空間的誤差伝播という恒久的問題に対処すること。
• 特に交通の揺らぎ条件下において、車両列車の軌道生成精度を向上させること。
• 個々の車両を独立してモデル化するのではなく、集団的な列車ダイナミクスを捉える深層学習アーキテクチャを開発すること。
• LSTMに基づく車両追従モデルの訓練手順およびモデル構造を変更することで、誤差伝播を低減すること。

提案手法

• 時間的次元における誤差蓄積を軽減するため、訓練中にスケジュールドサンプリング手法を採用した。
• 前方から後方へと列車全体の車両間の依存関係をモデル化する、一方向に接続されたLSTMアーキテクチャを設計した。
• リーダー車両の軌道が与えられたもとで、追従車両の軌道を予測するように、エンドツーエンドでモデルを訓練した。
• 入力としてリーダー車両の軌道、出力として全追従車両の軌道を有する、シーケンス・ツー・シーケンス学習タスクとしてモデルを定式化した。
• 列車全体にわたる隠れ状態の単方向伝播を許容することで、空間的および時間的特徴学習を統合した。
• 誤差伝播メカニズムの分析と診断のために、車両追従システムのブロック図表現を用いた。

実験結果

リサーチクエスチョン

• RQ1 従来のLSTMに基づく車両追従モデルでは、列車運行中に誤差が時間的および空間的にどのように伝播するか？
• RQ2 スケジュールドサンプリングは、逐次的軌道予測における誤差蓄積をどの程度軽減できるか？
• RQ3 一方向に接続されたLSTM構造は、標準的な再帰的アーキテクチャと比較して、列車レベルのダイナミクスをよりよく捉えられるか？
• RQ4 本稿で提案するモデルは、交通の揺らぎをシミュレートする際、従来のLSTMに基づく車両追従モデルと比較して、どの程度高い精度を示すか？

主な発見

• 提案モデルは、ベースラインのLSTMに基づく車両追従モデルと比較して、軌道予測誤差を約40％削減した。
• スケジュールドサンプリングは、シーケンス生成中の時間的次元における誤差伝播を効果的に軽減した。
• 一方向に接続されたLSTM構造は、列車全体を一つの対象としてモデル化することで、車両間の依存関係をより正確に捉えた。
• 実験的結果から、交通の揺らぎシナリオにおいて、空間的および時間的精度の両面で顕著な向上が確認された。
• 特に高密度および不安定な交通状況下において、本モデルは標準LSTMモデルを上回る、現実的な列車行動のシミュレーション性能を示した。