[论文解读] From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction

Rulla Al-Haideri, Bilal Farooq|arXiv (Cornell University)|Mar 1, 2026

Autonomous Vehicle Technology and Safety被引用 0

一句话总结

该论文将空间GEV离散选择模型（SCL、GSCL、SCNL、GSCNL）与ResLogit混合模型及MNL基线在3x3网格上预测行人下一步移动，使用nuScenes与Argoverse 2数据；ResLogit提供显著更好的拟合和更一致的局部误差。

ABSTRACT

High frequency pedestrian motion forecasting when interacting with autonomous vehicles (AVs) can be enhanced through the use of behavioural frameworks, such as discrete choice models, that can explicitly account for correlation among similar movement alternatives. We formulate the pedestrian next step choice as a spatial discrete choice defined by a grid of speed adjustment and heading change. Using naturalistic pedestrian-AV encounters from nuScenes and Argoverse 2 (1 sec decision interval), we estimate a multinomial logit baseline and four spatial generalized extreme value (GEV) specifications (SCL, GSCL, SCNL, and GSCNL). We then compare them to a residual neural network logit (ResLogit) model that learns cross alternative effects while retaining an interpretable linear utility component. Across the evaluated data, spatial GEV structures yield only marginal improvements over multinomial logit, whereas ResLogit achieves a substantially better fit and produces behaviourally coherent errors concentrated among neighbouring grid cells. The results suggest that in dense, high frequency spatial choice sets, learning based residual corrections can capture proximity induced correlation more effectively than analyst specified GEV nesting structures, while maintaining interpretability.

研究动机与目标

• 将行人下一步决策建模为对密集移动网格上的空间离散选择，以捕捉近邻相关性。
• 评估经典的空间GEV嵌套结构是否在高频率、密集行动空间中提升预测能力。
• 评估学习型ResLogit方法是否能更好地捕捉跨选择项的效应，同时保持可解释的效用骨架。
• 通过提出模型的替代模式与弹性系数对行为进行解释。

提出的方法

• 将行人下一步移动表述为在3x3速度调整与朝向变化网格上的空间离散选择。
• 在nuScenes与Argoverse 2 的1秒间隔自然行人–AV数据上，估计一个多项式逻辑回归基线与四个空间GEV规格（SCL、GSCL、SCNL、GSCNL）。
• 引入ResLogit——一个学习跨替代效应但保留线性效用成分的残差神经网络逻辑回归，并与GEV模型和MNL进行比较。
• 从移动与交互变量定义系统效用V_it，并应用残差层获得经过修正的效用U_t及其概率决策。
• 对SCL、GSCL、SCNL、GSCNL给出精确的数学公式，以建模嵌套相关结构和数据驱动的分配模式。

实验结果

研究问题

• RQ1 空间GEV模型在密集、高频行人移动网格中是否相对于MNL提供有意义的改进？
• RQ2 在保持可解释性的同时，学习型ResLogit模型是否比分析者定义的空间嵌套结构更有效地捕捉近邻相关性？
• RQ3 在不同模型设定下，替代模式和误差在相邻网格单元之间如何集中？

主要发现

• 空间GEV模型在密集、高频移动网格中对多项式逻辑回归的改进很有限。
• ResLogit实现了显著更好的拟合，并产生集中在相邻网格单元之间的行为一致性误差。
• 学习型残差修正比预定义的嵌套结构更有效地捕捉近邻相关性，同时保持可解释的线性效用成分。
• 在所评估的数据中，ResLogit在局部错配上表现出局部一致性，错误集中在邻近的替代项而非远离且不相似的项。
• 该框架通过提供校准的概率与可解释的离散移动选项权衡，支持基于假设的AV规划。