inTformer: A Time-Embedded Attention-Based Transformer for Crash Likelihood Prediction at Intersections Using Connected Vehicle Data

要約

リアルタイムの衝突可能性予測モデルは、プロアクティブな交通安全管理システムの重要なコンポーネントです。
長年にわたり、交通安全を強化するために、数多くの研究が衝突可能性予測モデルの構築を試みてきましたが、その対象は主に高速道路でした。
既存の研究の大部分では、研究者は主に深層学習ベースのフレームワークを使用して衝突の可能性を特定してきました。
最近、Transformer は、基本的に注意ベースのメカニズムを通じて動作する潜在的なディープ ニューラル ネットワークとして浮上しました。
Transformer には、LSTM、CNN などの既存の深層学習モデルに比べて機能上の利点がいくつかあります。まず、Transformer はデータ シーケンス内の長期依存関係を容易に処理できます。
次に、Transformer はトレーニング中にデータ シーケンス内のすべての要素を並行して処理できます。
最後に、Transformer には勾配消失の問題がありません。
Transformer の計り知れない可能性を認識し、この論文では、リアルタイムで交差点衝突の可能性を効果的に予測できる、時間埋め込み型注意ベースの Transformer モデルである inTersection-Transformer (inTformer) を提案します。
提案されたモデルは、Signal Analytics Platform から抽出されたコネクテッド ビークル データを使用して評価されました。
交差点における複雑な交通操作メカニズムを認識し、この研究では、交差点領域を 2 つの異なるゾーン (交差点内ゾーンと進入ゾーン) に分割することにより、ゾーン固有のモデルを開発しました。
「交差点内」ゾーンと「接近」ゾーンにおける最良の情報モデルは、それぞれ 73% と 70% の感度を達成しました。
ゾーンレベルのモデルは、交差点での衝突可能性予測に関する以前の研究や、同じコネクテッド車両データセットでトレーニングされたいくつかの確立された深層学習モデルとも比較されました。

要約(オリジナル)

The real-time crash likelihood prediction model is an essential component of the proactive traffic safety management system. Over the years, numerous studies have attempted to construct a crash likelihood prediction model in order to enhance traffic safety, but mostly on freeways. In the majority of the existing studies, researchers have primarily employed a deep learning-based framework to identify crash potential. Lately, Transformer has emerged as a potential deep neural network that fundamentally operates through attention-based mechanisms. Transformer has several functional benefits over extant deep learning models such as LSTM, CNN, etc. Firstly, Transformer can readily handle long-term dependencies in a data sequence. Secondly, Transformers can parallelly process all elements in a data sequence during training. Finally, a Transformer does not have the vanishing gradient issue. Realizing the immense possibility of Transformers, this paper proposes inTersection-Transformer (inTformer), a time-embedded attention-based Transformer model that can effectively predict intersection crash likelihood in real-time. The proposed model was evaluated using connected vehicle data extracted from Signal Analytics Platform. Acknowledging the complex traffic operation mechanism at intersection, this study developed zone-specific models by dividing the intersection region into two distinct zones: within-intersection and approach zone. The best inTformer models in ‘within-intersection,’ and ‘approach’ zone achieved a sensitivity of 73%, and 70%, respectively. The zone-level models were also compared to earlier studies on crash likelihood prediction at intersections and with several established deep learning models trained on the same connected vehicle dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google