Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles

要約

複雑な交通環境における車両の挙動予測は、高度道路交通システム（ITS）において極めて重要である。この技術は、ロジスティクスや交通システムにおいて蔓延している運用上の困難を緩和する上で重要な役割を果たしているが、車両の軌道を正確に予測することは依然として大きな課題となっている。これに対処するため、本研究では、時空間注意に基づく目標車両軌道予測手法（STATVTPred）を導入する。この手法は、全地球測位システム(GPS)のローカライゼーション技術を統合し、ターゲットの動きを追跡し、包括的な時空間軌跡データを用いて車両の将来の経路を動的に予測する。車両の軌跡を有向グラフ上にマッピングし、その後、空間属性をグラフアテンションネットワーク(GATs)を介して抽出する。シーケンスから時間的特徴を得るためにTransformer技術を採用する。本研究では、提案するSTATVTPred手法をT-Driveと成都のタクシー軌跡データセットで検証する。実験結果は、STATVTPredが北京と成都のデータセットにおいて、それぞれTransformerモデルよりも6.38%と10.55%高い平均一致率(AMR)を達成していることを示している。LSTMエンコーダーデコーダーモデルと比較すると、STATVTPredは同じデータセットでAMRを37.45%と36.06%向上させた。これにより、STATVTPredが物流・輸送シナリオにおけるターゲットの軌道予測を扱う新しいアプローチとして確立され、予測精度が向上することが期待される。

要約(オリジナル)

Forecasting vehicle behavior within complex traffic environments is pivotal within Intelligent Transportation Systems (ITS). Though this technology plays a significant role in alleviating the prevalent operational difficulties in logistics and transportation systems, the precise prediction of vehicle trajectories still poses a substantial challenge. To address this, our study introduces the Spatio Temporal Attention-based methodology for Target Vehicle Trajectory Prediction (STATVTPred). This approach integrates Global Positioning System(GPS) localization technology to track target movement and dynamically predict the vehicle’s future path using comprehensive spatio-temporal trajectory data. We map the vehicle trajectory onto a directed graph, after which spatial attributes are extracted via a Graph Attention Networks(GATs). The Transformer technology is employed to yield temporal features from the sequence. These elements are then amalgamated with local road network structure maps to filter and deliver a smooth trajectory sequence, resulting in precise vehicle trajectory prediction.This study validates our proposed STATVTPred method on T-Drive and Chengdu taxi-trajectory datasets. The experimental results demonstrate that STATVTPred achieves 6.38% and 10.55% higher Average Match Rate (AMR) than the Transformer model on the Beijing and Chengdu datasets, respectively. Compared to the LSTM Encoder-Decoder model, STATVTPred boosts AMR by 37.45% and 36.06% on the same datasets. This is expected to establish STATVTPred as a new approach for handling trajectory prediction of targets in logistics and transportation scenarios, thereby enhancing prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL