都市交差点シナリオにおける知能接続車両のためのリアルタイム軌道予測方法

知能接続車両（ICVs）は、交通システムの知能度を改善する上で重要な役割を果たしており、ICVsの軌道予測能力を向上させることは交通効率と安全性にとって有益です。本論文では、ICVsの軌道予測の精度を改善するために、車両対すべて（V2X）通信に基づくリアルタイム軌道予測方法を提案します。まず、本論文ではガウス混合確率仮説密度（GM-PHD）モデルを適用して、ICVsの状態の多次元データセットを構築します。次に、本論文ではGM-PHDによって出力された、より多次元の車両微視データをLSTMの入力として採用し、予測結果の一貫性を確保します。続いて、信号機要素とQ学習アルゴリズムを適用してLSTMモデルを改善し、LSTMで使用される時間的特徴を補完する空間次元の特徴を追加しました。従来のモデルと比較して、動的空間環境により多くの配慮がなされました。最後に、北京の石景山区の富士通りにある交差点がフィールドテストシナリオとして選ばれました。最終的な実験結果は、GM-PHDモデルが平均誤差0.1181mを達成し、LiDARベースのモデルと比較して44.05％の削減を示しました。一方、提案されたモデルの誤差は0.501mに達することができます。社会的LSTMモデルと比較した場合、平均移動誤差（ADE）指標で29.43％予測誤差が減少しました。提案された方法は、交通安全を改善するための決定システムにデータサポートと効果的な理論的根拠を提供できます。