- Планирование движения транспортного средства с учетом рисков с использованием байесовского прогнозирующего управления на основе модели LSTM (arXiv)
Автор: Юфэй Хуан, Мохсен А. Джафари.
Аннотация: Понимание вероятностной дорожной среды является жизненно важной задачей для планирования движения автономных транспортных средств. Чтобы принимать выполнимые решения по управлению, прогнозирование будущих траекторий соседних автомобилей необходимо для интеллектуальных транспортных средств, чтобы оценивать потенциальные конфликты и реагировать для снижения риска. В этой статье впервые представлена байесовская модель долговременной кратковременной памяти (BLSTM) для изучения поведения и привычек людей-водителей на основе данных об их исторических траекториях. Модель прогнозирует вероятностное распределение позиций окружающих транспортных средств, которые используются для оценки рисков динамического конфликта. Затем строится гибридный автомат для моделирования основных движений автомобиля, а риски конфликтов оцениваются для переходов в пространстве состояний в реальном времени на основе информации об окружающей среде. Наконец, модель прогнозирующего управления (MPC) на основе BLSTM предназначена для навигации транспортных средств по безопасным путям с наименьшим прогнозируемым риском конфликта. Путем слияния BLSTM с MPC разработанный MPC на основе нейронных сетей преодолевает недостаток, заключающийся в том, что традиционный MPC с трудом моделирует неопределенные конфликтные риски. Результаты моделирования показывают, что предлагаемый нами MPC на основе BLSTM работает лучше, чем водители-люди, потому что он может предвидеть потенциальные конфликты и принимать меры для их предотвращения.
2. Zen: генерация индивидуального пространственно-временного сотового трафика с взаимодействиями на основе LSTM (arXiv)
Автор: Энн Жозиан Куам, Алин Карнейро Виана, Ален Чана.
Резюме: Общепризнанные в масштабах домена своей высокой ценностью в исследованиях человеческого присутствия и активности, наборы данных сотовых сетей (т. е. записи данных о начислении платы, называемые CdR), тем не менее, представляют проблемы с доступностью, удобством использования и конфиденциальностью, что ограничивает их использование и воспроизводимость исследований. Это Paper решает такие проблемы, моделируя Cdr, которые соответствуют реальным атрибутам данных. Разработанная нами структура под названием Zen следует четырехкратной методологии, связанной с (i) моделированием поведения трафика пользователей на основе LTSM, (ii) реалистичной и гибкой эмуляцией поведения пространственно-временной мобильности, (iii) структурой реалистичной сотовой сети. инфраструктура и социальные взаимодействия, и (iv) комбинация трех предыдущих модулей в реалистичные дорожки Cdrs с индивидуальной основой, реалистично. Результаты показывают, что первая и третья модели Zen точно отражают индивидуальное и глобальное распределение полностью анонимного набора данных Cdrs реального мира, в то время как вторая модель согласуется с выявленными в литературе особенностями мобильности человека. Наконец, мы проверяем способность Zen Cdr воспроизводить ежедневное поведение городского населения по сотовой связи и его полезность в практических сетевых приложениях, таких как динамическое отслеживание населения, энергосбережение сети радиодоступа и обнаружение аномалий по сравнению с реальными CdR.
