.png){kind=icon}
返回
Developing Artificial Intelligence-Based Car-Following Models Using Improved Permutation Entropy Analysis Results
.png){kind=icon}
OA
AI
DOI：10.3390/app16094224.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
车辆轨迹是时间序列，而熵是测试或量化给定序列复杂性的有力工具。熵工具常用于速度、加速度、空间间距和时间间距等变量，但以往未涉及局部位置数据。本研究的新颖之处在于首次使用改进排列熵（IPE）分析车辆位置数据，并将这些数据转换为有限范围（0-0.3317），旨在理解跟驰过程中的个体车辆行为，并引入一种新的预测方法，用于开发基于人工智能的跟驰模型。研究将IPE分析结果作为新的输入变量（除现有输入变量外），以提高这些模型的预测精度。根据人工智能模型的发展采用了三种神经网络：人工神经网络（ANNs）、长短期记忆网络（LSTMs）和Transformer模型。结果表明，所有采用包含IPE分析结果的预测方法的模型，其性能均优于采用传统预测方法的模型。Transformer & IPE模型在跟驰车辆加速度输出的预测精度方面表现最佳；RMSE、MAE、MASE和R-2的统计显著百分比改进分别为2.04%、1.42%、1.22%和2.62%。此外，结果表明所有采用所提预测方法的模型在跟驰车辆加速度输出方面均优于基准智能驾驶员模型（IDM）。
Keyword:
vehicle trajectory
improved permutation entropy
AI-based car-following models
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
Investigating the Performance of the Informer Model for Streamflow Forecasting研究Informer模型在径流预报中的性能.png)
OAAI
IF0
OAAI分享收藏A Review of Car-Following Models and Modeling Tools for Human and Autonomous-Ready Driving Behaviors in Micro-SimulationSMART CITIES
OAAI
SMART CITIESIF5.5
OAAI分享收藏分享收藏分享收藏Connections between classical car following models and artificial neural networks经典车辆跟驰模型与人工神经网络之间的联系
PREAI
分享收藏
查看更多内容