BriefGPT - AI 论文速递
·
城市交通事故风险预测再探讨：区域性、邻近性、相似性和稀疏性
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于区域关系学习的模型，用于预测交通场景中人类的轨迹。该模型通过模拟人流密度变化来模拟社交互动，并利用条件变分自编码器实现多目标估计和多样化未来预测。实验结果表明，该模型在ADE/FDE指标上表现优于现有模型。
🎯
关键要点
-
在交通场景中预测人类轨迹对安全至关重要。
-
人类未来轨迹受社交互动和随机目标驱动。
-
提出了一种基于区域关系学习的模型，模拟人流密度变化以反映社交互动。
-
利用条件变分自编码器实现多目标估计和多样化未来预测。
-
模型通过变分推断可靠捕捉随机行为。
-
将多目标估计和区域关系学习集成到预测框架中。
-
在 ETH-UCY 数据集和 Stanford Drone 数据集上进行评估。
-
模型在 ADE/FDE 指标上优于现有模型，分别超过 27.61%/18.20%。
➡️
