elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Deep Learning Algorithms for Longitudinal Driving Behavior Prediction: A Comparative Analysis of Convolutional Neural Network and Long–Short-Term Memory Models

Lucente, Giovanni und Maarssoe, Mikkel Skov und Kahl, Iris und Schindler, Julian (2024) Deep Learning Algorithms for Longitudinal Driving Behavior Prediction: A Comparative Analysis of Convolutional Neural Network and Long–Short-Term Memory Models. SAE International Journal of Connected and Automated Vehicles, 7 (4). SAE International. doi: 10.4271/12-07-04-0025. ISSN 2574-0741.

[img] PDF - Verlagsversion (veröffentlichte Fassung)
2MB

Kurzfassung

In the realm of transportation science, the advent of deep learning has propelled advancements in predicting longitudinal driving behavior. This study explores the application of deep neural network architectures, specifically long–short-term memory (LSTM) and convolutional neural networks (CNNs), recognized for their effectiveness in handling sequential data. Using a 3-s temporal window that includes past vehicle progress, speed, and acceleration, the proposed model, a hybrid LSTM–CNN architecture, predicts the vehicle’s speed and progress for the next 6 s. The approach achieves state-of-the-art performance, particularly within a 4 s horizon, but remains competitive even for longer-term predictions. This is achieved despite the simplicity of its input space, which does not include information about vehicles other than the target vehicle. As a result, while its performance may decrease slightly for longer-term predictions due to the lack of environmental information, it still offers reliable predictions and can be applied effectively in scenarios with partial observability. The comparative analysis of multilayer perceptron (MLP), LSTM, and one-dimensional CNN architectures highlights the challenges faced by MLP in capturing the complex nonlinearity of driving behavior. LSTM and CNN demonstrate superior performance, with model complexity influencing outcomes. No statistically significant difference is observed in the performance between LSTM and CNN models.

elib-URL des Eintrags:https://elib.dlr.de/205199/
Dokumentart:Zeitschriftenbeitrag
Titel:Deep Learning Algorithms for Longitudinal Driving Behavior Prediction: A Comparative Analysis of Convolutional Neural Network and Long–Short-Term Memory Models
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Lucente, GiovanniGiovanni.Lucente (at) dlr.dehttps://orcid.org/0000-0002-7844-853X164349722
Maarssoe, Mikkel Skovmikkel.maarssoe (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kahl, IrisNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schindler, Julianjulian.schindler (at) dlr.dehttps://orcid.org/0000-0001-5398-8217NICHT SPEZIFIZIERT
Datum:13 Juni 2024
Erschienen in:SAE International Journal of Connected and Automated Vehicles
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:7
DOI:10.4271/12-07-04-0025
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Watzenig, DanielNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:SAE International
ISSN:2574-0741
Status:veröffentlicht
Stichwörter:Driver behavior prediction, Deep learning, LSTM, Convolutional neural network
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Straßenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V ST Straßenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - KoKoVI - Koordinierter kooperativer Verkehr mit verteilter, lernender Intelligenz
Standort: Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik > Kooperative Systeme, BS
Hinterlegt von: Lucente, Giovanni
Hinterlegt am:26 Jul 2024 09:52
Letzte Änderung:29 Jul 2024 11:33

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.