信号交差点における右左折挙動予測のための階層型フロー分解

要旨: 交差点の転回（turning）動作の正確な予測は、適応型信号制御に不可欠ですが、方向流の高い変動性のために依然として困難です。本研究では、HFD-TM（転回動作予測のための階層型フロー分解：Hierarchical Flow-Decomposition for Turning Movement Prediction）を提案します。これは階層型の深層学習フレームワークであり、まず回廊（corridor）の直進（through）動作を予測し、次にその予測を個々の転回ストリームへと拡張することで転回動作を予測します。この設計は実証的な交通構造に基づいています。すなわち、回廊の流れは総量の65.1%を占め、転回動作よりも変動性が低く、転回動作の分散の35.5%を説明できるという点です。物理に基づく損失関数により、流れの保存則を強制して構造的一貫性を維持します。テネシー州ナッシュビルの6つの交差点からなる回廊における、15分間隔のLiDAR（Light Detection and Ranging）データ6か月分で評価したところ、HFD-TMは区間あたりの平均絶対誤差が2.49台であり、Transformerと比較してMAEを5.7%低減し、GRU（Gated Recurrent Unit）と比較して27.0%低減しました。アブレーション結果では、階層型分解が最大の性能向上をもたらす一方で、学習時間はDCRNN（Diffusion Convolutional Recurrent Neural Network）の12.8分の1であり、リアルタイム交通アプリケーションに適していることが示されました。