Abstract
車両追従行動は交通流理論の基礎であるものの、従来のモデルはしばしば自然観測に基づく運転の持つ確率性（stochasticity）を捉えきれません。本論文では、従来のパラメトリックな仮定を回避する、新しい車両追従のモデリングカテゴリである「経験的確率パラダイム（empirical probabilistic paradigm）」を提案します。このパラダイムのもとで、状態遷移をマルコフ過程として表現し、離散化された状態ビン内で経験分布から加速度をランダムにサンプリングすることで行動を予測する、Markov Chain Car-Following（MC-CF）モデルを提案します。Waymo Open Motion Dataset（WOMD）で学習したMC-CFモデルの評価により、そのバリアントが、1ステップおよびオープンループの軌跡予測精度の両方において、IDM、Gipps、FVDM、SIDMを含む物理ベースのモデルを大幅に上回ることが示されます。遷移確率の統計分析により、モデルが生成した軌跡が現実世界の行動と区別できないことが確認され、あらゆる相互作用タイプにわたって自然観測に基づく運転の確率的な構造を首尾よく再現します。Naturalistic Phoenix（PHX）データセットに対するゼロショットの汎化も、モデルの頑健性をさらに裏付けます。最後に、ミクロな環状道路シミュレーションにより、この枠組みのスケーラビリティが検証されます。制約のない自由走行軌跡と高速道路データ（TGSIM）を、保守的な推論戦略とともに段階的に統合することで、モデルは衝突を大幅に低減し、複数の平衡状態およびショックウェーブのシナリオにおいてクラッシュゼロを達成しながら、自然観測に基づく確率的なショックウェーブの伝播も首尾よく再現します。総じて、提案するMC-CFモデルは、高精細な確率交通モデリングのための、頑健でスケーラブルかつキャリブレーション不要の基盤を提供し、データに富む将来のインテリジェント交通に特に適した、唯一無二のアプローチです。
