MMCAformer: Un nuovo approccio per la predizione del traffico

La gestione proattiva del traffico richiede una predizione accurata della velocità. Un nuovo studio introduce MMCAformer (Macro-Micro Cross-Attention Transformer), un modello che combina dati macroscopici sul flusso del traffico con dati microscopici relativi al comportamento di guida individuale, ottenuti da veicoli connessi.

Dettagli del modello

MMCAformer utilizza meccanismi di self-attention per analizzare le dipendenze intrinseche nei dati macroscopici del traffico e cross-attention per catturare le interazioni spazio-temporali tra lo stato macroscopico del traffico e il comportamento di guida microscopico. Il modello è stato ottimizzato con una funzione di perdita Student-t negative log-likelihood per fornire predizioni puntuali della velocità e stimare l'incertezza.

Risultati sperimentali

I test su quattro autostrade della Florida hanno dimostrato che MMCAformer supera le prestazioni dei modelli di base. L'introduzione di dati microscopici sul comportamento di guida ha migliorato l'accuratezza della predizione (RMSE, MAE e MAPE ridotti rispettivamente del 9,0%, 6,9% e 10,2%) e ha ridotto l'incertezza della predizione del modello (intervalli predittivi medi diminuiti del 10,1-24,0%).

È emerso che le frequenze di frenata brusca e accelerazione sono le caratteristiche più influenti. I miglioramenti sono più evidenti in condizioni di traffico congestionato e a bassa velocità.