用于道路-铁路交叉口剖面分析的混合LSTM-Transformer模型
机器学习
2025-12-03 v1 人工智能
摘要
高挡位道路铁路交叉口(HRGC)因可能导致车辆卡阻而构成交通安全风险。这些交叉口通常源于施工后铁路轨道维护活动或HRGC垂直对齐设计准则不符合。传统方法测量HRGC轮廓成本高、耗时、扰民且存在安全隐患。为此，本研究采用先进且成本效益高的技术和创新建模方法进行HRGC轮廓测量。开发了一种新型混合深度学习框架，结合长短期记忆(LSTM)和Transformer架构，利用仪表数据和地面真实数据。仪表数据通过配备惯性测量单元(IMU)和全球定位系统(GPS)传感器的高速公路测试车辆获取，地面真实数据通过工业标准步行轮廓仪获取。于俄克拉荷马红岩铁路走廊收集现场数据。评估了三种先进深度学习模型Transformer-LSTM序列(model 1)、LSTM-Transformer序列(model 2)和LSTM-Transformer并行(model 3)，以识别最有效的架构。模型2和模型3表现优于其他模型，并用于生成2D/3D HRGC轮廓。深度学习模型显示出显著潜力，通过实现HRGC卡阻易感性的快速准确评估，提升道路和铁路安全。
关键词
引用
@article{arxiv.2508.00039,
title = {Hybrid LSTM-Transformer Models for Profiling Highway-Railway Grade Crossings},
author = {Kaustav Chatterjee and Joshua Q. Li and Fatemeh Ansari and Masud Rana Munna and Kundan Parajulee and Jared Schwennesen},
journal= {arXiv preprint arXiv:2508.00039},
year = {2025}
}