德国与日本行人过路行为预测：模型迁移性的见解

预测行人过路行为对于智能交通系统至关重要，以避免行人-vehicle碰撞。目前大多数行人过路行为模型都在来自单一国家的数据集上进行训练和评估，忽略了国家间的差异。为此，我们比较了德国和日本在信号灯控制之外的人行道过路行为。我们提出了四种机器学习模型来预测间隙选择行为、斑马线使用情况以及行人轨迹，这些模型使用来自两个国家的模拟数据进行训练。就国家间差异而言，日本调查中的行人比德国调查中的行人更为谨慎，选择更大的间隙。我们评估并分析了模型的迁移性。我们的结果表明，神经网络在预测间隙选择和斑马线使用方面优于其他机器学习模型，而随机森林模型在轨迹预测任务中表现最佳，显示出强大的性能和迁移性。我们开发了一个使用无监督聚类方法的可迁移模型，这提高了间隙选择和轨迹预测的预测准确度。这些发现提供了对不同国家行人过路行为的更深入理解，并为模型迁移性提供了有价值的见解。