LSTM-Modell prognostiziert Fahrzeugwechsel an Ein- und Ausfahrten

Eine neue Studie zeigt, wie ein mehrschichtiges LSTM-Netzwerk die Fahrverhalten an Ein- und Ausfahrten vorhersagen kann. Durch die präzise Prognose von Spurwechseln in diesen besonders variablen Abschnitten soll die Verkehrssicherheit deutlich gesteigert werden.

Ein- und Ausfahrten werden häufig vernachlässigt, obwohl sie die größte Streuung im Fahrverhalten aufweisen. Die Unsicherheit in diesen Bereichen kann zu unerwarteten Manövern und damit zu Gefahren führen. Die Autoren untersuchen daher die Unterschiede zwischen diesen kritischen Abschnitten und geraden Autobahnstrecken.

Zur Modellierung wurde ein mehrschichtiges LSTM-Architektur eingesetzt, die mit dem ExiD‑Drone‑Datensatz trainiert wurde. Dabei wurden verschiedene Vorhersagehorizonte und Arbeitsabläufe getestet, um die optimale Konfiguration zu ermitteln.

Die Ergebnisse sind vielversprechend: Für Vorhersagehorizonte bis zu vier Sekunden erreicht das Modell eine Genauigkeit von etwa 76 % für die Ein- und Ausfahrten und bis zu 94 % für die allgemeinen Autobahnabschnitte. Diese Zahlen deuten darauf hin, dass LSTM‑basierte Vorhersagen ein wirkungsvolles Werkzeug zur Reduktion von Unfällen sein können.

Die Studie unterstreicht das Potenzial, durch datengetriebene Vorhersagen die Sicherheit im Straßenverkehr zu erhöhen und die Planung von Verkehrsmanagementsystemen zu optimieren.