MMCAformer: Makro‑Mikro‑Transformer für Verkehrs­geschwindigkeitsvorhersage

Ein neuer Ansatz zur Verkehrs­geschwindigkeitsvorhersage hat die Forschung im Bereich der vernetzten Fahrzeuge vorangetrieben. Der „Macro‑Micro Cross‑Attention Transformer“ (MMCAformer) kombiniert makroskopische Verkehrsflussdaten mit mikroskopischen Fahrverhaltensmerkmalen, die aus vernetzten Fahrzeugen gewonnen werden.

Der MMCAformer nutzt Selbst‑Aufmerksamkeit, um die inneren Abhängigkeiten im makroskopischen Verkehrsfluss zu erlernen, und Cross‑Aufmerksamkeit, um die räumlich‑zeitlichen Wechselwirkungen zwischen dem allgemeinen Verkehrsstatus und dem individuellen Fahrverhalten zu erfassen. Durch diese zweistufige Architektur kann das Modell sowohl globale Trends als auch lokale Fahrentscheidungen berücksichtigen.

Zur Schätzung von Punktvorhersagen und Unsicherheiten wird ein Student‑t‑negatives Log‑Likelihood‑Verlust verwendet. Dieser Ansatz ermöglicht es, nicht nur präzise Geschwindigkeitswerte zu liefern, sondern auch die Zuverlässigkeit der Vorhersagen zu quantifizieren.

In Experimenten an vier Florida‑Autobahnen zeigte der MMCAformer deutlich bessere Ergebnisse als herkömmliche Baselines. Die Integration von mikro‑Fahrverhaltensdaten senkte die mittlere quadratische Abweichung (RMSE) um 9 %, die mittlere absolute Abweichung (MAE) um 6,9 % und die prozentuale mittlere Abweichung (MAPE) um 10,2 %. Gleichzeitig verkürzten sich die durchschnittlichen Vorhersageintervalle um 10,1 % bis 24,0 %, was die Genauigkeit der Unsicherheitsabschätzungen unterstreicht.

Diese Ergebnisse zeigen, dass das Einbeziehen von vernetzten Fahrzeugdaten das Potenzial hat, die Verkehrs­managementsysteme zu optimieren, indem sie präzisere und zuverlässigere Geschwindigkeitsvorhersagen liefern. Der MMCAformer eröffnet damit neue Möglichkeiten für proaktive Verkehrssteuerung und die Verbesserung von Sicherheit und Effizienz im Straßenverkehr.