Resumen

El modelo de seguimiento de vehículos describe el comportamiento microscópico del vehículo. Sin embargo, los modelos de seguimiento de vehículos existentes establecen el tiempo de reacción de los conductores en un valor fijo sin considerar su dinámica. Con el fin de mejorar la precisión del modelo de seguimiento de vehículos, este documento propone el Modelo de Seguimiento de Vehículos basado en Aprendizaje Profundo de Características (DeepCF), un modelo de seguimiento de vehículos basado en la conducción fatigada y en Redes Generativas Adversarias (GAN). El modelo está compuesto por el modelo de tiempo de reacción de los conductores y el algoritmo de decisión de seguimiento de vehículos. En primer lugar, consideramos la fatiga al conducir como punto de partida para estudiar la influencia del tiempo de conducción y la aceleración del vehículo precedente en el tiempo de reacción de los conductores, y desarrollamos un modelo de tiempo de reacción de los conductores de grano grueso. En segundo lugar, considerando el impacto de la conducción fatigada en las decisiones de

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Modelo de seguimiento de automóviles; Modelo de seguimiento de automóviles basado en aprendizaje de características profundas; Conducción con fatiga; Redes Generativas Adversarias; Modelo de tiempo de reacción; Base de datos de decisiones de conducción
• Keywords:Car-following model; Deep Feature Learning-based Car-Following Model; Fatigue driving; Generative Adversarial Networks; Reaction time model; Driving decision database