|
交通流を表現するセルオートマトンモデルによって運転行動をモデリングする方法をさらに発展させた。セルオートマトンモデルが複雑になると様々な運転行動の種類を表現することが可能になる。例えば車間距離を考慮に入れた運転や道路の形状などの特性の影響、これまでの行動系列に依存する運転が表現できる。
しかしながら複雑なモデルは尤度を明に書き下すことが困難となる。尤度はモデル構造やパラメータを最適化するのに必要不可欠な関数であるため複雑なモデルではこれらの最適化が実行できない。今年度は尤度を用いずデータ生成から最適化を行うシミュレーション学習のアプローチをセルオートマトンモデルに適用しこの問題を解決した。具体的にはApproximate Bayesian Computation（ABC）を関数空間へ拡張したカーネルABCを用いた。
ただしカーネルABCだけでは事後分布によるデータサンプリングが不十分な場合や、状況変化などの対応ができない場合があるため、これらの場合に適用可能となるよう手法の拡張を行った。具体的には再帰的にパラメータ推定を行う方法により、サンプリングによる事後分布形成の失敗を回避した。また、学習データとテストデータにおける状況変化に対応するため、共変量シフトと呼ばれる統計的方法をカーネルABCに適用できるよう、カーネル関数を拡張した。これらの拡張の基礎的なアルゴリズム挙動を明らかにし、従来手法との実験的比較を行った。
シミュレーション学習はセルオートマトンモデルの特徴であるデータ生成能力を活用した最適化手法であり、道路上の車両のみならず、ドローン交通モデルや人流などマルチエージェントシミュレーション一般に適用可能であるため、多くのユースケースに展開することが期待できる。
|
