Resumen:Cuando ocurre un accidente de tránsito, los vehículos que lo siguen deben cambiar de carril para evitar la obstrucción. Definimos estas maniobras como cambios de carril posteriores al accidente. En tales escenarios, los vehículos en el carril objetivo pueden negarse a ceder el paso incluso después de que el cambio de carril ya haya comenzado, lo que aumenta la complejidad y el riesgo de accidente de los LC posteriores al accidente. Sin embargo, se desconocen las características de comportamiento y los patrones de movimiento de los LC después de un accidente. Para abordar esta brecha, construimos un conjunto de datos LC posteriores a los accidentes extrayendo las trayectorias de los vehículos de videos de drones capturados después de los accidentes. Nuestro análisis empírico revela que, en comparación con las LC obligatorias (MLC) y las LC discrecionales (DLC), las LC posteriores a un accidente exhiben duraciones más largas, velocidades de inserción más bajas y mayores riesgos de accidente. En particular, el 79,4% de los LC posteriores a una caída implican al menos un caso de comportamiento no cedido por parte del nuevo seguidor, en comparación con el 21,7% de los DLC y el 28,6% de los MLC. Sobre la base de estos hallazgos, desarrollamos un nuevo marco de predicción de trayectoria para LC posteriores a un accidente. En esencia, hay un módulo de atención basado en gráficos que modela explícitamente el comportamiento productivo como una tarea auxiliar consciente de la interacción. Este módulo está diseñado para guiar tanto un codificador automático variacional condicional como un decodificador basado en transformador para predecir la trayectoria del cambiador de carril. Al incorporar el módulo de interacción, nuestro modelo supera las líneas de base existentes en el rendimiento de predicción de trayectoria en más del 10% tanto en el error de desplazamiento promedio como en el error de desplazamiento final en diferentes horizontes de predicción. Además, nuestro modelo proporciona un análisis de riesgo de accidentes más confiable al reducir las tasas de accidentes falsos y mejorar la precisión de la predicción de conflictos. Finalmente, validamos la transferibilidad del modelo utilizando conjuntos de datos LC adicionales posteriores al accidente recopilados de diferentes sitios.
Publicado originalmente en export.arxiv.org el 13 de enero de 2026.
Ver fuente original
