본 논문은 고속도로 합류 구간에서 차량 간(Vehicle-to-Vehicle, V2V) 상호작용을 분석하고 군집화하기 위한 디코더 전용 Transformer 모델을 제안한다. 딥러닝을 활용하여, 이 모델은 시계열 상호작용 데이터에서 나타나는 복잡한 비선형 관계를 포착한다. 신경망의 제한된 해석 가능성을 해결하기 위해, 내부 어텐션 맵을 군집화하여 모델이 시간에 걸쳐 주의를 어떻게 배분하는지를 드러내며, 합류 행동의 시간적 역학에 대한 통찰을 제공한다. 제안된 접근법은 LSTM, GRU, 그리고 지능형 운전자 모델(Intelligent Driver Model, IDM)을 포함하는 기존의 가속도 예측 방법들과 비교하여 평가되었고, 데이터 기반 모델들 사이에서 예측 오차가 일관되게 더 낮은 성능을 달성한다. 또한 속도와 차간거리에서의 군집 특이적 차이를 비교함으로써, 분석은 뚜렷한 합류 행동 양상을 밝혀내고 모델이 서로 다른 합류 전략을 구별할 수 있음을 검증한다. 어텐션 기반 해석은 합류 중 운전자의 의사결정 과정을 반영하는 핵심 상호작용의 순간들을 강조한다. 전반적으로, 본 연구 결과는 제안된 프레임워크가 고속도로 합류 구간의 교통 상호작용에서 예측 성능과 해석 가능한 행동 분석을 효과적으로 결합함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.