Assessing Markov Property in Driving Behaviors: Insights from Statistical Tests
驾驶行为的马尔可夫性质检验：统计检验的证据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究轨迹时间序列的马尔可夫性质及依赖阶数，对应时间序列方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
驾驶行为的马尔可夫性质检验：统计检验的证据
- 研究问题
- 自动驾驶与人类驾驶的轨迹是否具有马尔可夫性质，其所需历史信息的阶数是否不同，以及这些差异如何影响驾驶行为建模？
- 方法与思路
- 作者对两个公开轨迹数据集实施马尔可夫性质及阶数检验，并引入 t 检验和 F 检验，比较两类车辆的轨迹特征。
- 材料陈述的贡献
- 摘要称，自动驾驶轨迹符合马尔可夫性质的比例较高、阶数较低，人类驾驶则更具异质性，并展示了统计检验的应用可行性。
- 阅读关注点
- 应核对轨迹状态如何定义、马尔可夫阶数如何选择，以及时间依赖、车辆间差异和多次检验如何影响两类驾驶行为的比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收。摘要未说明检验条件及数值结果，不能将未拒绝假设视为性质成立。
原文摘要
The Markov property serves as a foundational assumption in most existing work on vehicle driving behavior, positing that future states depend solely on the current state, not the series of preceding states. This study validates the Markov properties of vehicle trajectories for both Autonomous Vehicles (AVs) and Human-driven Vehicles (HVs). A statistical method used to test whether time series data exhibits Markov properties is applied to examine whether the trajectory data possesses Markov characteristics. t test and F test are additionally introduced to characterize the differences in Markov properties between AVs and HVs. Based on two public trajectory datasets, we investigate the presence and order of the Markov property of different types of vehicles through rigorous statistical tests. Our findings reveal that AV trajectories generally exhibit stronger Markov properties compared to HV trajectories, with a higher percentage conforming to the Markov property and lower Markov orders. In contrast, HV trajectories display greater variability and heterogeneity in decision-making processes, reflecting the complex perception and information processing involved in human driving. These results have significant implications for the development of driving behavior models, AV controllers, and traffic simulation systems. Our study also demonstrates the feasibility of using statistical methods to test the presence of Markov properties in driving trajectory data.