城市交通中动态起讫矩阵估计的不同方法比较
最优化与控制
2022-06-02 v2 机器学习
摘要
给定遍历交通网络道路的车辆计数器，我们重建生成这些计数的出行需求，表示为用户所做的起讫出行次数。我们将该问题建模为一个双层优化问题。在底层，给定试探需求，我们求解一个动态交通分配（DTA）问题，以决定用户在其起点与终点之间的路径。最后，我们在外层调整出行次数及其起讫点，以最小化底层生成的计数器与交通网络中传感器测得的给定车辆计数之间的偏差。我们通过采用交通模拟器 SUMO 实现的介观模型来求解 DTA 问题。因此，外层问题成为一个优化问题，最小化由模拟结果决定的黑箱目标函数（OF），这是一项计算代价高昂的计算。我们研究了归类为基于梯度和无导数方法的外层问题不同方法。在基于梯度的方法中，我们考察了基于分配矩阵的方法以及使用同时扰动随机逼近（SPSA）算法的无分配矩阵方法。在无导数方法中，我们研究了机器学习（ML）算法以学习模拟器的模型，该模型随后可用作优化问题中的代理 OF。我们在一个人工网络上对这些方法进行了计算比较。基于梯度的方法在解质量和计算需求方面表现最佳。相比之下，ML 方法所得结果目前尚不尽如人意，但为未来研究提供了有趣的方向。
引用
@article{arxiv.2202.00099,
title = {A Comparison of Different Approaches to Dynamic Origin-Destination Matrix Estimation in Urban Traffic},
author = {Nicklas Sindlev Andersen and Marco Chiarandini and Kristian Debrabant},
journal= {arXiv preprint arXiv:2202.00099},
year = {2022}
}