用于 disrupted 情况下实时 OD 需求校准的混合神经网络
系统与控制
2024-08-14 v1 系统与控制
摘要
现有的自动化城市交通管理系统旨在缓解交通拥堵并减少排放，但在应对快速变化的条件时面临诸多挑战。这些系统主要是被动式的，仅在事件发生后才作出反应。实现实时精确建模环境变化的实时交通仿真模型是一个有前景的解决方案。实时交通仿真的核心在于原-目的地 (OD) 需求矩阵。然而，交通需求的内在变动性、随机性和不可预测性，使得在扰动情形下准确校准这些矩阵变得困难。本文引入一种混合神经网络 (NN) 架构，专为实时 OD 需求校准而设计，以提升交通仿真在常规与非常规交通条件下的准确性和可靠性。该混合 NN 预测 OD 需求，以校正实际与仿真交通模式之间的差异。为实现 NN 内部参数的实时更新，我们通过整合真实交通系统数据和仿真环境数据，开发了一种基于模型的反向传播方法，确保即使在异常或不可预测的交通模式下，OD 需求预测也能精确。此外，我们采用模型进行离线预训练，以提高计算效率。通过仿真网络和东京高速公路走廊案例研究验证，模型在各种扰动情形下均能动态调整交通模式。我们的发现凸显了先进机器学习技术在发展主动式交通管理策略中的潜力，显著优于传统被动系统。
引用
@article{arxiv.2408.06659,
title = {A hybrid neural network for real-time OD demand calibration under disruptions},
author = {Takao Dantsuji and Dong Ngoduy and Ziyuan Pu and Seunghyeon Lee and Hai L. Vu},
journal= {arXiv preprint arXiv:2408.06659},
year = {2024}
}