基于分布式光纤光 sensing 与随机细胞自动机模型数据同化的实时短期交通预测新方法
统计力学
2025-11-24 v1 系统与控制
系统与控制
元胞自动机与格子气
物理与社会
摘要
本文演示了如何通过分布式光纤光 sensing（DFOS）与基于随机细胞自动机模型的数据同化实现实时短期交通流预测。交通拥堵是严重问题。为缓解其负面影响，有必要在拥堵严重之前优化交通流。因此，实时短期交通流预测具有前景。然而，传统交通监控设备在预测方法中面临数据稀疏的技术问题。为实现实时交通预测，本文采用DFOS，该技术可在道路上无死区获取空间连续且实时的交通流数据。基于从DFOS数据中推导出的平均速度作为特征提取，本文提出了一种用于短期预测的实时数据同化方法。作为理论模型，采用随机Nishinari-Fukui-Schadschneider模型。通过从观测到的平均速度估计模型参数的最优值，并将初始条件估计为最新的微观交通状态，来模拟未来的交通流。本概念通过日本高速公路上的两种拥堵情景进行验证。结果表明，预测平均速度的平均绝对误差在30分钟的预测时窗内为10-15公里/小时。此外，与基于交通计数器的常规方法相比，本文的方法在拥堵长度和旅行时间上的预测误差降低了40%-84%，具体取决于拥堵情景。本文得出结论，使用DFOS实现实时数据同化可实现准确的短期交通预测。
引用
@article{arxiv.2501.03628,
title = {A Novel Approach to Real-Time Short-Term Traffic Prediction based on Distributed Fiber-Optic Sensing and Data Assimilation with a Stochastic Cell-Automata Model},
author = {Yoshiyuki Yajima and Hemant Prasad and Daisuke Ikefuji and Takemasa Suzuki and Shin Tominaga and Hitoshi Sakurai and Manabu Otani},
journal= {arXiv preprint arXiv:2501.03628},
year = {2025}
}
备注
22 pages, 11 figures