一种用于交通状态与基本图估计的物理信息深度学习范式
机器学习
2021-09-22 v4
摘要
交通状态估计(TSE)分为两类,模型驱动与数据驱动(如机器学习,ML),而二者分别受限于物理不足或数据稀少。为缓解这些局限,近期研究引入了混合范式——物理信息深度学习(PIDL),其同时包含模型驱动与数据驱动组件。本文提出一种改进版本,称为带基本图学习器的物理信息深度学习(PIDL+FDL),它将 ML 项集成到模型驱动组件中以学习基本图(FD)的函数形式,即交通密度到流量或速度的映射。所提 PIDL+FDL 具有同时执行 TSE 学习、模型参数辨识和 FD 估计的优势。我们展示了 PIDL+FDL 在求解常用一阶和二阶交通流模型并重构 FD 关系以及 FD 项之外的模型参数方面的应用。随后我们使用下一代仿真(NGSIM)数据集评估基于 PIDL+FDL 的 TSE。实验结果表明,PIDL+FDL 相较于先进基线 TSE 方法在估计精度和数据效率上更优,此外还能恰当地学习未知的底层 FD 关系。
引用
@article{arxiv.2106.03142,
title = {A Physics-Informed Deep Learning Paradigm for Traffic State and Fundamental Diagram Estimation},
author = {Rongye Shi and Zhaobin Mo and Kuang Huang and Xuan Di and Qiang Du},
journal= {arXiv preprint arXiv:2106.03142},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2101.06580