面向稀疏传感器数据交通状态估计的自适应区域分解物理信息神经网络
机器学习
2026-05-11 v1 系统与控制
系统与控制
摘要
基于稀疏固定传感器的交通状态估计具有挑战性，因为物理信息神经网络(PINN)倾向于过度平滑Lighthill-Whitham-Richards(LWR)模型所允许的冲击波。本研究提出了自适应区域分解物理信息神经网络(ADD-PINN)，这是一个基于LWR的离线速度场重建的两阶段残差引导框架。首先训练一个粗略的全局PINN；然后利用其空间残差分布来放置子域边界，并在分解启用模式下初始化子网络，而一个数据驱动的冲击指示器可以在局部过渡证据较弱时保留单域回退方案。主要的离线I-24 MOTION评估跨越五天、五种传感器配置，每种配置十个随机种子，总共产生1500次运行。与神经网络和物理信息基线相比，ADD-PINN在25种配置中的18种以及15种稀疏感知情况中的14种中取得了最低的相对L2误差，同时训练速度比扩展PINN(XPINN)基线快2.4倍。消融研究支持在评估设置中，仅空间分解是固定传感器交通重建的有效默认方案。补充的下一代仿真(NGSIM)实验作为阴性对照：冲击指示器在所有50次运行中都抑制了分解，并且默认的单域回退方案在所有传感器配置中排名第一。这些结果支持当稀疏固定传感与局部过渡区域重合时，残差引导的空间分解是离线重建的一种有效PINN族设计。
引用
@article{arxiv.2605.08028,
title = {Adaptive Domain Decomposition Physics-Informed Neural Networks for Traffic State Estimation with Sparse Sensor Data},
author = {Eunhan Ka and Ludovic Leclercq and Satish V. Ukkusuri},
journal= {arXiv preprint arXiv:2605.08028},
year = {2026}
}
备注
56 pages, 5 figures, 12 tables. Submitted to Transportation Research Part C