基于车牌识别数据的实时车道级到达曲线重构的贝叶斯深度学习方法
机器学习
2024-11-13 v1
摘要
获取实时准确的交通到达信息对主动交通控制系统至关重要，尤其是在部分联网车辆环境中。记录车辆离开时间和身份的车牌识别（LPR）数据在以往研究中被证明有利于重构车道级到达曲线。现有基于 LPR 数据的方法主要面向历史到达曲线重构。对于多车道城市道路的实时重构，关键在于确定实时基于路段到达车辆的车道选择，这在以往研究中未被开发。本研究提出一种用于实时车道级到达曲线重构的贝叶斯深度学习方法，其中同时刻画了基于路段到达车辆的车道选择模式与不确定性。具体而言，学习过程旨在有效捕捉部分观测的基于路段到达与车道级到达之间的关系，这可被物理解释为车道选择比例。此外，采用贝叶斯参数推断技术刻画车道选择不确定性，最小化到达曲线重构不确定性，特别是在低 LPR 数据匹配率条件下。在多种匹配率场景下的真实实验结果展示了车道选择建模在重构到达曲线中的优越性与必要性。
引用
@article{arxiv.2411.07515,
title = {Bayesian Deep Learning Approach for Real-time Lane-based Arrival Curve Reconstruction at Intersection using License Plate Recognition Data},
author = {Yang He and Chengchuan An and Jiawei Lu and Yao-Jan Wu and Zhenbo Lu and Jingxin Xia},
journal= {arXiv preprint arXiv:2411.07515},
year = {2024}
}
备注
accepted by T-ITS