用于公路交通重建的自适应平滑方法校准
机器学习
2026-02-03 v1
摘要
自适应平滑方法（ASM）是交通状态重建的常用方法。本文介绍了 ASM 的 Python 实现，特别是利用真实世界地面实验数据进行的端到端校准。该校准被形式化为参数化核优化问题。模型使用来自全状态观测测试平台的数据进行校准，输入来自稀疏雷达传感器网络。该实现开发于 PyTorch 中，能够与各种深度学习方法集成。我们以速度分布、时空误差分布和空间误差等指标对结果进行评估，提供用于交通重建问题的基准指标。我们进一步展示了校准方法在多个公路上的可用性。最后，我们讨论了一般交通模型校准中可重复性的挑战以及 ASM 的局限性。本文可重复，可为各种公路运营任务提供基准。
引用
@article{arxiv.2602.02072,
title = {Calibrating Adaptive Smoothing Methods for Freeway Traffic Reconstruction},
author = {Junyi Ji and Derek Gloudemans and Gergely Zachár and Matthew Nice and William Barbour and Daniel B. Work},
journal= {arXiv preprint arXiv:2602.02072},
year = {2026}
}