基于数据驱动的迁移学习框架用于估计转向运动计数
机器学习
2024-12-16 v1
摘要
城市交通网络对人们和货物的高效运输至关重要， necessitating effective traffic management and planning。交通管理的关键在于理解交叉口的转向运动计数（TMC）。准确的 TMC 对交通信号控制、拥堵缓解和道路安全至关重要。通常情况下，TMC 通过在交叉口安装物理传感器获取，但这种方法在拥有广泛道路网络的城市地来说既成本高昂又技术难度大。近期机器学习和数据驱动方法为估计 TMC 提供了前景的替代方案。由于道路几何、交通信号设置及当地驾驶行为等因素，交通模式在不同交叉口之间差异显著。这一领域差异限制了机器学习模型在应用于新建交叉口或不可见交叉口时的泛化性和准确性。针对这些限制，本研究提出一种新框架，利用迁移学习（TL）通过基于交通控制器事件的数据、道路基础设施数据和兴趣点（POI）数据来估计交叉口的 TMC。该框架在亚利桑那州图丰的 30 个交叉口上进行评估，性能与八种最先进回归模型相比，均在平均绝对误差和均方根误差方面取得最低值。
引用
@article{arxiv.2412.09861,
title = {Data-Driven Transfer Learning Framework for Estimating Turning Movement Counts},
author = {Xiaobo Ma and Hyunsoo Noh and Ryan Hatch and James Tokishi and Zepu Wang},
journal= {arXiv preprint arXiv:2412.09861},
year = {2024}
}