用于将全局MFD速度估计调整到局部链路配置的深度学习方法
机器学习
2025-05-20 v2
摘要
在大规模交通优化中，基于宏观基本图（MFD）的模型因其在大范围网络分析中的高效性而受到认可。然而，它们无法反映每条道路链路个体交通状态的变化，导致在精细化交通优化和分析方面存在差距。为了解决这一局限性，本研究引入了一个局部校正因子（LCF），它表示基于链路配置的实际链路速度与MFD平均速度之间的局部速度偏差。LCF通过一个深度学习函数计算，该函数以MFD平均速度和道路网络配置作为输入。我们的框架将图注意力网络（GAT）与门控循环单元（GRU）相结合，以捕捉网络中的空间配置和时间相关性。结合一种策略性的网络划分方法，我们的模型提高了链路级交通速度估计的精度，同时保留了聚合模型的计算优势。在实验中，我们评估了所提出的LCF在各种城市交通场景下的表现，包括不同的起讫点出行需求和分布，以及多样化的道路配置。结果证明了所提模型的鲁棒适应性和有效性。此外，我们通过计算每个随机生成路径的行程时间来验证模型的实用性，与基于MFD的结果相比，平均误差减少了约84%。
引用
@article{arxiv.2405.14257,
title = {Deep Learning Methods for Adjusting Global MFD Speed Estimations to Local Link Configurations},
author = {Zhixiong Jin and Dimitrios Tsitsokas and Nikolas Geroliminis and Ludovic Leclercq},
journal= {arXiv preprint arXiv:2405.14257},
year = {2025}
}