基于域适应的限数据下的转向移动计数估计框架
机器学习
2025-03-27 v1
摘要
城市交通网络对于人们和货物的高效运输至关重要， necessitates effective traffic management and planning. 交通管理的重要组成部分是了解交叉口的转向移动计数 (TMCs)。准确的交叉口TMCs对于交通信号控制、拥堵缓解和道路安全至关重要。一般情况下，TMCs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可能难以成本效益且技术上具有挑战。近期机器学习和数据驱动方法的发展为估计交叉口的TMCs提供了有前景的替代方案。由于道路几何、交通信号设置和当地驾驶行为等因素，交通模式在不同的交叉口之间会有显著差异。这一域差异限制了机器学习模型在应用于新或未见的交叉口时的可泛性和准确性。针对这些限制，本研究提出了一种新框架，利用域适应 (DA) 通过使用交通控制器事件数据、道路基础设施数据和兴趣点 (POI) 数据来估计交叉口的TMCs。在亚利桑那州塔科森30个交叉口上评估了所提出的DA框架的性能，并与最先进的模型进行了比较，结果在均值绝对误差和根均方误差方面取得了最低值。
引用
@article{arxiv.2503.20113,
title = {Domain Adaptation Framework for Turning Movement Count Estimation with Limited Data},
author = {Xiaobo Ma and Hyunsoo Noh and Ryan Hatch and James Tokishi and Zepu Wang},
journal= {arXiv preprint arXiv:2503.20113},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2412.09861