将运动波理论引入深度学习方法用于高分辨率交通速度估计
机器学习
2022-04-12 v2
摘要
我们提出一种基于运动波的深度卷积神经网络（Deep CNN），从稀疏探测车辆轨迹估计高分辨率交通速度场。我们引入两种关键方法，使我们能够结合运动波理论原理以提升现有基于学习的估计方法的鲁棒性。首先，我们为 Deep CNN 提出各向异性交通核。该各向异性核显式地考虑宏观交通中的时空相关性，并有效减少 Deep CNN 模型中可训练参数的数量。其次，我们提出使用模拟数据训练 Deep CNN。使用有针对性的模拟数据训练提供了一种隐式方式，将理想的交通物理特征施加于学习模型。在实验中，我们凸显了使用各向异性核的好处，并使用下一代仿真（NGSIM）与德国高速公路无人机（HighD）数据集评估训练模型对真实世界交通的可迁移性。结果表明，各向异性核显著降低了模型复杂度和模型过拟合，并改善了估计速度场的物理正确性。我们发现，对于各向异性核，模型复杂度随问题规模线性缩放，而各向同性核为二次缩放。此外，在真实世界数据集上的评估显示出可接受的性能，这确立了基于仿真的训练是替代从真实世界数据学习的可行途径。最后，与标准估计技术的比较显示了所提方法更优的估计精度。
引用
@article{arxiv.2102.02906,
title = {Incorporating Kinematic Wave Theory into a Deep Learning Method for High-Resolution Traffic Speed Estimation},
author = {Bilal Thonnam Thodi and Zaid Saeed Khan and Saif Eddin Jabari and Monica Menendez},
journal= {arXiv preprint arXiv:2102.02906},
year = {2022}
}
备注
18 pages, 13 figures