在物理信息神经网络中融入非局部交通流模型
机器学习
2023-08-24 v1 偏微分方程分析
摘要
本研究通过在物理信息深度学习框架内利用非局部 LWR 模型的优势，推进了交通状态估计方法的发展。经典的 LWR 模型虽有用途，但不足以准确表征真实交通流。非局部 LWR 模型通过将速度视为下游交通密度的加权平均来解决此局限。本文中，我们提出一种融入非局部 LWR 模型的新颖 PIDL 框架。我们引入了定长与变长核，并推导了所需数学形式。所提 PIDL 框架使用来自 NGSIM 和 CitySim 数据集的数据，涵盖多种卷积核与前瞻窗口，进行了全面评估。结果表明其较使用局部 LWR 模型的基线 PIDL 方法有所改进。研究发现凸显了所提方法提升交通状态估计准确性与可靠性的潜力，从而支持更有效的交通管理策略。
引用
@article{arxiv.2308.11818,
title = {Incorporating Nonlocal Traffic Flow Model in Physics-informed Neural Networks},
author = {Archie J. Huang and Animesh Biswas and Shaurya Agarwal},
journal= {arXiv preprint arXiv:2308.11818},
year = {2023}
}