反演基本图与预测边界条件：机器学习如何改进交通流的宏观模型
机器学习
2024-12-06 v1 计算工程、金融与科学
摘要
在本文中，我们旨在开发新方法，将机器学习技术与宏观微分模型结合，用于车辆交通的估计与预测。众所周知，数据驱动与模型驱动的方法具有（有时互补的）优势与缺陷。我们此处考虑一个数据集，包含由固定传感器采集并按车道和车辆类别分类的高速公路上行驶车辆的流量与速度数据。借助基于 LSTM 递归神经网络的机器学习模型，我们推断出两条重要信息：1）传感器下方是否出现拥堵；2）未来（30 分钟）将经过传感器下方的车辆总数。这些信息随后被用于提升基于 LWR 的一阶多类模型（描述传感器间交通流动力学）的精度。第一条信息用于反演（凹）基本图，从而由流量数据恢复车辆密度，并将密度数据直接注入模型。这使得能够更好地近似传感器间的动力学，尤其在未监测路段发生事故时。第二条信息则用作交通模型底层方程的边界条件，以更好地重建未来任意时刻道路上的车辆总数。我们将讨论若干由真实场景启发的示例。真实数据由意大利高速公路公司 Autovie Venete S.p.A. 提供。
引用
@article{arxiv.2303.12740,
title = {Inverting the Fundamental Diagram and Forecasting Boundary Conditions: How Machine Learning Can Improve Macroscopic Models for Traffic Flow},
author = {Maya Briani and Emiliano Cristiani and Elia Onofri},
journal= {arXiv preprint arXiv:2303.12740},
year = {2024}
}
备注
38 pages