利用物理信息和 meta 机器学习技术学习宏观基本图谱
机器学习
2026-05-12 v2
摘要
宏观基本图谱 (Macroscopic Fundamental Diagram, MFD) 是描述交通聚合动态的常用工具，应用范围涵盖交通控制和事故分析等领域。然而，为给定网络估计 MFD 需要大量环路探测器，而实际中往往难以实现。这篇文章提出了一种框架，通过 meta 学习缓解数据稀缺挑战。meta 学习是机器学习的一个子类别，能够自行理解和适应新任务。我们利用 meta 学习从数据丰富的城市中识别并利用可迁移模式，以估计数据不足的城市的 MFD。开发的模型利用来自多个城市的数据进行训练和测试，用于建模具有不同探测器比例和拓扑结构的其他城市的 MFD。所提出的 meta 学习框架应用于量身定制的多任务物理信息神经网络 (Multi-Task Physics-Informed Neural Network)，专为估计 MFD 而设计。结果显示，在城市之间进行流量预测的平均 MAE 平均提高约 50%（取决于测试的环路探测器子集）。因此，meta 学习框架成功地跨越了多样化的城市环境，提高了数据有限城市的性能，展示了在探测器数量有限时使用 meta 学习的潜力。我们直接测试了这一假设，通过将 meta 学习输出应用于未见城市来模拟真实世界的应用场景，证明了所提出方法的广泛适用性。最后，所提出的框架经过传统迁移学习方法和文献中用于 FD 估计的 FitFun 模型的验证，证明了其可迁移性。
引用
@article{arxiv.2508.14137,
title = {Learning to Learn the Macroscopic Fundamental Diagram using Physics-Informed and meta Machine Learning techniques},
author = {Amalie Roark and Serio Agriesti and Francisco Camara Pereira and Guido Cantelmo},
journal= {arXiv preprint arXiv:2508.14137},
year = {2026}
}
备注
Version accepted for publication in Transportation Research Part C (before proof-reading)