基于实时交通预测的突发事件下信号配时方案推荐学习
信号处理
2020-06-16 v1 机器学习
机器学习
摘要
本文要解决的核心问题是通过融合针对可能突发事件调优的交通信号配时领域知识，并从交通与已实施信号配时的历史数据中学习，在突发事件下实时推荐最优信号配时方案。交通事件管理的有效性常受限于交通操作员响应时间晚和工作负荷过重。本文提出一种新颖的决策框架，从数据与领域知识中学习，以实时推荐适应非重复性交通的应急信号方案，其输入来自至少提前 30 分钟的实时交通预测。具体而言，考虑到应急信号方案在突发事件中极少启用，我们提议将端到端推荐任务分解为两个层次化模型：实时交通预测与方案关联。我们通过度量学习建立两模型间的联系，强化从历史信号启用记录中观察到的偏序偏好。我们在 2019 年 Cranberry Township 的交通网络上测试该框架以证明其有效性。结果显示，我们的推荐系统在测试方案上精确率 96.75%、召回率 87.5%，且比 Waze 警报平均提前 22.5 分钟给出推荐。结果表明，我们的框架能够为交通操作员提供显著的时间窗口以评估状况并妥善响应。
引用
@article{arxiv.2005.13522,
title = {Learning to Recommend Signal Plans under Incidents with Real-Time Traffic Prediction},
author = {Weiran Yao and Sean Qian},
journal= {arXiv preprint arXiv:2005.13522},
year = {2020}
}
备注
To be published in Transportation Research Record (2020)