基于预测相关在线学习的多层次交通响应倾斜摄像机监视系统
摘要
在城市交通管理中，动态且高效地监测交通状况的主要挑战在于，未充分利用沿智能交通系统布置的成千上万摄像机。本文引入一种新的框架——多层次交通响应倾斜摄像机监视系统（Traffic-responsive Tilt Camera surveillance system，TTC-X），用于城市网络的动态和高效监测和管理交通。通过利用广泛部署的云台摄像机（PTC），TTC-X 克服了传统监视系统固定视野的限制，通过提供移动式和全方位覆盖实现了灵活监控。TTC-X 的创新之处在于将高级机器学习模块（包括检测-预测-控制器结构）与一种新颖的预测相关在线学习（Predictive Correlated Online Learning，PiCOL）方法以及空间时间图预测器（Spatial-Temporal Graph Predictor，STGP）集成，用于实时交通估计和 PTC 控制。TTC-X 在三个实验情景（如最大流量捕获、动态路线规划、交通状态估计）下进行测试和评估，这些情景基于使用 Brooklyn, New York 真实交通数据校准的仿真环境。实验结果显示，TTC-X 在网络层面捕获了超过 60% 的车辆总数，动态调整其路线建议以反应突发的全车道关闭事件，并以小于 1.25 vehicle/hour 的最佳 MAE 重建了链路级交通状态。表明 TTC-X 在网络-物理和真实环境中具有可扩展性、成本效益和适应性，成为城市交通管理的强大解决方案。
引用
@article{arxiv.2408.02208,
title = {Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning},
author = {Tao Li and Zilin Bian and Haozhe Lei and Fan Zuo and Ya-Ting Yang and Quanyan Zhu and Zhenning Li and Kaan Ozbay},
journal= {arXiv preprint arXiv:2408.02208},
year = {2024}
}
备注
Accepted to Transportation Research Part C special issue: Modelling, Learning, and Control of Conventional, Cooperative and Automated Motorway and Urban Traffic Systems