异构信号灯交叉口的网络级车辆延迟估计
机器学习
2025-10-03 v1
摘要
准确的车辆延迟估计对于评估信号灯交叉口的性能并为交通管理策略提供信息至关重要。延迟反映了拥堵水平，并影响旅行时间可靠性、燃料消耗和排放。机器学习(ML)提供了一种可扩展且成本效益高的替代方案；然而，传统模型通常假设训练和测试数据遵循相同的分布，这在现实应用中很少满足。不同交叉口的路网几何、信号时序和驾驶行为差异常常导致模型泛化差异和准确度下降。为解决此问题，本研究引入了一个用于估计不同交叉口车辆延迟的领域适应(DA)框架。该框架将数据分为源域和目标域，提取关键交通特征，并使用来自目标域的小型标记子集进行微调。一种新颖的DA模型，梯度提升带均衡加权(Gradient Boosting with Balanced Weighting, GBBW)，根据与目标域的相似性对源数据进行重新加权，从而提高适应性。该框架使用亚利桑那州皮马县57个异构交叉口的数据进行测试。性能评估对比了八种最新的ML回归模型和七种基于实例的DA方法。结果表明，GBBW框架提供了更准确且更稳健的延迟估计。该方法支持更可靠的信号灯优化、拥堵管理和基于绩效的规划。通过增强模型的可迁移性，该框架促进了机器学习技术在实际交通系统中的更广泛部署。
引用
@article{arxiv.2510.01292,
title = {Network-Level Vehicle Delay Estimation at Heterogeneous Signalized Intersections},
author = {Xiaobo Ma and Hyunsoo Noh and James Tokishi and Ryan Hatch},
journal= {arXiv preprint arXiv:2510.01292},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2503.20113