基于物理信息深度学习的交通状态估计
机器学习
2021-01-19 v1
摘要
交通状态估计（TSE）利用部分观测数据重建道路路段上的交通变量（如密度），在智能交通系统（ITS）需向公众提供的高效交通控制与运行中发挥着重要作用。数十年来，TSE 方法分化为两大类：模型驱动方法与数据驱动方法。然而，二者均有局限：前者高度依赖现有物理交通流模型（如 Lighthill-Whitham-Richards (LWR) 模型），其可能仅捕捉真实交通的有限动态，导致估计质量低下；后者则需要海量数据方可实现准确且可泛化的估计。为缓解上述局限，本文引入物理信息深度学习（PIDL）框架，以少量观测数据高效完成高质量 TSE。PIDL 同时包含模型驱动与数据驱动组件，使两类方法优势得以融合且克服各自缺陷。本文关注使用环形检测器观测数据的高速公路 TSE，以交通密度为交通变量。我们展示了利用 PIDL（结合环形检测器数据）求解两种常用物理交通流模型即基于 Greenshields 的 LWR 与基于三参数的 LWR 并辨识模型参数的过程。随后我们使用下一代仿真（Next Generation SIMulation, NGSIM）数据集评估基于 PIDL 的高速公路 TSE。实验结果表明，相较于先进基线 TSE 方法，基于 PIDL 的方法在估计精度与数据效率上具有优势。
引用
@article{arxiv.2101.06580,
title = {Physics-Informed Deep Learning for Traffic State Estimation},
author = {Rongye Shi and Zhaobin Mo and Kuang Huang and Xuan Di and Qiang Du},
journal= {arXiv preprint arXiv:2101.06580},
year = {2021}
}