面向可变限速场景下交通状态估计的物理信息教师-学生集成学习
机器学习
2026-05-13 v1 人工智能
计算工程、金融与科学
摘要
物理信息深度学习（PIDL）神经网络已显示出其作为交通从业者利用状态变量间的潜在关系进行交通状态估计（TSE）的有用工具的能力。另一种高效的交通管理方法是在交通走廊上实施可变限速（VSL）以控制交通并缓解拥堵。然而，文献中现有的PIDL训练架构无法适应具有VSL的高速公路上变化的交通特性。为应对这一挑战，我们提出了一种将教师-学生集成训练与PIDL神经网络相结合的新颖框架，用于VSL场景下的TSE。流量守恒定律的物理规律通过PIDL被局部编码在教师模型中，而学生模型则使用多层感知器分类器（MLP）来识别交通特性，并为TSE选择PIDL神经网络的集成成员。该集成框架为捕捉VSL的异质性并准确解决TSE问题提供了一种自然的解决方案。案例研究结果验证了所提出的集成方法，通过相对L2误差表明，与其他流行的基线方法相比，其在TSE方面表现出优越的性能。
引用
@article{arxiv.2605.11346,
title = {Physics-Informed Teacher-Student Ensemble Learning for Traffic State Estimation with a Varying Speed Limit Scenario},
author = {Archie J. Huang and Dongdong Wang and Shaurya Agarwal and Mohamed Abdel-Aty and Md Mahmudul Islam and Muhammad Shahbaz},
journal= {arXiv preprint arXiv:2605.11346},
year = {2026}
}
备注
The IEEE International Conference on Intelligent Transportation Systems (ITSC) 2026