利用生成对抗网络量化交通状态估计中的不确定性
机器学习
2022-11-11 v2
摘要
本文旨在利用基于生成对抗网络的物理信息深度学习（PIDL）量化交通状态估计（TSE）中的不确定性。关注的不确定性源于基本图，即交通密度到速度的映射。量化 TSE 问题的不确定性就是刻画预测交通状态的鲁棒性。自诞生以来，生成对抗网络（GAN）已成为一种流行的概率机器学习框架。在本文中，我们将使用随机交通流模型为基于 GAN 的预测提供信息，并开发一个用于 TSE 的基于 GAN 的 PIDL 框架，命名为“PhysGAN-TSE”。通过在真实世界数据集——下一代仿真（NGSIM）数据集上进行实验，该方法被证明在不确定性量化方面比纯 GAN 模型或纯交通流模型更具鲁棒性。比较了两种物理模型，即 Lighthill-Whitham-Richards（LWR）模型和 Aw-Rascle-Zhang（ARZ）模型，作为 PhysGAN 的物理组件，结果表明基于 ARZ 的 PhysGAN 比基于 LWR 的模型取得了更好的性能。
引用
@article{arxiv.2206.09349,
title = {Quantifying Uncertainty In Traffic State Estimation Using Generative Adversarial Networks},
author = {Zhaobin Mo and Yongjie Fu and Xuan Di},
journal= {arXiv preprint arXiv:2206.09349},
year = {2022}
}