低渗透率网联车下基于基本安全消息的实时交通流参数预测
机器学习
2019-05-22 v2 机器学习
摘要
近未来网联车（CVs）预期较低的市场渗透率，可能制约从 CV 广播数据估算路段平均行程速度与车辆间平均空间车距等交通流参数。与 100% 渗透率 CVs 相比，低渗透率 CVs 估算的交通流参数更含噪声，此类噪声降低了机器学习模型（如长短期记忆（LSTM）模型预测交通流参数的精度）的实时预测精度。参数准确预测对未来交通状况评估至关重要。为在使用受有限 CV 市场渗透率与有限 CV 数据约束的含噪交通流参数时提升预测精度，我们开发了结合 LSTM 与基于卡尔曼滤波的 Rauch Tung Striebel（RTS）降噪模型的实时交通数据预测模型。我们利用增强型下一代仿真（NGSIM）数据集（含每十分之一秒的车辆轨迹数据）开展案例研究以评估该预测模型性能。相比基线 LSTM 模型，在仅 5% CV 渗透率下，分析显示 LSTM 与 RTS 组合模型将速度预测的 mean absolute percentage error (MAPE，平均绝对百分比误差) 从 19% 降至 5%，空间车距预测从 27% 降至 9%。95% 置信区间的统计显著性检验确认，仅 5% CV 渗透率下该 LSTM 与 RTS 组合预测的平均速度与平均空间车距无显著差异。
引用
@article{arxiv.1811.03562,
title = {Real time Traffic Flow Parameters Prediction with Basic Safety Messages at Low Penetration of Connected Vehicles},
author = {Mizanur Rahman and Mashrur Chowdhury and Jerome McClendon},
journal= {arXiv preprint arXiv:1811.03562},
year = {2019}
}
备注
16 pages, 15 figures, 4 tables