基于迭代细化的停止-前进波超分辨率重建
系统与控制
2025-04-22 v2 系统与控制
摘要
停止-前进波是高速公路交通流中的一种基本现象，导致效率低下、事故发生和排放增加。最近的高保真传感器技术的进步提高了捕获详细交通动力学的能力，但此类系统仍稀缺且昂贵。相比之下，传统交通传感器广泛部署，但受限于较粗糙的数据分辨率，可能阻碍对停止-前进波的准确分析。本文探讨了生成式 AI 模型是否可以增强传统交通传感器的分辨率，以近似高保真观测的质量。我们提出了一种新方法，使用条件扩散去噪模型，通过迭代细化从基于雷达的传统传感器重建细粒度的交通速度场。我们引入了新数据集 I24-WaveX，包含来自低保真和高保真传感器系统的 132 小时的大量数据，总计超过 200 万辆英里的车辆行驶里程。该方法利用该数据集将交通测量增强问题表述为时空超分辨率任务。我们展示了该模型能够有效再现停止-前进波的模式，在捕获这些关键交通动力学方面实现了高准确率。我们的结果显示，在交通数据增强方面取得了有前景的进展，为利用现有的低时空分辨率传感器网络实现改进的交通分析和管理提供了成本效益的方法。我们还开源了训练好的模型和代码，以促进进一步的研究和应用。
引用
@article{arxiv.2408.00941,
title = {Stop-and-go wave super-resolution reconstruction via iterative refinement},
author = {Junyi Ji and Alex Richardson and Derek Gloudemans and Gergely Zachár and Matthew Nice and William Barbour and Jonathan Sprinkle and Benedetto Piccoli and Daniel B. Work},
journal= {arXiv preprint arXiv:2408.00941},
year = {2025}
}