基于各向异性高斯过程的车辆轨迹交通状态估计
机器学习
2024-04-03 v2 应用统计
摘要
准确监测道路交通状态对出行时间预测、交通控制与交通安全等各类应用至关重要。然而，传感器缺乏常导致交通状态数据不完整，难以获取可靠决策信息。本文提出一种使用高斯过程（GP）填补交通状态数据的新方法以解决该问题。我们提出一种核旋转重参数化方案，将标准各向同性 GP 核转换为各向异性核，可更好地对交通流数据中的拥堵传播建模。模型参数可通过来自稀疏探测车辆或环形检测器的数据进行统计推断估计。此外，旋转 GP 方法为填补的交通状态提供统计不确定性量化，使其更可靠。我们还将方法扩展至多输出 GP，可同时估计多车道交通状态。我们使用来自下一代仿真（NGSIM）与 HighD 项目的真实交通数据，以及表征交通瓶颈场景的仿真数据评估方法。考虑当前与未来网联车（CVs）和人工驾驶车（HVs）的混合交通，我们在 5% 至 50% 可用轨迹下实验该交通状态估计（TSE）方案，以模拟混合交通环境中不同 CV 渗透率。我们还测试了从环形检测器获取交通流信息时的交通状态估计。结果表明我们的 TSE 方法在不同 CV 渗透率与检测器类型下的适应性，在稀疏观测率场景中达到最先进精度。
引用
@article{arxiv.2303.02311,
title = {Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes},
author = {Fan Wu and Zhanhong Cheng and Huiyu Chen and Tony Z. Qiu and Lijun Sun},
journal= {arXiv preprint arXiv:2303.02311},
year = {2024}
}