基于可微代理模型的超高速交通现在预测与控制
多智能体系统
2026-03-27 v1 机器学习
摘要
交通数字孪生体基于大规模高保真计算模型校准至真实世界交通数据，为政策制定者提供有效干预措施的建议，为我们快速城市化世界的社会挑战提供了可能。然而，传统的细粒度交通仿真是不可微的，通常依赖于低效的梯度-free 优化，使得针对实际应用的校准在计算上不可行。本文提出了一种可微代理模型交通仿真器，使其能够在大规模网络上实现超高速模型校准、交通现在预测和控制。我们开发了多种可微计算技术，用于模拟单个车辆的运动，包括随机决策和代理间相互作用，同时确保整个仿真轨迹在高效梯度基于优化下保持可微。我们在规模庞大的芝加哥道路网络上进行测试，该网络拥有超过 10,000 个校准参数。我们的模型在 173 倍实时速度下模拟超过 100 万 辆车辆。这种超高速仿真，结合高效梯度基于优化，使我们能够在 455 秒内完成使用前 30 分钟交通数据的校准，在 21 秒内提供 1 小时 ahead 的交通现在预测，在 728 秒内求解 resulting 交通控制问题。这使我们在 20 分钟以内完成一个完整的校准-现在预测-控制循环，留下约 40 分钟的时间用于实施干预措施。我们的工作为实现交通数字孪�体提供了实际的计算基础。
引用
@article{arxiv.2603.25068,
title = {Ultra-fast Traffic Nowcasting and Control via Differentiable Agent-based Simulation},
author = {Fumiyasu Makinoshima and Yuya Yamaguchi and Eigo Segawa and Koichiro Niinuma and Sean Qian},
journal= {arXiv preprint arXiv:2603.25068},
year = {2026}
}