基于Wi-Fi探测请求和深度学习的自动导轨交通车辆占用率估计
信号处理
2025-06-23 v2
摘要
本研究利用Wi-Fi探测请求和深度学习模型，为自动导轨交通（AGT）系统中的车辆占用率估计做出了贡献。我们提出了一个综合框架，用于评估各种占用率估计方法，特别是在MAC地址随机化的背景下。尽管文献中提出的许多方法声称在较简单的实验设置中有效，但我们的研究揭示，这些方法在AGT系统的复杂环境中并不可靠。具体来说，处理随机化MAC地址以及区分乘客与非乘客数据的技术在AGT系统中表现不佳。尽管跟踪单个设备存在挑战，但我们的研究表明，使用Wi-Fi探测请求进行准确的占用率估计仍然是可行的。在迈阿密-戴德Metromover（一个以频繁停靠、占用率波动显著且无收费设备为特征的AGT系统）上进行的试点研究为该框架提供了稳健的测试环境。此外，我们的研究结果表明，深度学习模型在此背景下显著优于机器学习模型。本研究的见解可以显著增强交通机构的决策能力，以优化运营并提升服务质量。
引用
@article{arxiv.2501.16644,
title = {Vehicle occupancy estimation in Automated Guideway Transit via deep learning with Wi-Fi probe requests},
author = {Ziyue Li and Qianwen Guo},
journal= {arXiv preprint arXiv:2501.16644},
year = {2025}
}
备注
This paper has been accepted by Journal of Intelligent Transportation Systems