Estimating motorway traffic states with data fusion and physics-informed deep learning
摘要
交通状况估计是交通工程中的一项重要任务。它需要对交通状况进行观测,而迄今为止,即使有了新兴技术,也只是部分地对交通状况进行观测,这是由于欧拉和拉格朗日的观测并不是在任何时候都存在。我们提出了一种方法,利用物理学上的深度学习来融合这两种观察类型,该方法基于Lighthill-Whitham-Richards(LWR)模型来估计没有观察到的地点的交通状况,尤其是推断交通密度。我们使用两种类型的基本图示。Greenshields的抛物线和梯形基本图的可微调版本用于估计。在后者中,我们从观察结果中估计出导致交通性能下降的所有因素的集体影响,甚至是不可估量的因素。我们将其应用于德国高速公路A9的真实数据,发现它提供了一个机会,通过数据融合改善对交通密度的估计和理解。
INTRODUCTION
交通状态通常指的是在空间和时间上特定位置的车辆密度、速度和流量的信息。它的估计通常依赖于部分观测,因为要获得全部信息是不可能的,或者成本太高。人们提出了各种方法来估计部分观测的完整交通状态。
有两类方法用于交通状态估计。第一,分析模型。第二,经验模型。交通状态估计的另一个重要方面是部分观测的数据来源。由于存在许多不同的测量技术,如环形检测器、行驶中的汽车数据、摄像机数据等,数据融合的任务是结合异质数据源来改善交通状态的估计。文献中有不同的数据融合方法,然而,重点似乎主要是在行驶时间或速度上,而在交通密度估计上则较少。最近,交通状态估计的数据融合已经从纯统计方法转向机器学习,特别是神经网络的深度学习。
神经网络的一个关键特征是它们可以对几乎任何函数进行建模。在处理物理系统时,通常会有一些限制条件,例如,速度不能是负的,或者流量不能在果酱密度下达到峰值。这些约束条件本身并没有反映在神经网络结构中,除非它们是学习数据的一部分,但这些数据可能是有噪声或有偏见的。最近,利用深度学