[論文レビュー] An Integrative Data-Driven Physics-Inspired Approach to Traffic Congestion Control

Hossein Rastgoftar, Ella Atkins|arXiv (Cornell University)|Dec 2, 2019

Traffic control and management参考文献 28被引用数 4

ひとこと要約

本稿では、スライディングウインドウ内での歴史的交通データからのフロー密度関係の学習を活用して、大規模都市ネットワークにおける交通混雑制御のためのデータ駆動型で物理的インスピレーションを受けるモデル予測制御（MPC）フレームワークを提案する。境界流入最適化を線形時相論理（LTL）を用いて制約付き二次計画問題として定式化することで、シミュレーションにおいて600秒以内に安定した混雑制御を達成した。

ABSTRACT

This paper offers an integrative data-driven physics-inspired approach to model and control traffic congestion in a resilient and efficient manner. While existing physics-based approaches commonly assign density and flow traffic states by using the Fundamental Diagram, this paper specifies the flow-density relation using past traffic information recorded in a time sliding window with a constant horizon length. With this approach, traffic coordination trends can be consistently learned and incorporated into traffic planning. This paper also models traffic coordination as a probabilistic process and obtains traffic feasibility conditions using linear temporal logic. Model productive control (MPC) is applied to control traffic congestion through the boundary of the traffic network. Therefore, the optimal boundary inflow is assigned as the solution of a constrained quadratic programming problem.

研究の動機と目的

• 大規模交通ネットワークにおける伝統的な物理ベースのモデル（例：フロントデイアグラム）の限界を解消すること。
• 固定されたフロー密度関係に依存するのではなく、実証的交通データを統合することで、交通混雑モデリングのレジリエンスと正確性を向上させること。
• 線形時相論理（LTL）を用いた形式的フレームワークを構築し、交通の妥当性条件を明示すること。
• モデル予測制御（MPC）を用いて、ネットワーク境界における流入を適応的・リアルタイムに制御すること。
• 微視的交通ダイナミクスをマクロスコピック計画に統合し、相互接続された道路ネットワーク（NOIR）における改善された協調性を実現すること。

提案手法

• 相互接続された道路ネットワーク（NOIR）における質量保存を表す、空間的・時間的に離散化された連続性偏微分方程式（PDE）を用いて交通ダイナミクスをモデル化する。
• 固定時間のスライディングウインドウ内での過去の交通データから、フロー密度関係を動的に学習し、静的フロントデイアグラムの仮定を置き換える。
• 線形時相論理（LTL）を用いて交通の妥当性条件を形式化し、ネットワーク全体における安全で安定した交通運用を保証する。
• 各時刻で制約付き二次計画問題を解くことで最適境界流入を計算する、適応的MPCコントローラーを実装する。
• リアルタイムの交通傾向行動 $ a[k] $ に基づいて、システムダイナミクス行列 $ \mathbf{A}_{a[k]} $ を更新するパラメータ適応ユニット（PAU）を統合する。
• 状態の逸脱と制御効率のバランスを取るために、時変コスト関数 $ \mathrm{C} = \sum_{\tau=1}^{N_{\tau}} \left( \mathbf{x}^T[k+\tau]\mathbf{x}[k+\tau] + \beta\mathbf{u}^T[k+\tau]\mathbf{u}[k+\tau] \right) $ を用いる。

実験結果

リサーチクエスチョン

• RQ1 大規模都市ネットワークにおいて、実証的交通データを効果的に活用して、動的フロー密度関係を学習する方法は何か？
• RQ2 線形時相論理（LTL）のような形式的手法は、交通混雑制御システムのレジリエンスと安全性をどの程度向上させ得るか？
• RQ3 データ駆動型ダイナミクスを有する適応的モデル予測制御は、時間経過に伴う混雑制御において、従来の物理ベースのモデルを上回る性能を示せるか？
• RQ4 微視的交通行動をマクロスコピック計画に統合することで、全体のネットワーク安定性とパフォーマンスにどのような影響を与えるか？
• RQ5 境界流入制約のもとで、制御系の収束挙動は、定常状態の交通密度に到達するまでの点でどのように現れるか？

主な発見

• 提案手法は、シミュレーションにおいて約600秒（20ステップ）のうちに交通密度を定常状態にまで低下させることに成功し、効果的な混雑制御を示した。
• 境界流入入力 $ u_1 $ から $ u_8 $ が時間経過に伴い動的に調整されたことから、変化する交通状況への適応的制御が実現された。
• すべての内部道路要素における交通密度が約20ステップ後に安定化したため、制御戦略の有効性が確認された。
• システムは最大密度 $ \rho_{\text{max}} = 45 $ 台車毎単位長さを維持したことで、運用上の安全と妥当性が保証された。
• スライディングウインドウを用いたデータ駆動型フロー密度学習により、交通協調傾向の一貫性と最新性のあるモデリングが可能になった。
• LTLに基づく妥当性制約の統合により、すべての制御行動が形式的安定性および運用要件を満たしていることが保証された。