Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Physics-Informed Deep Learning for Traffic State Estimation

Rongye Shi, Zhaobin Mo|arXiv (Cornell University)|Jan 17, 2021
Traffic Prediction and Management Techniques参考文献 65被引用数 10
ひとこと要約

本稿では、ループ検出器データを用いた高速道路の交通状態推定のための物理情報付き深層学習（PIDL）フレームワークを提案する。LWRに基づく交通流モデルと深層ニューラルネットワークを統合することで、推定精度とデータ効率を向上させる。本手法は、少ないセンサー数でも優れた性能を発揮し、8台のループ検出器のみで誤差が0.06未満に抑えられる。モデル駆動型およびデータ駆動型のベースラインを上回る性能を示す。

ABSTRACT

Traffic state estimation (TSE), which reconstructs the traffic variables (e.g., density) on road segments using partially observed data, plays an important role on efficient traffic control and operation that intelligent transportation systems (ITS) need to provide to people. Over decades, TSE approaches bifurcate into two main categories, model-driven approaches and data-driven approaches. However, each of them has limitations: the former highly relies on existing physical traffic flow models, such as Lighthill-Whitham-Richards (LWR) models, which may only capture limited dynamics of real-world traffic, resulting in low-quality estimation, while the latter requires massive data in order to perform accurate and generalizable estimation. To mitigate the limitations, this paper introduces a physics-informed deep learning (PIDL) framework to efficiently conduct high-quality TSE with small amounts of observed data. PIDL contains both model-driven and data-driven components, making possible the integration of the strong points of both approaches while overcoming the shortcomings of either. This paper focuses on highway TSE with observed data from loop detectors, using traffic density as the traffic variables. We demonstrate the use of PIDL to solve (with data from loop detectors) two popular physical traffic flow models, i.e., Greenshields-based LWR and three-parameter-based LWR, and discover the model parameters. We then evaluate the PIDL-based highway TSE using the Next Generation SIMulation (NGSIM) dataset. The experimental results show the advantages of the PIDL-based approach in terms of estimation accuracy and data efficiency over advanced baseline TSE methods.

研究の動機と目的

  • 従来のモデル駆動型およびデータ駆動型交通状態推定（TSE）手法が、それぞれ物理モデルに依存するか、大量のデータを必要とするという限界を是正すること。
  • 交通流モデルの物理的整合性と深層学習の学習能力を統合したハイブリッドフレームワークを構築し、TSE性能を向上させること。
  • NGSIMデータセットの実世界のループ検出器データを用いて、高速道路TSEにおける物理情報付き深層学習（PIDL）の有効性を実証すること。
  • 深層学習における物理情報付き正則化を活用し、大規模なセンサー導入に依存しないデータ効率の高い推定を可能とすること。
  • ハイパーパrameterを用いてモデル駆動型およびデータ駆動型の各成分の調整の柔軟性を検討し、データの可用性に応じた最適化を図ること。

提案手法

  • PIDLフレームワークは、交通状態推定のための物理情報なしニューラルネットワーク（PUNN）と、LWRモデルからの物理的制約を強制する物理情報付きニューラルネットワーク（PINN）から構成される。
  • PINN部は、LWR偏微分方程式（PDE）を残差損失として表現し、推定された交通状態が基礎となる交通ダイナミクスと物理的に整合するように保証する。
  • 2種類のアーキテクチャを設計した：1つはグリーンシールズに基づくLWRモデルに、もう1つは3パラメータベースのLWRモデルに。それぞれがPUNNの学習中に正則化に使用される。
  • 損失関数は、観測されたループ検出器データからのデータ適合性損失と、PDEからの物理的残差損失を組み合わせており、ハイパーパrameter α と β がデータと物理の間のトレードオフを制御する。
  • モデルパラメータ（例：自由流れ速度、混雑密度）は、損失関数の最適化を通じてエンドツーエンドで同定される。
  • フレームワークは、Next Generation Simulation（NGSIM）データセット上で訓練および評価され、ループ検出器の数を変化させた条件での性能が評価された。
Figure 3: Numerical solution of Eqs. ( 10 ) using the Godunov scheme. We treat the numerical solution as the ground truth in our TSE experiments.
Figure 3: Numerical solution of Eqs. ( 10 ) using the Godunov scheme. We treat the numerical solution as the ground truth in our TSE experiments.

実験結果

リサーチクエスチョン

  • RQ1従来のモデル駆動型およびデータ駆動型手法と比較して、物理情報付き深層学習は、データ要件を低減しつつ交通状態推定の精度を向上させることができるか？
  • RQ2少数のループ検出器でのみ、PIDLフレームワークが交通密度をどの程度効果的に推定できるか？
  • RQ3LWRに基づく交通流モデルの未知パラメータが、推定プロセス中にどの程度同定可能か？
  • RQ4データの可用性が変化する中で、モデル駆動型およびデータ駆動型の各成分の相対的寄与度が推定性能に与える影響はいかほどか？
  • RQ5訓練時間および推論時間の観点から、PIDLフレームワークの計算コストは、既存のTSEベースラインと比較してどの程度か？

主な発見

  • PIDLベースの手法は、8台のループ検出器のみで誤差が0.06未満に抑えられ、EKFや深層学習モデルを含むすべてのベースラインを上回る性能を示した。
  • ループ検出器の数が限られている（≤6台）場合、EKF法がニューラルネットワークベースの手法を上回るが、PIDL法はあらゆるデータレベルでEKFを常に上回る。
  • ループ検出器の数が増加するにつれ、EKF法の性能はモデルの限界により頭打ちになるが、PIDL法はより多くのデータを活用することで継続的に改善を続ける。
  • モデル駆動型とデータ駆動型の成分の最適なバランスは、センサーが少ない状況では物理情報付き成分を重視する（β/α比が高い）傾向にあり、データが豊富になるとデータ駆動型成分を重視する（β/α比が低い）傾向にシフトする。
  • PIDLの訓練時間はEKFより長いが、これはPINNを介したバックプロパゲーションに起因する。一方、推論時間は標準的なニューラルネットワークと同等であり、リアルタイム応用において実用的である。
  • PIDLフレームワークは、訓練プロセス中にモデルパラメータ（例：自由流れ速度、混雑密度）を正常に同定でき、同時に推定とキャリブレーションが可能であることを示した。
Figure 4: PIDL architecture for Greenshields-based LWR in Eqs. ( 10 ), consisting of a PUNN for traffic density estimation and a PINN for calculating the residual Eq. ( 11 ). For experiments of estimation without parameter discovery, all connecting weights, including $\rho_{max}=1$ , $u_{max}=1$ , a
Figure 4: PIDL architecture for Greenshields-based LWR in Eqs. ( 10 ), consisting of a PUNN for traffic density estimation and a PINN for calculating the residual Eq. ( 11 ). For experiments of estimation without parameter discovery, all connecting weights, including $\rho_{max}=1$ , $u_{max}=1$ , a

より良い研究を、今すぐ始めましょう

論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。