[논문 리뷰] An Integrative Data-Driven Physics-Inspired Approach to Traffic Congestion Control

Hossein Rastgoftar, Ella Atkins|arXiv (Cornell University)|2019. 12. 02.

Traffic control and management참고 문헌 28인용 수 4

한 줄 요약

이 논문은 슬라이딩 윈도우 내 역사적 교통 데이터에서 유량-밀도 관계를 학습함으로써 대규모 도시 네트워크에서 교통 혼잡을 제어하기 위한 데이터 기반, 물리학에 영향을 받은 모델 예측 제어(MPC) 프레임워크를 제안한다. 경계 유입 최적화를 선형 시간 논리(LTL)를 사용하여 제약 조건이 있는 이차 프로그래밍 문제로 공식화함으로써 교통의 실현 가능성을 보장하며, 시뮬레이션에서 600초 이내에 안정적인 혼잡 제어를 달성한다.

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.

연구 동기 및 목표

• 기본도표와 같은 전통적인 물리 기반 모델의 한계를 해결한다. 대규모 교통 네트워크에서의 적용에 한함.
• 고정된 유량-밀도 관계에 의존하지 않고 실증적 교통 데이터를 통합함으로써 교통 혼잡 모델링의 복원력과 정확도를 향상시킨다.
• 선형 시간 논리(LTL)를 사용하여 교통 실현 가능성 조건을 공식화하는 프레임워크를 개발한다.
• 모델 예측 제어(MPC)를 통해 네트워크 경계에서의 유입을 적응형으로 실시간 제어할 수 있도록 한다.
• 미세 교통 역학을 거시적 계획에 통합하여 상호 연결된 도로 네트워크(NOIR)에서의 개선된 협업을 실현한다.

제안 방법

• 상호 연결된 도로 네트워크(NOIR)에서 질량 보존을 나타내는 공간적·시간적으로 이산화된 연속성 편미분방정식(PDE)을 사용하여 교통 역학을 모델링한다.
• 고정된 기본도표 가정을 대체하기 위해 고정된 시간 윈도우 내 과거 교통 데이터로부터 동적으로 유량-밀도 관계를 학습한다.
• 선형 시간 논리(LTL)를 사용하여 교통 실현 가능성 조건을 공식화함으로써 네트워크 전역에서 안전하고 안정적인 교통 운영을 보장한다.
• 각 시간 단계에서 제약 조건이 있는 이차 프로그래밍 문제를 해결하는 적응형 MPC 컨트롤러를 구현한다.
• 실시간 교통 경향 행동 a[k]에 기반하여 시스템 동역학 행렬 $\mathbf{A}_{a[k]}$ 를 업데이트하는 파라미터 적응 유닛(PAU)을 통합한다.
• 상태 이탈과 제어 노력 간의 균형을 확보하기 위해 시간에 따라 변하는 비용 함수 $\mathrm{C} = \sum_{\tau=1}^{N_{\tau}} \left( \mathbf{x}^T[k+\tau]\mathbf{x}[k+\tau] + \beta\mathbf{u}^T[k+\tau]\mathbf{u}[k+\tau] \right)$ 를 사용한다.

실험 결과

연구 질문

• RQ1 대규모 도시 네트워크에서 실증적 교통 데이터를 효과적으로 활용하여 동적 유량-밀도 관계를 학습하는 방법은 무엇인가?
• RQ2 선형 시간 논리와 같은 형식적 방법이 교통 혼잡 제어 시스템의 복원력과 안전성에 어느 정도 기여하는가?
• RQ3 데이터 기반 동역학을 통합한 적응형 모델 예측 제어가 시간에 따라 전통적인 물리 기반 모델보다 우월한 성능을 보일 수 있는가?
• RQ4 미세 교통 행동을 거시적 계획에 통합할 경우 전체 네트워크의 안정성과 성능에 어떤 영향을 미치는가?
• RQ5 유입 제약 조건이 유한할 조건에서 제어 시스템의 수렴 행동은 안정 상태의 교통 밀도를 달성하는 데 어떻게 나타나는가?

주요 결과

• 제안된 방법은 시뮬레이션에서 약 600초(20개 시간 단계) 이내에 교통 밀도를 안정 상태 값으로 감소시켜 효과적인 혼잡 제어를 달성했다.
• 유입 입력 $u_1$ 에서 $u_8$ 까지가 시간에 따라 동적으로 조정되어 변화하는 교통 조건에 대한 적응형 제어를 보여주었다.
• 모든 내부 도로 요소의 교통 밀도가 약 20개 시간 단계 후에 안정화되어 제어 전략의 효과성을 확인했다.
• 시스템은 최대 밀도 $\rho_{\text{max}} = 45$ 대기 단위 길이당를 유지하여 운영 안전성과 실현 가능성 확보를 보장했다.
• 데이터 기반 유량-밀도 학습을 위한 슬라이딩 윈도우의 사용이 교통 조율 추세에 대한 일관되고 최신의 모델링을 가능하게 했다.
• LTL 기반 실현 가능성 제약 조건의 통합으로 모든 제어 조치가 공식적인 안전성 및 운영 요구 조건을 준수함을 보장했다.