[논문 리뷰] Physics-Informed Deep Learning for Traffic State Estimation

Rongye Shi, Zhaobin Mo외 3명|arXiv (Cornell University)|2021. 01. 17.

Traffic Prediction and Management Techniques참고 문헌 65인용 수 10

한 줄 요약

이 논문은 루프 검출기 데이터를 사용하여 고속도로 교통 상태 추정을 위한 물리 기반 딥 러닝(PIDL) 프레임워크를 제안한다. LWR 기반 교통 흐름 모델과 딥 뉴럴 네트워크를 통합하여 추정 정확도와 데이터 효율성을 향상시킨다. 이 방법은 더 적은 수의 센서로도 뛰어난 성능을 발휘하며, 단지 여덟 대의 루프 검출기만으로도 오차가 0.06 이하로 유지되며, 기존의 모델 기반 및 데이터 기반 기준선을 모두 능가한다.

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.

연구 동기 및 목표

• 기존의 모델 기반 및 데이터 기반 교통 상태 추정(TSE) 방법의 한계를 해결하기 위해, 물리 모델에 의존하거나 막대한 데이터를 필요로 하는 방식에 기반한 방법의 문제점을 해결하고자 한다.
• 교통 흐름 모델의 물리적 일관성과 딥 러닝의 학습 능력을 결합한 하이브리드 프레임워크를 개발하여 TSE 성능을 향상시키고자 한다.
• 실제 루프 검출기 데이터를 활용한 NGSIM 데이터셋을 통해 물리 기반 딥 러닝(PIDL)이 고속도로 TSE에 얼마나 효과적인지 입증하고자 한다.
• 딥 러닝에 물리 기반 정규화를 도입하여 대규모 센서 배치에 의존도를 줄이고 데이터 효율적인 추정을 가능하게 하고자 한다.
• 다양한 데이터 가용성 수준에서 모델 기반 및 데이터 기반 구성 요소의 유연한 조정을 위한 하이퍼파라미터를 통해 성능 최적화를 분석하고자 한다.

제안 방법

• PIDL 프레임워크는 교통 상태 추정을 위한 물리 무관 신경망(PUNN)과 LWR 모델의 물리적 제약 조건을 강제하는 물리 기반 신경망(PINN)으로 구성된다.
• PINN 구성 요소는 LWR 편미분방정식(PDE)을 잔차 손실로 표현하여 추정된 교통 상태가 기초가 되는 교통 역학과 물리적으로 일관되도록 보장한다.
• 두 가지 아키텍처를 설계하였으며, 하나는 그린셔즈 기반 LWR 모델에 기반하고 다른 하나는 삼파rameter 기반 LWR 모델에 기반한다. 각각 PUNN의 훈련 과정에서 정규화에 사용된다.
• 손실 함수는 관측된 루프 검출기 데이터로부터 유도된 데이터 적합성 손실과 PDE로부터 유도된 물리 잔차 손실을 조합하며, 하이퍼파라미터 α와 β가 데이터와 물리 간의 트레이드오프를 제어한다.
• 모델 파라미터(예: 자유류속도, 정체 밀도 등)는 손실 함수 최적화 과정을 통해 종단 간(end-to-end)으로 발견된다.
• 프레임워크는 Next Generation Simulation(NGSIM) 데이터셋에서 훈련 및 평가되며, 다양한 수의 루프 검출기 조건에서 성능이 평가된다.

Figure 3: Numerical solution of Eqs. ( 10 ) using the Godunov scheme. We treat the numerical solution as the ground truth in our TSE experiments.

실험 결과

연구 질문

• RQ1 기존의 모델 기반 및 데이터 기반 방법과 비교해 물리 기반 딥 러닝이 교통 상태 추정 정확도를 향상시키면서도 데이터 요구량을 줄일 수 있는가?
• RQ2 소수의 루프 검출기만으로 PIDL 프레임워크가 교통 밀도를 얼마나 효과적으로 추정할 수 있는가?
• RQ3 PIDL 프레임워크가 추정 과정 중에 LWR 기반 교통 흐름 모델의 알려지지 않은 파라미터를 얼마나 잘 발견할 수 있는가?
• RQ4 데이터 가용성이 변화함에 따라 모델 기반 및 데이터 기반 구성 요소의 기여도 비율이 추정 성능에 어떻게 영향을 미치는가?
• RQ5 훈련 및 추론 시간 측면에서 기존의 TSE 기준선 대비 PIDL 프레임워크의 계산 비용은 어떠한가?

주요 결과

• PIDL 기반 방법은 단지 여덟 대의 루프 검출기만으로도 오차가 0.06 이하로 유지되며, 동일 조건에서 EKF 및 딥 러닝 모델을 포함한 모든 기준선을 능가한다.
• 루프 검출기 수가 제한적(≤6대)일 경우 EKF 방법이 신경망 기반 방법보다 성능이 뛰어나지만, PIDL 방법은 모든 데이터 수준에서 EKF를 일관되게 능가한다.
• 루프 검출기 수가 증가함에 따라 EKF의 성능은 모델 한계로 인해 정점에 도달하지만, PIDL 방법은 더 많은 데이터를 활용함으로써 계속해서 성능 향상을 이룬다.
• 모델 기반 및 데이터 기반 구성 요소 간 최적의 균형은 센서 수가 적을수록 물리 기반 구성 요소를 우선시하는(β/α 비율이 높은) 방향에서, 데이터가 풍부해질수록 데이터 기반 구성 요소를 우선시하는(β/α 비율이 낮은) 방향으로 이동한다.
• PIDL의 훈련 시간은 PINN를 통해 역전파를 수행하기 때문에 EKF보다 길지만, 추론 시간은 표준 신경망과 유사하여 실시간 응용에 실용적이다.
• PIDL 프레임워크는 훈련 과정 중에 모델 파라미터(예: 자유류속도, 정체 밀도 등)를 성공적으로 발견하여, 동시 추정 및 캘리브레이션 능력을 입증한다.

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