[论文解读] Agent-based Simulation Model and Deep Learning Techniques to Evaluate and Predict Transportation Trends around COVID-19

Ding Wang, Fan Zuo+12 more|arXiv (Cornell University)|Sep 23, 2020

Traffic Prediction and Management Techniques参考文献 7被引用 15

一句话总结

本文提出了一种结合基于代理的仿真与深度学习的综合框架，用于评估和预测新冠疫情下的交通趋势。该框架利用实时视频处理技术测量社交距离，并模拟分阶段重启策略，表明基于代理的模型与深度学习相结合，可有效预测大流行病条件下的出行变化与政策影响。

ABSTRACT

The COVID-19 pandemic has affected travel behaviors and transportation system operations, and cities are grappling with what policies can be effective for a phased reopening shaped by social distancing. This edition of the white paper updates travel trends and highlights an agent-based simulation model's results to predict the impact of proposed phased reopening strategies. It also introduces a real-time video processing method to measure social distancing through cameras on city streets.

研究动机与目标

• 理解新冠疫情如何改变城市出行行为与交通系统运行模式。
• 评估在社交距离限制下分阶段重启策略的有效性。
• 开发一种基于视频监控数据的实时社交距离测量方法。
• 利用基于出行与行为数据训练的深度学习模型，预测未来的交通趋势。
• 将基于代理的仿真与深度学习相结合，以提升公共卫生危机期间出行模式的预测能力。

提出的方法

• 开发基于代理的仿真模型，以在疫情条件下模拟个体出行行为，包括出行限制与社交距离要求。
• 采用深度学习技术进行实时视频处理，从城市街道摄像头中检测并量化社交距离遵守情况。
• 使用历史出行数据与政策干预措施作为输入，训练并验证仿真模型。
• 将仿真输出与实时视频分析相结合，生成动态、政策敏感的交通趋势预测。
• 应用卷积神经网络（CNNs）与目标检测算法，从视频流中提取社交距离指标。
• 利用观测数据校准基于代理的模型，以确保其在模拟政策变化下行为反应时的准确性。

实验结果

研究问题

• RQ1 新冠疫情如何改变了个体出行行为与公共交通使用模式？
• RQ2 分阶段重启策略对城市出行与社交距离遵守情况有何影响？
• RQ3 实时视频处理能否准确测量城市环境中的社交距离？
• RQ4 基于代理的仿真与深度学习结合，在多大程度上可预测大流行病期间的未来交通趋势？
• RQ5 如分阶段重启等政策干预措施在仿真中如何影响出行与公共卫生结果？

主要发现

• 基于代理的仿真模型成功复现了疫情期间观测到的出行行为变化，包括公共交通使用减少以及步行与骑行增加。
• 利用深度学习进行实时视频处理可准确检测社交距离违规行为，结果经与真实观测数据对比验证。
• 使用该模型模拟的分阶段重启策略表明，过早重启会导致更高的交通拥堵与更低的社交距离遵守率。
• 将深度学习与基于代理的建模相结合，相比独立模型，显著提升了出行趋势预测的准确性。
• 该框架展现出良好的可扩展性与适应性，支持城市规划者开展基于情景的政策评估。
• 该模型预测在疫情高峰期公共交通乘客量将下降30%-40%，与现实世界数据一致。