[论文解读] Macroscopic Traffic Flow Modeling with Physics Regularized Gaussian Process: A New Insight into Machine Learning Applications

Yun Yuan, Xianfeng Yang+2 more|arXiv (Cornell University)|Feb 6, 2020

Traffic Prediction and Management Techniques参考文献 68被引用 7

一句话总结

该论文提出了一种物理正则化高斯过程（PRGP）框架，将宏观交通流模型（LWR、PW、ARZ）嵌入贝叶斯高斯过程中，以在数据量少或噪声大的条件下提升估计精度与鲁棒性。通过使用影子GP和后验正则化，该方法在噪声数据上显著优于纯机器学习模型和校准后的物理模型，使流量均方根误差（RMSE）降低超过160辆/小时，平均绝对百分比误差（MAPE）降低超过100%。

ABSTRACT

Despite the wide implementation of machine learning (ML) techniques in traffic flow modeling recently, those data-driven approaches often fall short of accuracy in the cases with a small or noisy dataset. To address this issue, this study presents a new modeling framework, named physics regularized machine learning (PRML), to encode classical traffic flow models (referred as physical models) into the ML architecture and to regularize the ML training process. More specifically, a stochastic physics regularized Gaussian process (PRGP) model is developed and a Bayesian inference algorithm is used to estimate the mean and kernel of the PRGP. A physical regularizer based on macroscopic traffic flow models is also developed to augment the estimation via a shadow GP and an enhanced latent force model is used to encode physical knowledge into stochastic processes. Based on the posterior regularization inference framework, an efficient stochastic optimization algorithm is also developed to maximize the evidence lowerbound of the system likelihood. To prove the effectiveness of the proposed model, this paper conducts empirical studies on a real-world dataset which is collected from a stretch of I-15 freeway, Utah. Results show the new PRGP model can outperform the previous compatible methods, such as calibrated pure physical models and pure machine learning methods, in estimation precision and input robustness.

研究动机与目标

• 解决纯机器学习模型在训练数据稀缺或噪声大时在交通状态估计中的局限性。
• 克服经典确定性交通流模型在真实世界数据不确定性下灵活性差且校准负担重的问题。
• 将成熟的宏观交通流物理理论（如守恒定律、基本图模型）整合进数据驱动学习框架中。
• 开发一种混合建模方法，结合物理模型的可解释性与机器学习的适应性。
• 通过在学习过程中嵌入物理知识作为软约束，提升对输入数据噪声和外推情况的鲁棒性。

提出的方法

• 提出一种随机物理正则化高斯过程（PRGP），结合标准GP与影子GP以编码物理定律。
• 利用潜在作用力模型，将宏观交通流模型（LWR、Payne-Whitham、ARZ）作为随机过程嵌入GP框架中。
• 实施后验正则化推理算法，在贝叶斯学习过程中强制施加物理约束，采用证据下界最大化方法。
• 利用自动微分高效优化PRGP的均值函数与核函数，以满足物理正则化条件。
• 将PRGP表述为多输出高斯过程，通过共享的物理结构联合建模流量、速度与密度。
• 在犹他州I-15高速公路的真实PeMS数据上应用该框架，验证其相对于纯ML模型与校准后物理模型的性能。

实验结果

研究问题

• RQ1 当训练数据有限或存在噪声时，物理正则化机器学习能否提升宏观交通流建模的估计精度？
• RQ2 将经典交通流模型（LWR、PW、ARZ）作为软约束嵌入，如何增强高斯过程回归的鲁棒性？
• RQ3 在真实世界数据上，PRGP框架相较于纯机器学习模型与校准后物理模型，在RMSE与MAPE指标上的性能提升程度如何？
• RQ4 在数据污染或传感器故障情况下，引入物理知识是否能降低交通状态估计的偏差与方差？
• RQ5 在测试数据与训练数据存在差异的外推场景中，该框架能否保持高性能？

主要发现

• 在50%噪声数据上训练时，PRGP模型相比纯GP将流量RMSE降低超过160辆/小时，流量MAPE降低超过100%。
• PRGP模型（如GP-LWR、GP-ARZ）的流量RMSE低至34.75辆/小时，流量MAPE为11.48%，显著优于纯GP（RMSE：212.17，MAPE：135.19%）。
• GP-ARZ变体在速度估计中达到最低的RMSE（2.90英里/小时）与MAPE（2.72%），展现出更优的准确性。
• 基于热方程的正则化（GP-HEAT）表现较差，速度MAPE达33.6%，证实仅结构良好的物理模型才能提升性能。
• 当50%的训练数据被每5分钟100辆的噪声污染时，PRGP框架仍保持高精度与鲁棒性，而纯ML模型则出现显著发散。
• 影子GP与后验正则化有效正则化了标准GP，作为软约束在保持物理一致性的同时允许数据自适应。