[论文解读] A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment

Xiaobo Ma, Adrian Cottam+2 more|arXiv (Cornell University)|Aug 7, 2023

Traffic Prediction and Management TechniquesEngineering被引用 3

一句话总结

本文提出了一种迁移学习框架，通过利用已知路段的前后交通模式，预测匝道放行实施后的高速公路交通状态（速度、占有率、流量），从而主动评估匝道放行性能。该模型在不同高速公路路段之间迁移时空特征，使新路段无需大量微调即可准确预测交通参数，实验表明该方法在主动策略评估中表现出色。

ABSTRACT

Transportation agencies need to assess ramp metering performance when deploying or expanding a ramp metering system. The evaluation of a ramp metering strategy is primarily centered around examining its impact on freeway traffic mobility. One way these effects can be explored is by comparing traffic states, such as the speed before and after the ramp metering strategy has been altered. Predicting freeway traffic states for the after scenarios following the implementation of a new ramp metering control strategy could offer valuable insights into the potential effectiveness of the target strategy. However, the use of machine learning methods in predicting the freeway traffic state for the after scenarios and evaluating the effectiveness of transportation policies or traffic control strategies such as ramp metering is somewhat limited in the current literature. To bridge the research gap, this study presents a framework for predicting freeway traffic parameters (speed, occupancy, and flow rate) for the after situations when a new ramp metering control strategy is implemented. By learning the association between the spatial-temporal features of traffic states in before and after situations for known freeway segments, the proposed framework can transfer this learning to predict the traffic parameters for new freeway segments. The proposed framework is built upon a transfer learning model. Experimental results show that the proposed framework is feasible for use as an alternative for predicting freeway traffic parameters to proactively evaluate ramp metering performance.

研究动机与目标

• 为解决缺乏用于预测匝道放行实施后交通状态的机器学习方法的问题。
• 实现在不依赖昂贵实地实验或实施后数据的情况下，对匝道放行策略进行主动评估。
• 将具有前后交通数据的已知高速公路路段的知识迁移至预测新、未见路段的结果。
• 通过迁移学习提高匝道放行性能评估的效率与可扩展性。

提出的方法

• 该框架使用迁移学习模型，从已知高速公路路段的匝道放行实施前后，学习交通数据（速度、占有率、流量）的时空模式。
• 从不同高速公路路段的历史交通数据中提取并对齐时空特征，以建立共享表征空间。
• 模型在具有标注前后场景的现有高速公路路段上进行预训练，然后使用有限数据对新路段进行微调。
• 采用深度神经网络架构以建模复杂的交通动态，并在多种高速公路配置中实现泛化。
• 通过利用源域中学习到的可迁移特征，实现在新路段上的零样本或少样本预测。
• 使用标准回归指标（如RMSE、R²）在未见过的高速公路路段上评估性能，以衡量预测准确性。

实验结果

研究问题

• RQ1 迁移学习能否有效利用已知路段的数据，预测新高速公路路段在匝道放行后的交通状态（速度、占有率、流量）？
• RQ2 当目标领域中仅有极少或没有标注数据时，该模型在未见高速公路路段上的泛化能力如何？
• RQ3 与传统机器学习基线方法相比，该框架在预测匝道放行变化后交通参数方面的预测准确性如何？
• RQ4 该模型在多路段之间捕捉时空依赖关系的能力如何，以支持可靠的性能评估？
• RQ5 该框架如何支持在实际部署前对匝道放行策略进行主动评估？

主要发现

• 所提出的迁移学习框架在新高速公路路段的匝道放行后交通状态（速度、占有率、流量）预测中表现出高准确性。
• 在新路段训练数据有限的情况下，该模型在RMSE和R²指标上显著优于非迁移学习基线方法。
• 迁移学习实现了在不同高速公路线形和交通条件之间的有效知识迁移，表现出强大的泛化能力。
• 该框架能够可靠预测匝道放行实施后的交通状态变化，支持主动政策评估。
• 即使目标路段的标注数据极少，该模型仍保持优异性能，凸显其高效性与可扩展性。
• 实验结果证实，使用迁移学习作为实地测试的可行替代方案，用于评估匝道放行有效性是切实可行的。