[论文解读] An Integrative Data-Driven Physics-Inspired Approach to Traffic Congestion Control

Hossein Rastgoftar, Ella Atkins|arXiv (Cornell University)|Dec 2, 2019

Traffic control and management参考文献 28被引用 4

一句话总结

该论文提出了一种数据驱动、受物理启发的模型预测控制（MPC）框架，用于大规模城市交通网络中的交通拥堵控制，通过在滑动窗口内从历史交通数据中学习流量-密度关系。该方法将边界流入优化建模为一个受约束的二次规划问题，利用线性时序逻辑（LTL）确保交通可行性，在仿真中600秒内实现稳定的拥堵控制。

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.

研究动机与目标

• 解决传统基于物理的模型（如基本图模型）在大规模交通网络中的局限性。
• 通过引入实证交通数据而非依赖固定流量-密度关系，提升交通拥堵建模的鲁棒性与准确性。
• 提出一种基于线性时序逻辑（LTL）的形式化框架，用于指定交通可行性条件。
• 通过模型预测控制（MPC）实现实时、自适应的网络边界流入控制。
• 将微观交通动力学整合到宏观规划中，以提升互联道路网络（NOIR）的协调性。

提出的方法

• 使用空间和时间离散化的连续性偏微分方程（PDE）建模交通动力学，表示互联道路网络（NOIR）中的质量守恒。
• 在固定时间滑动窗口内，从历史交通数据中动态学习流量-密度关系，替代静态基本图假设。
• 利用线性时序逻辑（LTL）形式化交通可行性条件，确保网络中交通运行的安全与稳定。
• 实现一种自适应MPC控制器，在每个时间步求解一个受约束的二次规划问题，以计算最优边界流入。
• 集成一个参数自适应单元（PAU），根据实时交通趋势动作 $\mathbf{a}[k]$ 更新系统动力学矩阵 $\mathbf{A}_{a[k]}$。
• 采用时变代价函数 $\mathrm{C} = \sum_{\tau=1}^{N_{\tau}} \left( \mathbf{x}^T[k+\tau]\mathbf{x}[k+\tau] + \beta\mathbf{u}^T[k+\tau]\mathbf{u}[k+\tau] \right)$ 平衡状态偏差与控制努力。

实验结果

研究问题

• RQ1 如何有效利用实证交通数据，在大规模城市网络中学习动态流量-密度关系？
• RQ2 形式化方法（如线性时序逻辑）在多大程度上能提升交通拥堵控制系统的鲁棒性与安全性？
• RQ3 基于数据驱动动力学的自适应模型预测控制，是否能在长时间尺度上优于传统基于物理的模型？
• RQ4 将微观交通行为整合到宏观规划中，对整体网络稳定性与性能有何影响？
• RQ5 在边界流入约束条件下，该控制系统的收敛行为如何？即其是否能实现稳态交通密度？

主要发现

• 所提方法在仿真中约600秒（20个时间步）内成功将交通密度降低至稳态值，表明拥堵控制有效。
• 边界流入输入 $u_1$ 至 $u_8$ 随时间动态调整，展示了对交通状况变化的自适应控制能力。
• 所有内部道路单元的交通密度在约20个时间步后趋于稳定，证实了控制策略的有效性。
• 系统将最大密度维持在 $\rho_{\text{max}} = 45$ 辆车每单位长度，确保了运行安全与可行性。
• 采用滑动窗口进行数据驱动的流量-密度学习，实现了对交通协调趋势的一致且实时的建模。
• 基于LTL的可行性约束集成，确保了所有控制动作均符合形式化安全与运行要求。