[论文解读] Data-Driven Models for Traffic Flow at Junctions

Michaël Herty, Niklas Kolbe|arXiv (Cornell University)|Jan 1, 2022

Traffic Prediction and Management Techniques被引用 1

一句话总结

本文提出了一种数据驱动的机器学习框架，将人工神经网络与参数化黎曼求解器相结合，以推导道路交汇处宏观交通流模型的精确且一致的耦合条件。通过在真实车辆轨迹数据上进行训练，该模型在预测现实交通动态（包括拥堵和优先权效应）方面优于经典的流量最大化规则，这些现象在传统模型中未能被捕捉。

ABSTRACT

The simulation of traffic flow on networks requires knowledge on the behavior across traffic intersections. For macroscopic models based on hyperbolic conservation laws there exist nowadays many ad-hoc models describing this behavior. Based on real-world car trajectory data we propose a new class of data-driven models with the requirements of being consistent to networked hyperbolic traffic flow models. To this end the new models combine artificial neural networks with a parametrization of the solution space to the half-Riemann problem at the junction. A method for deriving density and flux corresponding to the traffic close to the junction for data-driven models is presented. The models parameter are fitted to obtain suitable boundary conditions for macroscopic first and second-order traffic flow models. The prediction of various models are compared considering also existing coupling rules at the junction. Numerical results imposing the data-fitted coupling models on a traffic network are presented exhibiting accurate predictions of the new models.

研究动机与目标

• 为道路网络中的宏观交通流模型开发数据一致的耦合条件。
• 解决宏观模型在真实轨迹数据（尤其是交汇处）上缺乏验证的问题。
• 改进基于流量最大化的经典耦合规则，这些规则无法捕捉如匝道优先权和拥堵传播等复杂交通现象。
• 提供一个统一的框架，用于训练在数学上与双曲守恒律和网络化PDE系统一致的机器学习模型。
• 使用来自匝道交汇处的真实轨迹数据验证所提出的模型，包括长期仿真和吞吐量对比。

提出的方法

• 利用高速公路上匝道的车辆轨迹数据，通过控制体追踪方法推导宏观密度与通量。
• 采用基于基尔霍夫定律的时间延迟校正方法对数据进行归一化，以考虑交互同步与昼夜变化的影响。
• 基于归一化数据估计道路特定的基本图（速度与密度关系）。
• 提出一种新型机器学习模型类别，结合人工神经网络与交汇处半黎曼问题的参数化解空间。
• 采用进化算法与随机梯度下降联合训练模型参数，确保与宏观PDE模型的一致性。
• 采用有限体积格式模拟网络动力学，并在不同模型间比较预测结果。

实验结果

研究问题

• RQ1 在真实轨迹数据上训练的机器学习模型，是否能在交通交汇处产生比经典流量最大化规则更准确、更真实的耦合条件？
• RQ2 如何使数据驱动模型在数学上与双曲守恒律及网络化PDE系统保持一致？
• RQ3 数据驱动耦合模型在多大程度上能够预测训练数据中未包含的现象，如拥堵与匝道优先权？
• RQ4 模型深度（层数）如何影响网络仿真中交通流预测的现实性与准确性？
• RQ5 能否建立一个统一框架，将数据拟合的基本图与数据驱动的耦合规则在一致的宏观建模框架中整合？

主要发现

• 基于数据驱动的机器学习模型在拟合训练数据与测试数据方面均优于经典耦合规则，尤其在捕捉复杂交通动态方面表现更优。
• 单层神经网络模型产生了不切实际的结果，如整个交汇处完全阻塞，凸显了对更深架构的需求。
• 四层神经网络模型在吞吐量预测测试中，其边界通量预测精度与最佳经典模型相当。
• 在拥堵预测场景中（训练数据稀疏），数据驱动模型正确预测了对匝道车辆的强烈优先权，而经典模型未能反映此类行为。
• 所提出的框架成功利用基于基尔霍夫定律的时间延迟调整对轨迹数据进行了归一化，提升了与宏观流量定律的一致性。
• 将学习到的耦合条件与有限体积格式结合，产生了稳定且现实的网络级交通动力学，验证了该方法在实际应用中的可行性。