[论文解读] Flow and Density Reconstruction and Optimal Sensor Placement for Road Transportation Networks

Enrico Lovisari, Carlos Canudas de Wit+1 more|arXiv (Cornell University)|Jul 25, 2015

Traffic control and management参考文献 27被引用 3

一句话总结

本文提出一种数据融合算法，结合固定传感器数据与浮动车数据（FCD），利用宏观单元模型重建道路网络中的交通流与密度。该方法在90%的时间-路段组合中实现了低于20辆/公里的估计误差，并提出基于虚拟方差的启发式方法，实现最优且成本效益高的传感器部署，已在格勒诺布尔环路的实际道路网络中得到验证。

ABSTRACT

This paper addresses the two problems of flow and density reconstruction in Road Transportation Networks with heterogeneous information sources and cost effective sensor placement. Following standard macroscopic modeling approaches, the network is partitioned in cells, whose density of vehicles changes dynamically in time according to first order conservation laws. The first problem is to estimate the flow and the density of vehicles using two sources of information, namely standard fixed sensors, precise but expensive, and Floating Car Data, less precise due to low penetration rates, but already available on most of the main roads. A data fusion algorithm is proposed to merge the two sources of information for observing density and flow of vehicles. The second problem is to place the sensors in the network by trading off between cost and performance. A relaxation of the problem is proposed based on the concept of Virtual Variances. The efficiency of the proposed strategies is shown on a synthetic regular grid and in the real world scenario of Rocade Sud in Grenoble, France, a ring road 10.5 km long.

研究动机与目标

• 解决利用异构数据源重建道路网络中交通流与密度的挑战。
• 开发一种兼顾性能与部署成本的低成本传感器部署策略。
• 融合精度高但稀疏的固定传感器数据与精度较低但广泛可用的浮动车数据（FCD）。
• 为交通控制与驾驶员信息系统等应用提供准确的实时交通状态估计。
• 通过基于虚拟方差的松弛方法优化传感器部署，以在预算约束下最小化重建误差。

提出的方法

• 将道路网络建模为一组单元，其动态车辆密度由一阶守恒定律控制。
• 通过单元传递模型（CTM）对Lighthill-Whitham-Richards（LWR）模型进行离散化，以描述流量与密度的动力学行为。
• 采用基于梯度下降的校准方法调整基本图（Fundamental Diagram），使其与实测数据匹配。
• 应用数据融合观测器，结合固定传感器测量值与FCD速度估计值，以重构流量与密度。
• 引入虚拟方差概念，以松弛传感器部署问题，并通过启发式优化指导最优部署。
• 采用类似卡尔曼滤波的观测器框架，基于质量守恒与测量融合进行状态估计。

实验结果

研究问题

• RQ1 如何利用固定传感器与浮动车数据（FCD）在道路网络中准确重构流量与密度？
• RQ2 如何实现固定传感器的最优部署，以在最小化成本的同时最大化重建精度？
• RQ3 将低精度FCD与高精度固定传感器数据融合，如何提升整体交通状态估计性能？
• RQ4 基于虚拟方差的启发式方法在大规模网络中在多大程度上能有效近似最优传感器部署？
• RQ5 估计误差在不同交通状态（自由流、拥堵）及不同位置（如匝道口）下的变化情况如何？

主要发现

• 所提出的融合算法在75%的时间-路段组合中实现平均绝对误差低于11辆/公里，在90%的组合中误差低于23辆/公里。
• 对于流量估计，75%的组合误差低于1–2辆，90%的组合误差低于2–3辆。
• 在Eybens出口处，由于FCD无法区分匝道前后的交通状况，导致密度被高估。
• 由于一阶守恒模型与观测器设计的低通滤波效应，重构的流量与密度比原始测量值更平滑。
• 即使使用理想情况（完全掌握流出量与拥堵状态）的“理想”观测器，仍存在5.8辆/公里的误差（75%的组合），表明10–20辆/公里的误差水平足以捕捉交通动态的定性特征。
• 虚拟方差启发式方法即使在仅部署少量固定传感器时，也能实现有效的传感器部署，性能下降极小。