[论文解读] Short-term traffic prediction using physics-aware neural networks

Mike Pereira, Annika Lang+1 more|arXiv (Cornell University)|Sep 21, 2021

Traffic Prediction and Management Techniques参考文献 37被引用 4

一句话总结

本文提出了一种物理感知的循环神经网络，将离散化的宏观交通流模型（交通反应模型，TRM）与基于LSTM的参数估计相结合，实现可解释的短期通量预测以及对原始环形检测器数据的噪声感知平滑。与平滑后的通量相比，该方法在3步预测中的MAPE为4.82%，在10步预测中的MAPE为8.02%，展示了物理一致的预测结果以及有效的数据去噪能力。

ABSTRACT

In this work, we propose an algorithm performing short-term predictions of the flux of vehicles on a stretch of road, using past measurements of the flux. This algorithm is based on a physics-aware recurrent neural network. A discretization of a macroscopic traffic flow model (using the so-called Traffic Reaction Model) is embedded in the architecture of the network and yields flux predictions based on estimated and predicted space-time dependent traffic parameters. These parameters are themselves obtained using a succession of LSTM ans simple recurrent neural networks. Besides, on top of the predictions, the algorithm yields a smoothing of its inputs which is also physically-constrained by the macroscopic traffic flow model. The algorithm is tested on raw flux measurements obtained from loop detectors.

研究动机与目标

• 开发一种结合神经网络与物理交通流模型的短期交通通量预测方法，以提升可解释性与鲁棒性。
• 通过将宏观交通流模型（TRM）嵌入神经网络架构，解决标准深度学习模型在交通预测中的黑箱问题。
• 在单一、物理约束的框架中，同时实现噪声降低（平滑）与预测。
• 在道路路段的所有空间位置生成通量估计与预测，而不仅限于传感器位置，从而实现数据增强。
• 在荷兰高速公路环形检测器获取的真实原始通量测量数据上验证该方法，展示其在原始数据与平滑数据上的性能表现。

提出的方法

• 该方法采用两阶段架构：首先，LSTM网络从历史通量测量中估计时变参数（如自由流速度、阻塞密度）。
• 将估计出的参数输入到离散化的交通反应模型（TRM）中，TRM是一种宏观交通流模型，用于计算整个路段的通量估计与预测。
• TRM的离散化确保了所有通量预测与平滑输出在物理上与宏观交通动力学保持一致。
• 该模型在统一框架中同时完成原始输入数据的平滑与未来预测，且平滑过程基于物理模型。
• 该架构采用端到端训练，物理模型作为对神经网络输出的可微分约束。
• 通过在道路域上数值求解TRM，该模型即使在无直接测量的位置也能实现空间连续的通量估计与预测。

实验结果

研究问题

• RQ1 与标准黑箱模型相比，物理感知的神经网络架构是否能在短期交通通量预测中提升可解释性与鲁棒性？
• RQ2 宏观交通流模型（TRM）在多大程度上能有效嵌入深度学习框架，以确保物理一致的预测与平滑？
• RQ3 在原始数据与平滑数据上评估时，该方法的性能与标准深度学习模型相比如何？
• RQ4 该模型是否能在保持整个路段物理合理性的前提下，同时实现噪声降低与未来预测？
• RQ5 将物理模型集成到神经网络架构中，是否能提升泛化能力并降低对超参数调优的敏感性？

主要发现

• 与平滑通量相比，该方法在3步预测中的MAPE为4.82%，表明其具有出色的预测精度。
• 在10步预测中，MAPE达到8.02%（基于平滑通量），表明其在较长预测时域内仍保持一致的性能。
• 该算法能有效平滑原始通量测量数据，在不依赖外部预处理的前提下降低噪声，同时保持物理一致性。
• 预测误差在远离传感器的界面处最高，且峰值出现在观测到的界面处，表明模型对测量数据具有局部适应能力。
• 该模型在整段道路范围内均生成物理上合理的通量估计与预测，而不仅限于传感器位置，从而实现了空间数据增强。
• 与标准深度学习模型相比，该方法在平滑数据上的性能相当，但具有更高的可解释性与物理基础。