[论文解读] Time-to-Green predictions for fully-actuated signal control systems with supervised learning

Alexander Genser, Michail Makridis+4 more|arXiv (Cornell University)|Aug 24, 2022

Traffic Prediction and Management Techniques参考文献 54被引用 1

一句话总结

本文提出了一种监督机器学习框架，利用聚合的环形检测器和信号相位数据，预测全感应式交通信号灯的绿灯倒计时（Time-to-Green, T2G）。结果表明，随机森林模型在预测下一红灯持续时间方面优于线性回归和长短期记忆网络（LSTM），在真实瑞士苏黎世数据上的平均绝对误差（MAE）为0.90–3.27秒，适用于实际的车速建议与交通优化系统。

ABSTRACT

Recently, efforts have been made to standardize signal phase and timing (SPaT) messages. These messages contain signal phase timings of all signalized intersection approaches. This information can thus be used for efficient motion planning, resulting in more homogeneous traffic flows and uniform speed profiles. Despite efforts to provide robust predictions for semi-actuated signal control systems, predicting signal phase timings for fully-actuated controls remains challenging. This paper proposes a time series prediction framework using aggregated traffic signal and loop detector data. We utilize state-of-the-art machine learning models to predict future signal phases' duration. The performance of a Linear Regression (LR), a Random Forest (RF), and a Long-Short-Term-Memory (LSTM) neural network are assessed against a naive baseline model. Results based on an empirical data set from a fully-actuated signal control system in Zurich, Switzerland, show that machine learning models outperform conventional prediction methods. Furthermore, tree-based decision models such as the RF perform best with an accuracy that meets requirements for practical applications.

研究动机与目标

• 提高全感应式信号控制系统中绿灯倒计时（T2G）预测的准确性，此类系统因动态优化和公交优先而具有复杂且非线性的特性。
• 开发一种通用的、数据驱动的框架，无需了解底层信号控制算法，从而可应用于专有或未知系统。
• 通过利用实时交通信号和环形检测器数据准确预测下一红灯持续时间，提升SPaT消息质量，以支持车辆运动规划。
• 引入基于交通流理论的物理信息特征，以提升模型性能，特别是在具有公共交通优先的多模式城市环境中。
• 评估实时T2G预测在集成至车速建议与交通平滑系统中的可行性。

提出的方法

• 该框架使用瑞士苏黎世一个全感应式交叉路口的历史交通信号和环形检测器（LD）数据，包含公共交通优先机制。
• 通过交通流理论中的领域特定概念（如车辆密度、排队长度和检测时间模式）进行大量特征工程。
• 训练三种监督学习模型：线性回归（LR）、随机森林（RF）和长短期记忆（LSTM）神经网络，全部回归预测下一红灯持续时间。
• 基准模型采用最后一次观测到的红灯持续时间，以建立性能基准。
• 使用标准指标评估模型性能：平均绝对误差（MAE）、均方根误差（RMSE）、可解释方差（EH）和归一化均比（NM）。
• 模型在两个月的数据上离线训练，并在未见过的信号周期上进行测试，以评估泛化能力和预测准确性。

实验结果

研究问题

• RQ1 监督机器学习模型能否在具有复杂动态行为的全感应式信号控制系统中准确预测下一红灯持续时间（即绿灯倒计时）？
• RQ2 在使用真实交通信号和环形检测器数据预测T2G时，线性回归、随机森林和LSTM等不同机器学习模型的性能如何比较？
• RQ3 基于交通流理论推导的物理信息特征在多模式城市交叉口的T2G模型预测准确性方面能提升到何种程度？
• RQ4 所提出的框架是否能达到足够高的精度，以实现车速建议与交通平滑系统中的实际部署，特别是在存在公共交通优先的情况下？
• RQ5 当前模型在预测高方差信号相位（如服务于电车的相位）的T2G时存在哪些局限性？

主要发现

• 随机森林（RF）模型表现最佳，不同信号相位的平均绝对误差（MAE）为0.90至3.27秒，显著优于基线和其他模型。
• RF模型在捕捉涉及公共交通优先的复杂场景中信号相位持续时间的非线性模式方面表现出色。
• LSTM模型相较于基线模型改善有限，表明其序列建模能力在该时间序列预测任务中未达预期效果。
• 基线‘无变化’模型表现较差，误差较高，验证了在T2G预测中采用先进机器学习方法的必要性。
• RF模型在高变异性T2G峰值（如电车服务相位）上表现不佳，导致误差较高（MAE分别为85.88和64.02秒），且可解释方差低于2%，表明需要改进数据或模型适应策略。
• 本研究证实，基于交通流理论的特征工程可显著提升模型质量，并实现在不了解信号控制算法前提下的有效预测。