[论文解读] Traffic Forecasting using Vehicle-to-Vehicle Communication

Steven Wong, Lejun Jiang+4 more|arXiv (Cornell University)|Apr 12, 2021

Traffic Prediction and Management Techniques参考文献 11被引用 5

一句话总结

本文提出了一种混合交通预测模型，将纽维尔（Newell）的基于物理原理的跟驰模型与基于ResLSTM-FC神经网络的残差误差预测相结合，利用真实车辆间（V2V）通信数据进行训练。该方法在纯物理原理或深度学习基线模型的基础上显著降低了速度预测误差，在40秒预测时延下平均误差降低最多达12%，同时实现了连通车辆的实时车载预测。

ABSTRACT

We take the first step in using vehicle-to-vehicle (V2V) communication to provide real-time on-board traffic predictions. In order to best utilize real-world V2V communication data, we integrate first principle models with deep learning. Specifically, we train recurrent neural networks to improve the predictions given by first principle models. Our approach is able to predict the velocity of individual vehicles up to a minute into the future with improved accuracy over first principle-based baselines. We conduct a comprehensive study to evaluate different methods of integrating first principle models with deep learning techniques. The source code for our models is available at https://github.com/Rose-STL-Lab/V2V-traffic-forecast .

研究动机与目标

• 仅使用V2V通信数据，实现面向单个车辆的实时车载交通预测。
• 在仅依靠物理原理模型无法达到的精度基础上进一步提升预测准确性，尤其在捕捉人类行为差异性和噪声方面。
• 开发一种在多种交通条件下（包括速度与流量分布变化）具有良好泛化能力的方法。
• 将基于物理的模型与数据驱动的深度学习相结合，实现鲁棒、准确且可解释的交通预测。
• 在真实世界V2V数据集上验证该方法，该数据集来自自然交通条件下连通车辆的实际采集。

提出的方法

• 该方法使用纽维尔（Newell）的跟驰模型，基于前车数据生成未来车辆速度的基线预测。
• 计算纽维尔预测值与实际观测速度之间的残差误差，并利用带有全连接头的残差长短期记忆网络（ResLSTM-FC）对残差进行建模。
• ResLSTM-FC网络以纽维尔预测值为输入，学习预测残差，随后将该残差加回基线预测，得到最终的预测结果。
• 模型在连通车辆的原始GPS数据上进行端到端训练，利用前导车辆过去的位置和速度序列，预测自车未来最多60秒的速度。
• 通过多种架构（包括标准LSTM和全连接网络）进行评估，并开展消融研究以分离残差学习与物理原理融合的贡献。
• 通过在拥堵交通中进行训练、在自由流交通中进行测试的方式，检验模型在分布偏移下的泛化能力。

实验结果

研究问题

• RQ1 结合物理原理交通模型与深度学习的混合模型，是否能在车载交通预测精度上超越纯基线模型？
• RQ2 将来自学习模型的残差误差预测与纽维尔这类物理基线模型结合，如何提升其性能？
• RQ3 所提出的方法在不同交通状态（如拥堵与自由流）之间具有多大程度的泛化能力？
• RQ4 在实时车辆级预测中，整合物理原理预测与深度学习的最优架构是什么？
• RQ5 当在与训练数据分布不同的测试数据上进行评估时，该模型是否仍能保持鲁棒性？

主要发现

• 在40秒预测时延下，ResLSTM-FC模型实现了最低的平均速度误差（2.61 m/s ± 0.16），优于恒定速度基线（2.25 m/s）和纽维尔模型（2.96 m/s）。
• 在10秒时延下，ResLSTM-FC模型的速度误差为2.19 m/s ± 0.29，显著低于纽维尔模型的2.86 m/s。
• 与纯深度学习基线相比，该模型在时间推移中误差增长更缓慢，表明其长期稳定性更优。
• 即使在分布偏移条件下（在拥堵交通中训练，在自由流交通中测试），ResLSTM-FC模型仍保持合理性能，40秒误差为4.16 m/s ± 0.48，优于纯深度学习模型。
• 消融研究证实，将残差误差学习与纽维尔模型结合是性能提升的关键因素，而非仅使用深度学习或更简单的架构。
• 该模型在不同交通条件下均表现出良好泛化能力，表明其在连通车辆中实际部署的可行性。