Physics-informed Machine Learning for Calibrating Macroscopic Traffic Flow Models

要約

適切に調整された交通流モデルは、交通現象を理解し、制御戦略を設計するための基礎となります。
従来のキャリブレーションは、最適化手法に基づいて開発されてきました。
この論文では、最適化ベースの手法と同等、あるいはそれ以上のパフォーマンスを達成する、物理学に基づいた新しい学習ベースのキャリブレーション アプローチを提案します。
この目的を達成するために、1 つのエンコーダーと 1 つのデコーダーで構成される教師なし機械学習モデルである古典的なディープ オートエンコーダーとトラフィック フロー モデルを組み合わせます。
私たちのアプローチは、物理的なトラフィック フロー モデルをデコーダに通知し、エンコーダが流量と速度の測定値から妥当なトラフィック パラメータを生成するように誘導します。
また、ノイズ除去オートエンコーダーをメソッドに導入し、通常のデータだけでなく、値が欠落している破損したデータも処理できるようにします。
私たちは、カリフォルニア州の I-210 E のケーススタディでアプローチを検証しました。

要約(オリジナル)

Well-calibrated traffic flow models are fundamental to understanding traffic phenomena and designing control strategies. Traditional calibration has been developed base on optimization methods. In this paper, we propose a novel physics-informed, learning-based calibration approach that achieves performances comparable to and even better than those of optimization-based methods. To this end, we combine the classical deep autoencoder, an unsupervised machine learning model consisting of one encoder and one decoder, with traffic flow models. Our approach informs the decoder of the physical traffic flow models and thus induces the encoder to yield reasonable traffic parameters given flow and speed measurements. We also introduce the denoising autoencoder into our method so that it can handles not only with normal data but also with corrupted data with missing values. We verified our approach with a case study of I-210 E in California.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google