Online Traffic Density Estimation using Physics-Informed Neural Networks

要約

物理情報ニューラルネットワークの交通密度推定への応用に関する最近の研究は、モデル誤差やノイズの多いデータに対するロバスト性から、今後の発展が期待できることを示している。本論文では、プローブ車両からの計測値を用いて交通密度をオンラインで近似する手法を、グリーンシールドモデルを用いた場合と、高忠実度の交通シミュレーションを考慮した場合の2つの設定で紹介する。提案手法は、空間におけるリアルタイムの交通密度を連続的に推定し、新しい計測値の集合ごとにモデル同定を行う。密度推定は勾配降下と適応重みを用いてほぼリアルタイムに更新される。完全なモデル知識の場合、結果として得られるアルゴリズムは古典的なオープンループのものと同様の性能を持つ。しかし、モデル不一致の場合、反復解は閉ループオブザーバとして振る舞い、ベースライン法を上回る。同様に、高忠実度設定においても、提案アルゴリズムはトラフィック特性を正しく再現する。

要約(オリジナル)

Recent works on the application of Physics-Informed Neural Networks to traffic density estimation have shown to be promising for future developments due to their robustness to model errors and noisy data. In this paper, we introduce a methodology for online approximation of the traffic density using measurements from probe vehicles in two settings: one using the Greenshield model and the other considering a high-fidelity traffic simulation. The proposed method continuously estimates the real-time traffic density in space and performs model identification with each new set of measurements. The density estimate is updated in almost real-time using gradient descent and adaptive weights. In the case of full model knowledge, the resulting algorithm has similar performance to the classical open-loop one. However, in the case of model mismatch, the iterative solution behaves as a closed-loop observer and outperforms the baseline method. Similarly, in the high-fidelity setting, the proposed algorithm correctly reproduces the traffic characteristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL