A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment

要約

交通機関は、ランプメーターシステムを導入または拡張するときに、ランプメーターのパフォーマンスを評価する必要があります。
ランプメーター戦略の評価は、主に高速道路の交通モビリティに対する影響を調査することに重点が置かれています。
これらの影響を調査できる 1 つの方法は、ランプメーター戦略が変更される前後の速度などの交通状態を比較することです。
新しいランプメーター制御戦略の導入後のシナリオで高速道路の交通状態を予測すると、目標戦略の潜在的な有効性について貴重な洞察が得られる可能性があります。
ただし、後のシナリオの高速道路の交通状態を予測したり、交通政策やランプメーターなどの交通制御戦略の有効性を評価したりする際の機械学習手法の使用は、現在の文献ではある程度制限されています。
研究のギャップを埋めるために、この研究では、新しいランプメーター制御戦略が実装された後の状況での高速道路の交通パラメータ（速度、占有率、流量）を予測するためのフレームワークを提示します。
提案されたフレームワークは、既知の高速道路セグメントの前後の状況における交通状態の時空間的特徴間の関連性を学習することで、この学習を新しい高速道路セグメントの交通パラメータの予測に応用できます。
提案されたフレームワークは転移学習モデルに基づいて構築されています。
実験結果は、提案されたフレームワークが、ランプメーターのパフォーマンスを積極的に評価するために高速道路の交通パラメータを予測するための代替手段として使用するのに実行可能であることを示しています。

要約(オリジナル)

Transportation agencies need to assess ramp metering performance when deploying or expanding a ramp metering system. The evaluation of a ramp metering strategy is primarily centered around examining its impact on freeway traffic mobility. One way these effects can be explored is by comparing traffic states, such as the speed before and after the ramp metering strategy has been altered. Predicting freeway traffic states for the after scenarios following the implementation of a new ramp metering control strategy could offer valuable insights into the potential effectiveness of the target strategy. However, the use of machine learning methods in predicting the freeway traffic state for the after scenarios and evaluating the effectiveness of transportation policies or traffic control strategies such as ramp metering is somewhat limited in the current literature. To bridge the research gap, this study presents a framework for predicting freeway traffic parameters (speed, occupancy, and flow rate) for the after situations when a new ramp metering control strategy is implemented. By learning the association between the spatial-temporal features of traffic states in before and after situations for known freeway segments, the proposed framework can transfer this learning to predict the traffic parameters for new freeway segments. The proposed framework is built upon a transfer learning model. Experimental results show that the proposed framework is feasible for use as an alternative for predicting freeway traffic parameters to proactively evaluate ramp metering performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google