Large-Scale OD Matrix Estimation with A Deep Learning Method

要約

出発地-目的地 (OD) 行列の推定は、高度道路交通システム (ITS) の重要な側面です。
これには、道路セクションの交通量などの現在の観測結果を回帰することによって (最小二乗法などを使用して) 初期 OD マトリックスを調整することが含まれます。
ただし、OD 推定問題には十分な制約が不足しており、数学的に不十分に決定されています。
この問題を軽減するために、一部の研究者は、回帰のターゲットとして以前の OD マトリックスを組み込んで、より多くの構造的制約を提供しています。
ただし、このアプローチは既存の以前のマトリックスに大きく依存しており、古いマトリックスである可能性があります。
また、車両の軌道や速度などのセンサー データを通じて構造的制約を追加するものもあり、より現在の構造的制約をリアルタイムで反映できます。
私たちが提案する手法は、深層学習と数値最適化アルゴリズムを統合して、行列構造を推測し、数値最適化をガイドします。
このアプローチは、深層学習と数値最適化アルゴリズムの両方の利点を組み合わせたものです。
ニューラル ネットワーク (NN) は、プローブ トラフィック フローから構造的制約を推測することを学習し、事前の情報への依存を排除​​し、リアルタイムのパフォーマンスを提供します。
さらに、NN の汎化機能により、この方法は工学的に経済的です。
私たちは、大規模な合成データセットに対してこのメ​​ソッドの優れた一般化パフォーマンスを実証するためにテストを実施しました。
続いて、実際の交通データに対する手法の安定性を検証しました。
私たちの実験により、NN と数値最適化を組み合わせる利点が確認されました。

要約(オリジナル)

The estimation of origin-destination (OD) matrices is a crucial aspect of Intelligent Transport Systems (ITS). It involves adjusting an initial OD matrix by regressing the current observations like traffic counts of road sections (e.g., using least squares). However, the OD estimation problem lacks sufficient constraints and is mathematically underdetermined. To alleviate this problem, some researchers incorporate a prior OD matrix as a target in the regression to provide more structural constraints. However, this approach is highly dependent on the existing prior matrix, which may be outdated. Others add structural constraints through sensor data, such as vehicle trajectory and speed, which can reflect more current structural constraints in real-time. Our proposed method integrates deep learning and numerical optimization algorithms to infer matrix structure and guide numerical optimization. This approach combines the advantages of both deep learning and numerical optimization algorithms. The neural network(NN) learns to infer structural constraints from probe traffic flows, eliminating dependence on prior information and providing real-time performance. Additionally, due to the generalization capability of NN, this method is economical in engineering. We conducted tests to demonstrate the good generalization performance of our method on a large-scale synthetic dataset. Subsequently, we verified the stability of our method on real traffic data. Our experiments provided confirmation of the benefits of combining NN and numerical optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google