Traffic estimation in unobserved network locations using data-driven macroscopic models

要約

この論文では、自動交通カウンターやプローブ車両から収集された巨視的モデルとマルチソースの時空間データを活用して、これらの測定が利用できないリンクの交通流と移動時間を正確に推定します。
この問題は、センサーのカバー範囲が狭く、計画された介入がネットワーク全体に影響を与える輸送計画アプリケーションでは重大です。
巨視的交通量推定器 (MaTE) と名付けられた提案されたモデルは、一連の観測された量の測定値を使用するだけで、交通量と移動時間のネットワーク全体の推定を実行できます。
MaTE は巨視的な流れ理論に基づいているため、すべてのパラメーターと変数が解釈可能です。
推定された交通流は基本的な流量保全制約を満たしており、推定旅行時間と単調増加する関係を示します。
ルーティング フロー動作の原則としてロジット ベースの確率的トラフィ​​ック割り当てを使用すると、モデルがモデル パラメーターに関して完全に微分可能になります。
この特性により、計算グラフを適用して、膨大な量の時空間データからパラメーターを学習することが容易になります。
また、ニューラル ネットワークと多項式カーネル関数を統合して、リンク フローの相互作用をキャプチャし、移動時間への交通フローのマッピングを強化します。
MaTE には、目的地選択モデルと、場所ごとに生成された旅行数に関する履歴データを使用する旅行生成モデルも追加されています。
合成データの実験により、このモデルがサンプル外リンクの移動時間と交通流を正確に推定できることが示されました。
大規模な交通ネットワークから得られた現実世界のマルチソース データを使用して得られた結果は、特に移動時間の推定において、MaTE がデータ駆動型のベンチマークよりも優れていることを示唆しています。
MaTE の推定パラメータは、交通ネットワークの旅行需要と供給特性の時間ごとの変化についても役立ちます。

要約(オリジナル)

This paper leverages macroscopic models and multi-source spatiotemporal data collected from automatic traffic counters and probe vehicles to accurately estimate traffic flow and travel time in links where these measurements are unavailable. This problem is critical in transportation planning applications where the sensor coverage is low and the planned interventions have network-wide impacts. The proposed model, named the Macroscopic Traffic Estimator (MaTE), can perform network-wide estimations of traffic flow and travel time only using the set of observed measurements of these quantities. Because MaTE is grounded in macroscopic flow theory, all parameters and variables are interpretable. The estimated traffic flow satisfies fundamental flow conservation constraints and exhibits an increasing monotonic relationship with the estimated travel time. Using logit-based stochastic traffic assignment as the principle for routing flow behavior makes the model fully differentiable with respect to the model parameters. This property facilitates the application of computational graphs to learn parameters from vast amounts of spatiotemporal data. We also integrate neural networks and polynomial kernel functions to capture link flow interactions and enrich the mapping of traffic flows into travel times. MaTE also adds a destination choice model and a trip generation model that uses historical data on the number of trips generated by location. Experiments on synthetic data show that the model can accurately estimate travel time and traffic flow in out-of-sample links. Results obtained using real-world multi-source data from a large-scale transportation network suggest that MaTE outperforms data-driven benchmarks, especially in travel time estimation. The estimated parameters of MaTE are also informative about the hourly change in travel demand and supply characteristics of the transportation network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google