查看更多>>摘要：针对连续流场景的交通状态估计问题,提出了一种基于卷积神经网络的改进自适应平滑方法.该方法能够利用稀疏的固定断面观测数据,重构完整的交通状态.与传统的自适应平滑方法相比,所提出的方法不依赖于经验选择交通状态的传播特征,而是针对交通状态的传播特性,设计了3种各向异性卷积核,分别对应于交通波的前向传播、反向传播和双向传播特征,有效提取自由流和拥堵流状态的特征.基于交通流稳态基本关系和冲击波理论,进一步提出交通基本图(Fun-damental Diagram,FD)权重算子,用于自适应加权不同的交通特征,优化交通状态的重构效果.不同于传统自适应平滑方法采用Sigmoid函数确定加权权重,所提出的算子在加权过程中明确包含了交通流波动的物理意义,并能直观反映交通流的一阶连续流特性.通过对高速公路真实轨迹数据集的验证,结果显示在所提出的深度学习估计框架下,各向异性卷积核能够在确保估计精度的同时,减少约1/3的待训练参数量,并使估计结果更符合交通流的物理特征.同时,所提方法能显著降低整体平均绝对误差(MAE)和平均相对百分比误差(MAPE),与传统自适应平滑方法相比,分别降低了22.3％ 和31.35％.特别是在拥堵状态下,所提方法能进一步减少估计误差,M A E和M A PE分别降低了31.1％ 和37.58％.此外,所提方法对微小交通扰动的敏感性较低,且随着估计点与观测断面距离的增加,误差增长速度更慢.在不同观测断面间距下的性能对比显示,所提方法在任意断面间距下均展现出最低的估计误差,并且随着断面间距的增加,误差增长速度最慢.这些结果从多个角度证明了所提方法的有效性和优越性.
万方数据
维普