融合S形交通流模型与深度学习的速度-流量预测物理信息机器学习框架

本文提出了一种融合物理机理与数据驱动的创新方法，将可校准的S形三参数（S3）交通流模型嵌入多图卷积网络（MGCN）和长短期记忆（LSTM）神经网络中，构建物理信息机器学习（PIML）框架。该模型有效解决了传感器网络数据不足（data insufficiency）与流量缺失（flow data missingness）的挑战，通过引入交通流理论先验知识，在保证预测精度的同时显著增强模型可解释性（interpretability），为智能交通系统（ITS）状态估计提供了新范式。

　　

章节亮点

文献综述

本节从三个领域对现有文献进行梳理：交通状态估计（TSE）与交通状态预测（TSP）、物理信息机器学习（PIML）的最新进展，以及交通流理论中的交通流模型。

面向网络级速度和流量预测问题的PIML模型

想象一下，在一个由传感器监控的道路网络中，我们有一组链路$L$，其中$L=L_Q\cup L_V$。这里，$L_V$代表由交通管理中心（TMC）速度传感器监控的链路子集，而$L_Q$则代表能在特定时间段内提供车辆计数（即流量）的链路子集。实际上，速度数据通常比车辆计数数据更容易获得。在本研究中，我们假设$L_Q??L_V$，这意味着拥有流量观测值的链路也同时拥有速度观测值。为简化起见，我们假设每条链路都...

框架的可实现版本

现在，我们给出前述概念框架各步骤的具体实现，包括实现多图卷积网络（MGCN）和长短期记忆（LSTM）子模块的基本细节。

使用PeMS数据集的真实世界实验

本节通过四项实验来验证所提出模型的性能，包括：（a）校准S3交通流模型作为训练模型的输入；（b）使用PIML模型在不同预测时间跨度下预测速度-流量；（c）进行场景分析以展示PIML模型的可解释性；最后，（d）将PIML模型与若干基准模型进行比较。所提出的PIML模型的PyTorch代码可以从（指定资源处，原文未完整给出）下载。

结论

本文开发了一种PIML模型，为同时估计和预测整个交通网络中的交通速度和流量提供了一个全面的解决方案。与以往方法不同，本研究引入了S3交通流模型来捕捉控制流量与速度之间关系的基本物理原理。我们的PIML模型结合了两种深度学习架构来处理交通数据的空间和时间维度：用于传感器间空间相关性建模的MGCNs，以及...