数字孪生驱动的拥堵感知路线规划:融合实时感知、PP-GaSP代理预测与ACBFO批量联合优化的闭环框架

《Intelligent Systems with Applications》:Digital twin-driven congestion-aware route planning for intelligent transportation systems

【字体: 大 中 小 】 时间:2026年10月24日 来源:Intelligent Systems with Applications 5.5

编辑推荐:

  研究人员提出一种闭环数字孪生(closed-loop digital twin, DT)框架,将实时感知、基于物理的仿真、代理模型预测与拥堵感知路线规划统一为单一框架,用于主动交通管理;多窗口回放(multi-window replay)在时变边界计数输入下检

  
研究人员提出一种闭环数字孪生(closed-loop digital twin, DT)框架,将实时感知、基于物理的仿真、代理模型预测与拥堵感知路线规划统一为单一框架,用于主动交通管理;多窗口回放(multi-window replay)在时变边界计数输入下检验预测、联合路由与反馈回路。研究人员设计面向交叉口摄像机的类型感知感知模块;其关联与越线阶段在40条受控连续标注交通序列上取得3.31%的聚合计数误差和98.23%的事件F1(event F1)。研究人员采用具有乘积Matérn核与周期时间编码的平行部分高斯随机过程(parallel partial Gaussian stochastic process, PP-GaSP)代理模型,以闭式Student-t不确定性预测边级交通量;预测区间在分布外天气下自动扩大8×,基于这些区间的风险膨胀路由(risk-inflated routing)改善实际性能。研究人员将路由重构为并发需求流的批量联合优化,并引入不可分离的网络瓶颈项;所提出的ACBFO(adaptive chaotic bacterial foraging optimization, ACBFO)耦合拥堵引导趋化、概率积分变换混沌调度与裁剪Lévy消除-扩散。在30个配对实例上,经Holm校正的非参数检验,ACBFO达到精确单车辆最优,在批量目标上显著优于顺序精确路由和迭代最佳响应,并相对于贪婪精确路由将车队最差边v/c比降低5%,平均行程时间代价为0.4%。
交通拥堵源于需求超过道路容量,旅行者信息系统(traveler information systems, TIS)和自动驾驶车辆依赖实时信息规划路线,但大量车辆依据相同信息选择同一路线时,反应式重路由难以消解既有拥堵,甚至造成次生拥挤;其理论根源是逐车最短化趋向用户均衡而非网络最优。车辆检测计数、网络级流量预测和拥堵感知路由虽分别得到广泛研究,却较少集成为闭环数字孪生(digital twin, DT)以支持主动交通管理。为此,研究人员提出数字孪生驱动的动态路线规划框架,将YOLOv8感知、LWR(Lighthill–Whitham–Richards)仿真、PP-GaSP(parallel partial Gaussian stochastic process,平行部分高斯随机过程)代理预测和ACBFO(adaptive chaotic bacterial foraging optimization,自适应混沌细菌觅食优化)批量联合路由耦合为闭环,并通过多窗口回放、连续序列计数评测和30个配对路由实例验证。研究结论表明,该框架可实时预测边级流量并暴露预测不确定性,ACBFO在单车辆问题上达到精确最优,在批量联合目标上显著优于精确、最佳响应、元启发式和学习型基线,并降低车队最差边v/c瓶颈;其意义在于把感知—预测—决策闭环用于主动拥堵治理,并以批量联合优化缓解个体最优导致的聚集效应。

关键技术方法与数据来源:感知端用交叉口摄像机与YOLOv8单阶段检测器,结合虚拟参考线、短时轨迹关联和PCE(passenger-car equivalence,小客车当量)加权生成边界流量;仿真端用含信号、车道和天气因子的LWR模型;预测端用PP-GaSP代理,含乘积Matérn-5/2核、周期时间编码、闭式Student-t预测和ICML(independent composite marginal likelihood,独立复合边际似然)近似;优化端在10×10随机网络上以BPR(Bureau of Public Roads)成本、最差边v/c瓶颈项和饱和惩罚构造批量目标,并以ACBFO求解。样本来源包括Traffic Intersection Vehicle Detection数据集(4526幅图像)、Top-View Vehicle Detection Image Dataset、40条受控连续标注交通序列、240个训练与60个测试模拟器运行及30个配对路由实例。

6.1 车辆检测与计数结果:研究人员在Traffic Intersection Vehicle Detection数据集上训练YOLOv8,验证集precision为0.853、recall为0.918、mAP50为0.935、mAP50–95为0.685,测试集precision为0.899、recall为0.871、mAP50为0.932、mAP50–95为0.699;在40条连续序列、2419次真实越线事件上,聚合APE为3.31%、事件F1为98.23%、漏计率3.39%、重复率0.08%、方向准确率100%,密集交通最难;Top-View数据集上precision为0.918、recall为0.925、mAP50为0.974、mAP50–95为0.730。由此得出,检测器具有跨视角迁移性,短时关联与虚拟越线计数在受控检测器匹配扰动下可靠。

6.2 交通流建模与PP-GaSP代理预测:LWR仿真在晴天、雨天、雪天和周末场景中再现工作日双峰、周末低峰及雨雪降流;PP-GaSP在240个训练和60个测试模拟器运行上取得R2>0.999、MAE为1.0 veh/h、RMSE为4.1 veh/h,优于k-NN和MLP,95% Student-t预测区间覆盖率为99.8%、平均宽度19.9 veh/h,单次全网预测0.02 ms,较4.9 ms的模拟器查询约快200×;在雪天分布外(out-of-distribution, OOD)保留测试中RMSE由10.4升至283 veh/h,但区间宽度由28.6自动扩大到236 veh/h(8.3×)并保留81%覆盖率。结论是代理模型在评估范围内贴近模拟器、推理快且能以区间宽度指示低置信区域。

6.3 路线规划基准与单车辆结果:在10×10随机网络上路由m=40条、δ=60 veh/h的并发需求流,单车辆目标因边可分而可由MSC-Dijkstra精确求解;30个实例中ACBFO均达到该精确最优,平均和最大最优间隙为0.000%,其他元启发式平均间隙约0.5%—1.5%,自由流和拥堵Dijkstra分别为8.3%和2.8%。冷启动批量问题中,ACBFO在2000次评估达到目标784,优于所有基线8000次评估的结果,并收敛至754。由此得出,单车辆问题无需元启发式,而批量问题需要联合搜索,ACBFO在紧实时预算下具有冷启动优势。

6.4 批量多流路由与瓶颈缓解:自由流反应式路由在集中需求下平均行程时间37.6 min、车队最差边v/c为2.77,而拥堵感知方法为15.2—15.4 min和1.23—1.29;所有群体联合方法显著优于顺序精确路由和IBR(iterated best response,迭代最佳响应)(Friedman χ2=138.0,p=2.7×10?27,Holm校正p≤10?3);ACBFO取得最低批量目标746.0±26.9,较BFO低0.2%(p=0.001),最低最差边v/c为1.229±0.039,较BFO的1.260(Cliff’s δ=0.43,p<10?4)和顺序MSC-Dijkstra的1.293降低5.0%,平均行程时间较BFO高0.4%;计算量匹配对照后优势仍保留;学习型FQI(fitted Q-iteration,拟合Q迭代)在未见实例上F=835.6±32.1。结论是ACBFO直接攻击非可分瓶颈项,以微小个体代价换取网络饱和降低。

6.5 消融与敏感性分析:目标消融显示,仅用行程时间目标时最差边v/c由1.229升至1.337,而平均行程时间仅下降0.9%;机制消融中移除拥堵引导趋化使ΔF=+1.70、Δ(v/c)max=+0.031(p<10?4),冷启动下1000次评估时ΔF=+332(p=10?4),而移除混沌或Lévy分量在两种 regime 下均无显著影响(p≥0.05)。敏感性分析表明,λmax在30—300内最差边v/c由1.240单调降至1.208,行程时间代价0.6%;λsat由1增至24时最差边v/c由1.259降至1.179、平均行程时间由15.57升至16.01 min,默认λsat=6位于平坦中部;τth在0.75—0.95内比值变化不超过0.006,种群规模15/30/60变化小于0.01;δ为情景参数,30/60/120 veh/h对应最差边v/c为1.135/1.234/1.442。结论是拥堵引导趋化是主要贡献机制,参数结论总体稳健。

6.6 运行时间、不确定性感知路由与闭环运行:单核CPU上关联与越线后处理平均0.072 ms/分析帧,PP-GaSP全网预测0.02 ms(240个运行离线拟合16 s),10×10网络360条有向边上顺序MSC-Dijkstra为0.02 s、IBR为0.11 s、ACBFO在6000次评估下为4.8 s,20×20和30×30网络分别为13.8 s和27.1 s,运行时间随有向边数近似线性(R2=0.999);闭环回放每窗口预测与路由低于3 s。雪天分布外24个场景中,κ=0.5与κ=0的 realized objective 为973.2对975.6(p=0.21),而 realized bottleneck 由κ=0的1.611单调降至κ=2的1.458(p<10?4),κ=2时行程时间溢价7.4%。16个早高峰窗口闭环回放中,开环自由流路由累积发散至平均行程时间580 min,反应式策略为29.7 min,闭环策略为30.7 min并将饱和已用边比例由0.579降至0.518(降低10%)。压力测试中,模拟器失配使RMSE由9.8升至79.4 veh/h、覆盖率由1.00降至0.72,实际平均行程时间由23.9升至34.8 min、瓶颈由1.76升至2.45;5%—20%边界计数乘性噪声下平均行程时间变化在0.5%以内、瓶颈最多升0.03;50%容量损失事件后ACBFO与BFO的F为1473和1469、顺序MSC-Dijkstra为1495,ACBFO保持最低实际瓶颈2.43。结论是预测不确定性主要在分布偏移下产生风险对冲价值,闭环策略保持稳定并降低饱和暴露,联合优化解对未建模扰动更具韧性。

讨论总结:论文针对消费者导航反应式重路由在网络层面放大拥堵的长期弱点,提出闭环数字孪生框架,并指出单车辆社会成本目标边可分、可精确求解,而真正引发聚集效应的是并发需求流批量联合分配中的耦合目标与不可分离瓶颈项;ACBFO通过拥堵引导趋化处理该瓶颈。实验表明其在单车辆最优性、批量目标、最差边v/c和闭环运行方面具有优势,同时保留预测不确定性以支持风险膨胀路由。未来工作聚焦现场验证、真实测量残差校准和驾驶员遵从性的博弈论建模。研究结论翻译如下:研究人员提出了一种数字孪生驱动的动态路线规划框架,以解决消费者导航服务的一个长期弱点:其反应式重路由改善个体出行,却在网络层面放大拥堵。该框架在闭环中耦合基于YOLOv8的感知、基于LWR的仿真器、具有闭式预测不确定性的PP-GaSP代理模型以及批量联合路由层。论文表明,每车辆社会成本目标是边可分的且可精确求解,并据此将路由表述为在具有不可分离瓶颈项的耦合目标下对并发需求流的联合分配,所提出的ACBFO通过拥堵引导趋化加以处理。在30个配对实例上,ACBFO在每个实例上达到精确单车辆最优,显著优于精确、最佳响应、元启发式和学习型基线,并给出最低的车队瓶颈;同时,分布偏移下的风险膨胀路由和多窗口闭环回放展示了预测不确定性及集成管线的运行价值。未来工作将聚焦于带标注交叉口视频的现场验证、针对真实交通测量的残差校准,以及驾驶员遵从性的博弈论建模。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号