《Symmetry》：Physics-Informed Neural Networks for Non-Recurrent Traffic Congestion Detection: A Case Study on the Seoul Ring Expressway
编辑推荐：
非经常性拥堵（Non-recurrent congestion, NRC）由事故、车道封闭和恶劣天气等不可预见事件引起，约占城市高速公路所有延误的一半，但仍难以将其与经常性瓶颈处的常规拥堵区分开来。本研究提出一种基于物理信息神经网络（Physics-Infor
非经常性拥堵（Non-recurrent congestion, NRC）由事故、车道封闭和恶劣天气等不可预见事件引起，约占城市高速公路所有延误的一半，但仍难以将其与经常性瓶颈处的常规拥堵区分开来。本研究提出一种基于物理信息神经网络（Physics-Informed Neural Network, PINN）的NRC检测框架，将Lighthill–Whitham–Richards（LWR）守恒律嵌入学习过程，以构建正常交通状态的物理一致基线。交通流物理特性由两阶段基本图表示，该基本图结合了用于自由流状态的Greenshields模型和用于拥堵状态的Underwood模型，网络通过最小化自适应平衡数据拟合误差与LWR残差的复合损失进行训练。当观测密度超过PINN估计的基线密度且超出150%的容差阈值时，即检测为NRC。该框架在韩国首尔环形高速公路12 km路段上，利用来自17个传感器站六个月的15分钟数据进行了评估。结果表明，所提模型能够可靠地将NRC事件与经常性高峰时段拥堵区分开来。从对称性角度看，该框架将经常性交通视为受守恒律支配的时间对称背景状态，而将非经常性拥堵视为该对称性的局部破缺，物理约束残差旨在揭示这一破缺。本研究的关键贡献在于提出了一种具有理论依据、无需标签的异常检测方法，将机器学习与交通流理论相结合，为交通管理中心提供了一种自动化且可解释的事件检测与响应工具。
交通拥堵已成为全球城市经济运行中的重大负担，美国每年因拥堵损失高达740亿美元，驾驶员在纽约和芝加哥平均年损失102小时。此类损失中约有半数由非经常性拥堵（Non-recurrent congestion, NRC）造成，其来源包括事故、恶劣天气、车道封闭和特殊活动等不可预见事件。NRC与可预测的经常性拥堵（Recurrent congestion, RC）在时空特征上高度重叠，传统检测方法难以可靠区分两者。现有研究主要分为四类：基于聚类的方法需要主观设定拥堵因子阈值；统计方法依赖概率分布假设和阈值；深度学习方法需要大量有标签的事故数据，但此类数据稀缺且不平衡；交通流建模方法对测量噪声和模型误差敏感。为突破这些局限，研究人员提出一种基于物理信息神经网络（Physics-Informed Neural Network, PINN）的NRC检测框架，将Lighthill–Whitham–Richards（LWR）守恒律作为物理约束嵌入网络训练，构建符合交通流理论的正常状态基线，并通过残差分析识别异常事件。该研究首次将PINN从交通状态估计任务拓展至NRC检测，以无标签、物理可解释的方式为交通管理中心提供自动化事故检测工具，论文发表在《Symmetry》。
研究人员采用的关键方法包括：以时空坐标(
x,
t)为输入的PINN作为密度估计器，输出物理一致的密度场；物理损失由LWR守恒方程残差构成，并通过自动微分计算；基本图采用两阶段组合模型，自由流阶段使用Greenshields模型，拥堵阶段使用Underwood模型，以保证可微性；损失函数采用数据误差与物理残差的自适应加权；检测阶段设置150%容差阈值，当观测密度超过PINN估计密度50%时判定为NRC。数据来源为韩国高速公路公司开放数据门户，选取首尔环形高速公路外环12 km路段，包含17个传感器站，使用2022年1月至6月共六个月的15分钟间隔数据（295,392条观测）训练模型，以2022年7月1日数据（1,632条观测）作为独立测试集。
模型参数标定方面，研究人员通过最小二乘曲线拟合确定两阶段基本图参数：区分重拥堵与低中度拥堵的临界密度为17.0 veh/km，Greenshields模型自由流速度为97.1 km/h，Underwood模型自由流速度为144.8 km/h。后者为曲线拟合外推值，并非实际可观测车速，这是Underwood模型在拥堵数据下拟合的常见现象。网络超参数（隐藏层数、神经元数、学习率、批大小、物理权重和物理配点数）通过敏感性实验确定。最终模型训练5,000个周期约需5.5小时，但完成训练后对单个时间断面生成基线密度仅需不到1秒，满足15分钟数据采集周期的实时性要求。训练损失曲线显示，总损失在初期快速下降，并在第1,623个周期后保持稳定，未出现发散或过拟合迹象。
在检测结果方面，模型对2022年7月1日评估日数据的预测显示，Station ID 3633等站点的正常密度约为22～27 veh/km。当天下午3:00至4:45期间，Station 3620、3621和3622出现异常高密度，其峰值与预测基线的比值分别为2.00、1.92和1.68，Station 3624出现短时比值为1.50的低幅波动。所有事件均被标记为NRC，而经常性高峰拥堵被物理基线成功吸收。这些事件发生在Howon IC下游和Sapaesan隧道内，这类区域经常性与非经常性拥堵并存，正是固定阈值方法易失效的场所。这一结果验证了PINN基线能够从日常背景中隔离非经常性事件，且检测信号并非来自统计稀有性判断，而是基于物理不可行性的判断。
讨论部分进一步从两个视角解释方法有效性：交通流理论视角下，经常性拥堵满足LWR守恒律并沿基本图均衡流形演化，即使密度很高也属于可解释状态；非经常性拥堵则由容量骤降导致，其密度分布违反嵌入的均衡关系，物理约束网络无法复现此类状态，因而产生显著残差。从对称性角度看，经常性交通流保持日循环的时空对称性，非经常性事件则局部打破该对称性，异常分数即为对称性破缺的度量。机器学习视角下，物理损失作为强归纳偏置，阻止网络将异常观测记忆为正常模式，同时替代了稀缺的标签数据，仅需原始传感器测量即可训练。
研究结论可概括为：本研究针对非经常性拥堵识别难题，提出PINN框架融合深度学习和宏观交通流理论，以LWR模型作为潜在状态估计器构建物理一致的正常行为基线；采用Greenshields-Underwood两阶段基本图刻画不同拥堵状态；通过自适应损失加权平衡数据拟合与物理约束，防止模型将异常模式误学为正常现象。检测通过比较实时观测与物理基线密度的残差实现，经常性瓶颈已被模型吸收，物理上不可解释的偏差即被视为事件。首尔环形高速公路案例在150%容差下成功识别出非经常性事件，表明该方法可作为交通管理中心“数字孪生”式的基础工具，支持即时的、主动的事故管理。当前研究为概念验证，其即时后续工作包括获取真实事故记录以进行精确度、召回率、F1分数、误报率及检测延迟的定量评估，校准容差阈值，并与无物理约束神经网络、LSTM、自编码器及统计离群点方法进行对标，同时扩展研究路段以覆盖更多互通立交区域。
