特征迁移OD流插补网络

稀疏检测下高精度估计

通过特征迁移与预训练微调，利用网联车轨迹补全稀疏AVI观测，实现城市动态OD可靠插补。

陈鹏 · Ziyan, Wang · 周彬 · 余贵珍

IEEE Transactions on Intelligent Transportation Systems 2024

参数信息

相对误差

11.23 vehicles/30 minutes

技术优势

稀疏检测下依然高精度

利用生成对抗网络学习域不变特征，并用预训练-微调策略从网联车数据迁移知识，使模型在AVI观测有限时仍能准确估计OD流量。

优于现有基线模型

在真实路网测试中，所有OD流的相对误差为11.23辆/30分钟，优于流行的神经网络和现有多源数据融合估计模型。

外部条件变化下稳定

模型对观测条件和数据质量等外部因素具有良好的鲁棒性，在多种条件下均能提供令人满意的估计性能。

应用场景

• 城市交通管理：提供实时全样本OD流量，支撑路网交通控制策略优化。
• 智能交通系统：作为多源数据融合技术，补全AVI缺失的OD信息，融入ITS系统。
• 交通流估计：利用CV轨迹和迁移学习提高OD估计精度，尤其在AVI覆盖率低时。
• 网联车数据分析：挖掘网联车轨迹数据，提取域不变特征用于OD插补。