物理信息交通状态估计模型

稀疏数据精准重构

将交通流模型嵌入深度学习框架，利用物理规律约束，即使在数据稀疏或缺失时也能准确估计全路段的交通状态。

张金雷 · Shuai, Mao · 杨立兴 · Ma, Wei · 李树凯 · Ziyou, Gao

Information Fusion 2024

技术优势

稀疏数据也能准

物理约束提供了额外的监督信号，弥补了观测数据不足，从而在稀疏数据场景下仍能高精度重构交通状态。

物理规律保底

将交通流模型嵌入损失函数，使网络输出符合已知的交通动力学，避免产生物理上不合理的估计。

两类稀疏源都能用

同时处理环形线圈检测器和探针车两种稀疏数据场景，表明方法对不同数据缺失模式具有鲁棒性。

应用场景

• 智能交通管理：交通管理中心可用它从稀疏检测数据实时估计全路网状态，优化信号控制和拥堵疏导。
• 稀疏传感器网络：从少量传感器观测中重构连续交通流，降低路网传感覆盖成本，提高稀疏网络下的估计可靠性。
• 自动驾驶环境感知：为自动驾驶车辆提供前方道路的完整交通状态估计，弥补车载传感器视距有限和遮挡问题。
• 机器人路径规划：机器人在动态交通环境中可基于估计的交通状态预测拥堵，规划更高效的行驶路径。
• 具身智能决策：为具身智能体提供时空连续的环境状态，支撑其在复杂交通场景中的实时决策。