.png){kind=icon}
返回
Physics-Informed Deep Learning Framework for Urban Traffic Network State Data Imputation
.png){kind=icon}
PRE
AI
DOI：10.1177/03611981251356516.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通状态是城市交通系统管理与运行的基础，需要大量的时空交通数据。然而，由于数据采集设备和记录技术的局限性，交通状态缺失数据问题不可避免。为解决此问题，本研究基于物理信息深度学习（PIDL）的结构，提出了一种混合框架MFD-TGCN（宏观基础图-时序图卷积网络）用于交通状态插补。该框架整合了基于物理的交通流模型和数据驱动模型在时空特征依赖方面的优势。为适应不同交通状态场景的物理特征，采用了三种替代的宏观基础图（MFD）模型，并应用加权最小二乘（WLS）算法进行初始参数校准。同时，有效利用图卷积网络（GCN）和门控循环单元（GRU）模块来捕捉时空特征。该框架的性能通过中国重庆市的实际交通流量和密度数据在不同缺失数据模式、缺失数据比例以及不同数量的网络检测器条件下进行评估，并与几类基准方法进行比较。结果表明，融入道路网络信息有助于捕捉更多空间特征，提高交通网络状态插补的准确性。研究证实，本框架在各种场景下均优于现有先进方法，尤其是在存在显著且复杂缺失数据的情况下。此外，实验证据表明，结合物理和数据驱动模型的框架在交通系统规划、管理和控制中的灵活场景下具有卓越的泛化能力。
Keyword:
traffic state data imputation
physics-informed deep learning
macroscopic fundamental diagram
graph convolution network
urban traffic network
期刊
T
IF:
1.8
论文数:
876
被引数:
3.4W
机构
引用论文
Missing data imputation with adversarially-trained graph convolutional networks使用敌方训练的图卷积网络进行缺失数据插补.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Physics-Informed Deep Learning for Traffic State Estimation: A Survey and the OutlookAlgorithms
OAAI
AlgorithmsIF0
OAAI分享收藏
查看更多内容