Physics integrated adaptive residual learning framework for traffic state estimation

doi:10.1016/j.enganabound.2026.106751

Physics integrated adaptive residual learning framework for traffic state estimation

2026-04-04

0

PRE

AI

DOI：10.1016/j.enganabound.2026.106751

原文链接

原文求助

摘要

En 中文

由于快速城市化，智能交通系统（ITS）的发展变得极其重要。ITS的一个关键特征是交通状态估计（TSE），即重建速度、密度、流量等全局变量。在本工作中，提出了一种新的TSE模型，该模型利用具有自适应残差连接的残差学习框架，并与交通流的高阶速度梯度模型相结合。在周期性和开放边界条件下验证了所提出模型的鲁棒性。研究了各种模拟交通流场景，如激波和稀疏波的发展以及导致道路上局部簇形成的停走交通。实验结果表明，所提出的模型有效地学习了所有交通流场景，包括幽灵交通拥堵的形成以及交通流中出现的激波和稀疏波的演变。梯度流分析表明，与现有的基于物理的机器学习方法相比，梯度传播得到改善，训练过程更加稳定。经验观察表明，所提出的交通状态估计模型在重建交通变量方面优于现有的物理信息深度学习TSE模型，尤其是在交通观测数据稀疏时。

Keyword:

Traffic state estimation

Residual learning

Adaptive residual connections

Traffic flow modeling

Physics-informed machine learning

Physics integrated adaptive residual learning framework for traffic state estimation

摘要

期刊

机构

引用论文