PMA-Diffusion: A physics-guided mask-aware diffusion framework for traffic state estimation from sparse observations

Liu, Lindong

doi:10.1016/j.trc.2026.105801

PMA-Diffusion: A physics-guided mask-aware diffusion framework for traffic state estimation from sparse observations

2026-06-01

0

PRE

AI

DOI：10.1016/j.trc.2026.105801

原文链接

原文求助

摘要

En 中文

高分辨率高速公路交通状态信息对于智能交通系统至关重要，但典型的来自环形检测器和浮动车收集的交通数据往往过于稀疏和嘈杂，难以捕捉交通流的详细动态。现有的数据驱动交通状态估计方法通常需要完全观测的训练数据，并且常将物理约束与固定传感器布局耦合。我们将交通状态估计表述为贝叶斯反问题，并提出PMA-Diffusion，一种具有模块化推理时物理指导界面的掩码感知扩散框架，用于从稀疏、不完整的观测中重建完整的高速公路速度场。与将控制残差嵌入训练损失的物理信息模型不同，PMA-Diffusion将先验学习与物理指导分离：它通过单掩码和双掩码训练直接从不完整速度场中学习掩码感知扩散先验，并通过投影步骤仅在推理时应用弱交通先验指导。在当前仅速度的实装中，此投影实例化为基于自适应各向异性平滑（AAS）的弱交通先验，对未观测区域执行特征方向平滑和弱一阶输运残差校正。这种分离消除了对完全观测训练数据的需要，并允许在不同观测掩码下应用相同的学得先验。在I-24 MOTION数据集上多个可见度水平的实验表明，PMA-Diffusion在严重稀疏情况下始终提高重建精度；即使在5%可见度下，也优于代表性基线。此外，稀疏训练模型的性能接近完全监督的上限，表明可以在没有完整交通场的情况下学得高质量先验。这些结果表明，将先验学习与推理时观测和物理指导分离，能够在现实传感稀疏性下实现灵活的交通状态估计。

Keyword:

Traffic state estimation

Intelligent transportation systems

Diffusion models

Physics-informed machine learning

Sparse sensing

Inverse problem

PMA-Diffusion: A physics-guided mask-aware diffusion framework for traffic state estimation from sparse observations

摘要

期刊

机构

引用论文