.png){kind=icon}
返回
Prescriptive analytics for freeway traffic state estimation by multi-source data fusion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.tre.2025.104105.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在高速公路交通状态估计的背景下，本研究引入了规范性分析（也称为预测-优化），用于整合电子不停车收费系统（ETC）和交通传感器的数据。传统的单一方法数据融合技术受限于固有缺陷。例如，基于优化的方法通常基于先验假设，可能导致系统性偏差，而机器学习方法则常因缺乏可解释性及无法阐明底层交通机制而受到批评。为解决这些局限性，提出了一种新型检索与匹配算法，融合了机器学习与优化。首先，引入状态基因的概念，用以封装代表频繁出现交通模式的结构化交通知识。在检索阶段，采用异构图卷积网络预测给定场景下的潜在状态基因。在匹配阶段，利用预测的状态基因最小化与当前交通状态的差异。这种融合不仅增强了估计过程的可解释性，还通过机器学习的融入赋予优化组件反向推理能力。采用中国浙江省G92高速公路的实际数据验证表明，该方法具有高精度，高峰时段的平均绝对百分比误差（MAPE）为1.12-1.65%，平峰时段为1.28-1.67%。
Keyword:
Traffic state estimation
Data fusion
Prescriptive analytics
Predict-then-optimize
State genes
期刊
IF:
8.8
论文数:
876
被引数:
2.0W
机构
暂无机构信息
引用论文
分享收藏MGCN: Mamba-integrated spatiotemporal graph convolutional network for long-term traffic forecastingMGCN: 用于长期交通预测的Mamba集成时空图卷积网络
PREAI
分享收藏A data-driven optimization-based approach for freeway traffic state estimation based on heterogeneous sensor data fusion基于异构传感器数据融合的高速公路交通状态估计的数据驱动优化方法
PREAI
分享收藏Physics-informed deep learning for traffic state estimation based on the traffic flow model and computational graph method基于交通流模型和计算图法的深度学习交通状态估计.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
查看更多内容