2021.11.02阅读论文总结__Physics Informed Deep Learning for Traffic State Estimation

Physics Informed Deep Learning for Traffic State Estimation

文章问题及解决方法

问题：交通状态估计 (TSE) 的挑战在于观察到的交通数据的稀疏性和数据中存在的传感器噪声。

1. 交通数据的稀疏性
   交通数据的稀疏性是因为我们无法在道路的所有地面全部铺满传感器，所以总有一些地面段的交通数据我们无法得知；同时，道路上行驶的大部分是非理想状态下的网联车辆，我们也无法得到每个车辆的具体行驶状态。

2. 交通数据具有噪声
   交通数据存储和传输的限制以及网络问题，传输设备记忆接收设备的故障。

解决方法：本文提出了一种新的方法–物理信息深度学习（PIDL）方法，以解决这个问题。PIDL为深度学习神经网络配备了管理交通流的物理规律的力量，以更好地估计交通状况。

INTRODUCTION

交通状态的重要性

宏观交通状态变量，如流速f、平均车速v和车辆密度ρ，表示交通网络中各路段的交通状况。通过这些指标，交通规划者可以感知拥堵程度，识别交通需求，甚至可以识别道路网络的阻塞和瓶颈。因此，交通状态估计（TSE）成为一项重要任务。它指的是利用部分观察到的交通数据推断出道路段的交通状态变量。准确的实时TSE对于有效的交通管理是至关重要的，因为控制策略会相应地实施。

基于模型驱动的方法

模型驱动的方法采用交通流理论模型来估计交通状态。诸如小区传输模型（CTM）[和开关模式模型（SMM）等模型已被用来表示交通流。卡尔曼滤波器及其扩展通常被用来有效地解决TSE和校准这些模型。卡尔曼滤波器及其变化估计了与观测数据、假定系统模型和噪声有关的最可能的状态变量。

基于数据驱动的方法

随着统计方法和机器学习的发展，数据驱动的TSE利用历史上观察到的交通数据的力量来进行估计任务。这使得机器本身可以发现交通数据的基本结构，消除了采用适合每个路段的交通流模型的要求。核回归、概率主成分分析和深度学习等数据驱动技术已被应用于这种方法。

本文提出的新方法

与盲目地将交通数据输入深度学习神经网络的方法相比，交通流理论的基本原则可以帮助训练神经网络，并帮助发现埋藏在数据中的交通状态变量之间的隐性关系。这建立了一个快速、有弹性和计算友好的TSE方法。
本文提出了一种新的交通状态估计方法，将深度学习神经网络与交通流理论的物理学相结合，称为TSE的物