Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data

📄 arXiv: 2411.05842v1 📥 PDF

作者: Yang He, Chengchuan An, Yuheng Jia, Jiachao Liu, Zhenbo Lu, Jingxin Xia

分类: eess.SY, cs.LG

发布日期: 2024-11-06

备注: accepted by T-ITS

💡 一句话要点

提出基于倾斜网格和低秩模型的快速鲁棒高速公路交通速度估计方法

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation)

关键词: 交通速度估计 低秩矩阵补全 倾斜网格 交通波 鲁棒性 高速公路 车辆轨迹数据

📋 核心要点

  1. 现有交通状态估计方法依赖大量传感器，且易受数据质量影响，难以准确估计高速公路交通状态。
  2. 利用交通波先验知识，构建倾斜网格矩阵，将时空依赖转化为低秩矩阵补全问题，提升估计精度。
  3. 实验表明，该方法在精度和鲁棒性上优于现有方法，RMSE最多降低18%，速度提升20倍以上。

📝 摘要（中文）

本研究针对传感器部署有限和数据易受损情况下，高速公路时空交通状态精确估计的挑战，提出了一种高效鲁棒的低秩模型，利用低渗透率车辆轨迹数据进行精确的时空交通速度状态估计(TSE)。该方法利用交通波先验知识，设计了一种基于倾斜网格的矩阵，将时空交通状态的内在依赖性转化为矩阵的代数低秩性。然后，利用倾斜矩阵中增强的交通状态低秩性，定制了一种低秩矩阵补全方法，显式地捕获时空交通传播特征并精确地重建交通状态。此外，开发了一个基于稀疏矩阵的容错模块，以适应受损的数据输入，从而提高TSE模型的鲁棒性。值得注意的是，在对交通波的理解驱动下，该高效方法的计算复杂度仅与问题规模本身相关，而与现有研究中普遍存在的数据集大小和超参数选择无关。大量实验表明了该模型的有效性、鲁棒性和效率。所提出的方法在TSE场景中的均方根误差(RMSE)最多提高了12%，在鲁棒TSE场景中的RMSE提高了18%，并且运行速度比最先进(SOTA)的方法快20倍以上。

🔬 方法详解

问题定义：论文旨在解决高速公路交通速度状态估计（TSE）问题，特别是在传感器部署有限和数据可能损坏的情况下。现有方法通常依赖大量传感器数据，并且对数据质量敏感，难以在实际应用中保证准确性和鲁棒性。现有方法计算复杂度高，受数据集大小和超参数选择影响大。

核心思路：论文的核心思路是将时空交通状态的内在依赖性转化为矩阵的代数低秩性，然后利用低秩矩阵补全方法来精确重建交通状态。通过倾斜网格的设计，能够更好地捕捉交通波的传播特性，从而提高低秩表示的有效性。同时，引入稀疏矩阵来处理受损的数据，增强模型的鲁棒性。

技术框架：该方法主要包含两个模块：1) 基于倾斜网格的矩阵构建模块：利用交通波先验知识，将时空交通状态数据转换为倾斜网格矩阵，增强矩阵的低秩性。2) 低秩矩阵补全和异常容错模块：采用低秩矩阵补全方法，显式地捕获时空交通传播特征并精确地重建交通状态。同时，利用稀疏矩阵来处理受损的数据，提高模型的鲁棒性。

关键创新：该方法最重要的技术创新点在于倾斜网格的设计和低秩矩阵补全方法的结合。倾斜网格能够更好地捕捉交通波的传播特性，从而提高低秩表示的有效性。此外，该方法的计算复杂度仅与问题规模本身相关，而与数据集大小和超参数选择无关，从而提高了计算效率。与现有方法相比，该方法在精度、鲁棒性和效率方面都有显著提升。

关键设计：倾斜网格的设计是关键。具体来说，网格的倾斜角度与交通波的传播速度相关，需要根据实际交通数据进行调整。低秩矩阵补全方法可以选择不同的算法，例如奇异值阈值法（SVT）或加速近端梯度法（APG）。稀疏矩阵的设计需要考虑异常数据的分布情况，可以选择不同的稀疏约束，例如L1范数或L2范数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在交通速度状态估计（TSE）场景中的均方根误差（RMSE）最多降低了12%，在鲁棒TSE场景中（存在数据损坏）的RMSE降低了18%。此外，该方法的运行速度比最先进（SOTA）的方法快20倍以上，表明其在实际应用中具有更高的效率和实用性。

🎯 应用场景

该研究成果可应用于智能交通管理系统，为交通控制、路径规划和实时交通信息发布提供更准确的数据支持。通过提高交通状态估计的精度和鲁棒性，可以有效缓解交通拥堵，减少交通事故，提高交通运输效率，并为自动驾驶和车路协同等未来交通技术的发展奠定基础。

📄 摘要（原文）

Accurately estimating spatiotemporal traffic states on freeways is a significant challenge due to limited sensor deployment and potential data corruption. In this study, we propose an efficient and robust low-rank model for precise spatiotemporal traffic speed state estimation (TSE) using lowpenetration vehicle trajectory data. Leveraging traffic wave priors, an oblique grid-based matrix is first designed to transform the inherent dependencies of spatiotemporal traffic states into the algebraic low-rankness of a matrix. Then, with the enhanced traffic state low-rankness in the oblique matrix, a low-rank matrix completion method is tailored to explicitly capture spatiotemporal traffic propagation characteristics and precisely reconstruct traffic states. In addition, an anomaly-tolerant module based on a sparse matrix is developed to accommodate corrupted data input and thereby improve the TSE model robustness. Notably, driven by the understanding of traffic waves, the computational complexity of the proposed efficient method is only correlated with the problem size itself, not with dataset size and hyperparameter selection prevalent in existing studies. Extensive experiments demonstrate the effectiveness, robustness, and efficiency of the proposed model. The performance of the proposed method achieves up to a 12% improvement in Root Mean Squared Error (RMSE) in the TSE scenarios and an 18% improvement in RMSE in the robust TSE scenarios, and it runs more than 20 times faster than the state-of-the-art (SOTA) methods.