Traffic State Estimation in Congestion to Extend Applicability of DFOS

📄 arXiv: 2508.21138v1 📥 PDF

作者: Yoshiyuki Yajima, Hemant Prasad, Daisuke Ikefuji, Hitoshi Sakurai, Manabu Otani

分类: eess.SY, cond-mat.stat-mech, nlin.CG, physics.soc-ph

发布日期: 2025-08-28

备注: 11 pages, 7 figures, presented in the 31st ITS World Congress

💡 一句话要点

提出基于数据同化的缺失值填补方法，扩展DFOS在拥堵交通状态估计中的适用性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 分布式光纤传感 交通状态估计 数据同化 缺失值填补 拥堵交通 智能交通 交通监控

📋 核心要点

  1. 现有DFOS技术在交通拥堵时，由于车速慢导致振动弱，难以获取轨迹，造成平均速度数据缺失。
  2. 论文提出基于数据同化的缺失值填补方法，利用已有数据推断缺失的平均速度，从而解决上述问题。
  3. 实验结果表明，该方法在填补缺失值后，平均绝对误差仅增加1.5 km/h，显著提升了DFOS在拥堵场景下的可用性。

📝 摘要（中文）

本文提出了一种用于分布式光纤传感(DFOS)的拥堵交通状态估计(TSE)方法。DFOS通过检测光纤沿线的车辆行驶振动，获得时空平面上的车辆轨迹。基于这些轨迹，DFOS能够提供实时、空间连续且无盲区的平均速度，用于交通监控。然而，当车速过慢导致车辆振动强度不足时，无法获得轨迹，导致平均速度数据缺失，限制了DFOS在严重拥堵情况下的适用性。因此，本文提出了一种基于数据同化的缺失值填补方法。该方法在日本两条高速公路上进行了验证，并与参考数据进行了比较。结果表明，与非缺失值的平均绝对误差(MAE)相比，填补后的平均速度的MAE仅增加了1.5 km/h。这项研究增强了DFOS在实际案例中的广泛适用性。

🔬 方法详解

问题定义：论文旨在解决分布式光纤传感(DFOS)技术在交通拥堵场景下，由于车辆行驶速度缓慢导致振动信号弱，无法准确获取车辆轨迹，进而造成平均速度数据缺失的问题。现有方法在拥堵情况下无法提供可靠的交通状态估计，限制了DFOS的应用范围。

核心思路：论文的核心思路是利用数据同化技术，将已有的交通数据（包括DFOS获取的非缺失数据和历史交通数据）进行融合，通过建立交通状态演化模型，推断和填补缺失的平均速度数据。数据同化能够有效地利用时空相关性，提高填补的准确性。

技术框架：该方法主要包含以下几个阶段：1) 数据预处理：对DFOS采集的原始数据进行清洗和校正，提取平均速度等交通状态参数。2) 缺失值检测：识别DFOS数据中的缺失值，并记录其位置和时间。3) 数据同化：构建交通状态演化模型，并利用数据同化算法（如卡尔曼滤波或粒子滤波）将已有的交通数据与模型预测结果进行融合，估计缺失的平均速度。4) 结果评估：将填补后的数据与参考数据进行比较，评估填补的准确性和可靠性。

关键创新：该方法的关键创新在于将数据同化技术应用于DFOS的缺失值填补，充分利用了交通数据的时空相关性，提高了填补的准确性。与传统的插值方法相比，数据同化能够更好地捕捉交通状态的动态变化，并减少填补误差。

关键设计：论文中可能涉及的关键设计包括：1) 交通状态演化模型的选择：例如，可以使用基于物理模型的交通流模型，或者基于数据驱动的机器学习模型。2) 数据同化算法的选择：例如，可以使用卡尔曼滤波、扩展卡尔曼滤波或粒子滤波等算法。3) 模型参数的优化：需要根据实际交通数据对模型参数进行优化，以提高模型的预测精度。4) 误差协方差矩阵的估计：在数据同化过程中，需要准确估计观测误差和模型误差的协方差矩阵，以保证同化结果的可靠性。

📊 实验亮点

实验结果表明，提出的数据同化方法能够有效地填补DFOS数据中的缺失值。在日本两条高速公路上的实验结果显示，与非缺失值的平均绝对误差(MAE)相比，填补后的平均速度的MAE仅增加了1.5 km/h。这表明该方法在保证数据完整性的同时，能够保持较高的准确性，显著提升了DFOS在拥堵场景下的可用性。

🎯 应用场景

该研究成果可应用于智能交通管理系统，为交通控制和诱导提供更准确、更全面的交通状态信息。通过扩展DFOS在拥堵场景下的适用性，可以实现对城市交通网络的实时监控和优化，提高道路通行效率，减少交通拥堵，并为自动驾驶车辆提供更可靠的环境感知信息。此外，该方法还可以推广到其他类型的传感器数据缺失值填补问题中。

📄 摘要（原文）

This paper presents a traffic state estimation (TSE) method in congestion for distributed fiber-optic sensing (DFOS). DFOS detects vehicle driving vibrations along the optical fiber and obtains their trajectories in the spatiotemporal plane. From these trajectories, DFOS provides mean velocities for real-time spatially continuous traffic monitoring without dead zones. However, when vehicle vibration intensities are insufficiently low due to slow speed, trajectories cannot be obtained, leading to missing values in mean velocity data. It restricts DFOS applicability in severe congestion. Therefore, this paper proposes a missing value imputation method based on data assimilation. Our proposed method is validated on two expressways in Japan with the reference data. The results show that the mean absolute error (MAE) of the imputed mean velocities to the reference increases only by 1.5 km/h as compared with the MAE of non-missing values. This study enhances the wide-range applicability of DFOS in practical cases.