Traffic State Prediction and Control Using a Koopman Operator Framework with Polynomial Observables
作者: Shakib Mustavee, Arvind Singh, Shaurya Agarwal
分类: eess.SY
发布日期: 2026-10-14
💡 一句话要点
提出Koopman算子框架以优化交通流预测与控制
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 交通流预测 Koopman算子 模型预测控制 非线性动力学 交通管理 智能交通系统
📋 核心要点
- 现有的交通流预测与控制方法在处理非线性动态时存在较大误差，难以有效应对复杂交通场景。
- 论文提出利用Koopman算子框架，通过多项式可观测量来建模交通流，进而实现高效的预测与控制。
- 实验表明，Koopman-MPC在一小时的高速公路实验中，最大密度差异低于1%，并且在线模型评估成本降低了一个数量级。
📝 摘要（中文）
本文开发了一种基于Koopman算子的框架，用于建模和控制由Lighthill-Whitham-Richards (LWR)守恒定律支配的交通流。研究表明，Greenshields流量-密度关系引发的非线性动力学自然激励了一组多项式可观测量，而在提升的Koopman坐标中，受控动力学变为双线性。通过时空交通密度快照识别出降阶Koopman模型，并在模型预测控制(MPC)框架中用于匝道计量。实验结果显示，Koopman-MPC在保持交通密度低于临界值的同时，在线模型评估成本显著降低，且与非线性PDE基础的MPC行为相近。
🔬 方法详解
问题定义：本文旨在解决交通流预测与控制中的非线性动态建模问题。现有方法如线性化LWR模型在复杂交通情况下预测误差较大，且计算成本较高。
核心思路：通过引入Koopman算子框架，利用多项式可观测量来捕捉交通流的非线性特征，从而实现更准确的预测和控制。
技术框架：整体架构包括三个主要模块：首先，从时空交通密度快照中识别降阶Koopman模型；其次，在模型预测控制(MPC)框架中应用该模型进行匝道计量；最后，与传统的线性化LWR模型和非线性有限体积LWR模型进行对比。
关键创新：最重要的创新在于利用非线性交通守恒定律的解析结构，构建出一种可解释的数据驱动替代模型，从而提高了交通预测与控制的效率。
关键设计：在模型设计中，采用了多项式可观测量作为特征提取工具，优化了模型的参数设置，并通过双线性形式简化了受控动力学的计算过程。
🖼️ 关键图片
📊 实验亮点
实验结果显示，Koopman-MPC在一小时的高速公路实验中，成功将交通密度保持在临界Greenshields值以下，且最大密度差异低于1%。此外，Koopman预测器的在线模型评估成本降低了约一个数量级，相较于非线性PDE预测器表现出显著的计算优势。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在智能交通系统、城市交通管理和自动驾驶技术中。通过提高交通流预测的准确性和控制的效率，可以有效缓解交通拥堵，提升道路安全性与通行效率，具有重要的社会和经济价值。
📄 摘要（原文）
In this paper, we develop a Koopman operator framework for modeling and control of traffic flow governed by the Lighthill--Whitham--Richards (LWR) conservation law. We show that the nonlinear dynamics induced by the Greenshields flow--density relation naturally motivate a dictionary of polynomial observables, while the controlled dynamics become bilinear in the lifted Koopman coordinates. A reduced-order Koopman model is identified from spatio-temporal traffic-density snapshots and used as the prediction model in a model predictive control (MPC) framework for ramp metering. The resulting Koopman-MPC is compared with two predictive control baselines that use, respectively, a fixed linearized LWR model and the nonlinear finite-volume LWR model. In a one-hour freeway experiment, the Koopman-based controller maintains the traffic density below the critical Greenshields value and closely reproduces the behavior of the nonlinear PDE-based MPC, with a maximum-density difference below 1%. The Koopman predictor also reduces the mean online model-evaluation cost by approximately one order of magnitude relative to the nonlinear PDE predictor. In contrast, the linearized LWR predictor is computationally cheaper but exhibits substantially larger prediction errors and yields a more conservative metering policy. These results demonstrate that the analytical structure of the nonlinear traffic conservation law can be exploited to construct an interpretable data-driven surrogate for efficient traffic prediction and control