Abstract
Traffic volume estimation at the city scale is an important problem useful to many transportation operations and urban applications. This paper proposes a hybrid framework that integrates both state-of-art machine learning techniques and well-established traffic flow theory to estimate citywide traffic volume. In addition to typical urban context features extracted from multiple sources, we extract a special set of features from GPS trajectories based on the implications of traffic flow theory, which provide extra information on the speed-flow relationship. Using the network-wide speed information estimated from a travel speed estimation model, a volume related high level feature is first learned using an unsupervised graphical model. A volume re-interpretation model is then introduced to map the volume related high level feature to the predicted volume using a small amount of ground truth data for training. The framework is evaluated using a GPS trajectory dataset from 33,000 Beijing taxis and volume ground truth data obtained from 4,980 video clips. The results demonstrate effectiveness and potential of the proposed framework in citywide traffic volume estimation
چکیده
برآورد حجم ترافیک در مقیاس شهری، یک مسئله مهم مفید برای بسیاری از عملیات های حمل و نقلی و کاربردهای شهری است. این مقاله، یک چارچوب ترکیبی که هر دوی تکنیک های یادگیری ماشینی کیفی فنی و نظریه جریان ترافیکی کاملاً تایید شده را به منظور برآورد حجم ترافیک شهری ادغام می کند، پیشنهاد می کند. علاوه بر ویژگی های بافت شهری معمولی استخراج شده از منابع چندگانه، ما مجموعه ای از ویژگی های مربوط به مدارهای GPS را بر اساس استدلال های نظریه جریان ترافیکی استخراج می کنیم که اطلاعات بیشتری در مورد رابطه بین سرعت- جریان ارائه می دهد. با استفاده از اطلاعات مربوط به سرعت شبکه گسترده برآورد شده از مدل برآورد سرعت جابجایی، یک ویژگی سطح بالای وابسته به حجم برای اولین بار با استفاده از یک مدل گرافیکی نظارت نشده فهمیده شده است. سپس، یک مدل دوباره تفسیر شده ی حجمی جهت ترسیم ویژگی سطح بالای وابسته به حجم برای حجم پیش بینی شده با استفاده از یک مقدار اندک از داده های حقیقی میدانی برای تمرین معرفی شده است. چارچوب، با استفاده از یک مجموعه داده مداری GPS حاصل از 33،000 تاکسی پکن و داده حقیقی میدانی حجمی به دست آمده از 4980 کلیپ ویدیوئی ارزیابی شده است. نتایج، اثربخشی و پتانسیل چارچوب پیشنهادی را در برآورد حجم ترافیک شهری نشان می دهند.
1-مقدمه
حجم ترافیک، یک اندازه کیفی ترافیک مرکزی است که دارای طیف گسترده ای از کاربردهاست. به عنوان مثال، الگوی حجم ترافیک شهری اغلب به عنوان مبنایی برای برنامه ریزی حمل و نقلی و شهری استفاده شده است. دفاتر حمل و نقل محلی، همچنین به اطلاعات حجمی بلادرنگ به منظور انجام مداخلات در ترافیک نیاز دارند؛ به عنوان مثال، تغییر زمانبندی علایم ترافیکی و یا مسدود کردن جاده ای خاص، به منظور واکنش به چندین ازدحام یا رویدادهای اورژانسی. علاوه بر این، حجم ترافیک به عنوان داده های ورودی برای محاسبه تردد خودرو، که در بسیاری از سیستم های کنترل آلودگی مورد نیاز است، عمل می کند...