wdlovecjy的博客

Estimating Traffic Flow in Large Road Networks Based on Multi-Source Traffic Data本篇文章发表在IEEE Transactions on ITS 2020前言准确和高分辨率的交通流信息对交通规划和管理具有重要意义，然而，由于安装和维护成本高，道路上的交通传感设备数量有限，而且目前大型公路网中的大多数路段都没有交通流信息。这对交通规划和管理来说是一个巨大的挑战，需要开发理论模型和数据驱动的方法来估计大型公路网的交通流。摘要由

Long memory is important: A test study on deep-learning based car-following model本篇文章发表在2019年Physica A 期刊上（3区）摘要长时间记忆效应是否在汽车跟踪模型中起着重要作用仍未解决。在本文中，我们研究了在实践中观察到的长记忆效应和滞后现象之间的可能关系。特别是，我们比较了不同的基于深度学习的汽车跟踪模型的性能，这些模型将各种时间尺度的历史信息作为输入。测试表明，只有具有长记忆的汽车跟踪模型才能正确模拟滞后

A data-driven two-lane traffic flow model based on cellular automata这是一篇发表在 Physica A 上的一篇论文。摘要本文提出了一个基于蜂窝自动机的数据驱动的双车道交通流模型。长短期记忆（LSTM）和支持向量机（SVM）被用来分别从车辆的真实运行数据中学习汽车跟随行为和变道行为的特征。在最佳网络参数下，LSTM网络对训练和测试数据的平均绝对误差分别只有0.001和0.006；而SVM分类器对这两个数据的预测准确率达到0.99以上。

Data-Driven Modelling of Car-Following Behavior in the Approach of Signalized Urban Intersections文章发表在2021 IEEE Intelligent Transportation Systems Conference摘要对虚拟测试和自动驾驶系统的开发越来越重视，这意味着对虚拟测试环境的准确性要求很高。特别是被测车辆周围的交通参与者必须有真实地表现，以便将模拟的测试结果与现实进行比较，达到验证的目的。因此，

Simultaneous modeling of car-following and lane-changing behaviors using deep learning摘要跟车（CF）和变道（LC）行为是交通流中的两个基本动作，在文献中一般是分开建模的，因此这两种行为之间的相互作用在分开的模型中很容易被忽略，导致不现实的交通流描述。在本文中，我们采用深度学习模型–长短期记忆（LSTM）神经网络，对这两种基本行为同时建模。通过观察目标车辆周围六辆车的位置信息，LSTM可以自动提取影响CF和LC行为的重

Memory, attention and prediction: a deep learning architecture for car-following本篇文章于2019年发表在Transportmetrica B: Transport Dynamics摘要汽车跟随（CF）模型是一个有吸引力的研究领域，因为它们从根本上描述了车辆的纵向互动，并对理解交通流做出了巨大贡献。在这项研究中，通过结合众多深度神经网络结构来模仿真实驾驶员的记忆、注意力和预测（MAP）机制，建立了一个名为MAP的基于深度学

A recurrent neural network based microscopic car following model to predict traffic oscillation这又是一篇老文章，发表在《transportation research part c》上。同样是用基于微观交通流模型的深度学习方法去预测交通震荡。同我之前一段关注的基于物理交通流模型的深度学习不同的是，这些只是运用了跟车模型的数据，先训练后预测，取代了一个较好的结果。而最近流行的PINN则是应用这些物理模型的某些条件当

Capturing Car-Following Behaviors by Deep Learning这是一篇2017年的老文章，讲的就是用深度学习去预测跟车模型中的行为。因为在2017年，深度学习刚刚发展起来，所以在现在看来，这篇文章很简单。但是还是有我值得去学习的地方。首先，本质上就是利用开源的数据，对下个时刻的车辆速度和位置进行预测，可是作者利用这些数据同汽车的跟车模型联系起来，就显得更加高大上。其次，由于是深度学习初期阶段，作者对GRU的模型进去了比较深入的研究和试验。特别是对模型结构的选择以

Physics-Aware Learning-based Longitudinal Vehicle Trajectory Prediction in Congested Traffic摘要拥挤交通中的冲击波通常会造成负面影响，包括额外的旅行时间、安全风险和能源消耗。基于学习的轨迹预测模型利用周围车辆的历史轨迹作为输入，而不考虑冲击波的影响，而基于物理的模型利用冲击波来预测轨迹，但预测性更差。为了将冲击波的物理特性纳入基于学习的模型，本研究提出了一个基于物理感知的学习模型，用于互联车辆环境中的多步骤轨迹预

Estimating motorway traffic states with data fusion and physics-informed deep learning摘要交通状况估计是交通工程中的一项重要任务。它需要对交通状况进行观测，而迄今为止，即使有了新兴技术，也只是部分地对交通状况进行观测，这是由于欧拉和拉格朗日的观测并不是在任何时候都存在。我们提出了一种方法，利用物理学上的深度学习来融合这两种观察类型，该方法基于Lighthill-Whitham-Richards（LWR）模型来估计没有观察

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。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。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