基于深度卷积神经网络的交通数据插补

我们提出了一种基于统计学习的交通速度估计方法，该方法使用稀疏的车辆轨迹信息。使用基于卷积编码-解码器的结构，我们证明了训练有素的神经网络可以从时空图中学习时空交通速度动态。我们使用模拟的车辆轨迹为均质路段演示了这一点，然后使用来自NGSIM的真实数据对其进行了验证。我们的结果表明，在探测车辆穿透率低至5%的情况下，所提出的估计方法可以提供宏观交通速度的良好重建，并再现真实的冲击波模式，这意味着该方法适用于各种交通条件。我们进一步讨论了该模型的重建机制，并确认其能够区分各种交通行为，如拥堵和自由流交通状态、过渡动力学和冲击波传播。 关键词：卷积神经网络、数据扩展、数据插补、估计、过滤、交通动力学、交通状态估计。