Utafiti huu unapendekeza mbinu inayolenga kuziba pengo kati ya modeli za akili bandia zinazojifunza tu kutoka data za kihistoria za sensa katika utabiri wa muda mfupi wa msongamano wa trafiki na modeli za kihisabati zinazotegemea tu fizikia ya trafiki. Mbinu inayoitwa “Stochastic Physics-Informed Score Network”, kwa kifupi SPISN, inaingiza katika mchakato wa mafunzo wa mtandao wa neva unaotoa utabiri wa uwezekano sheria kama uhifadhi wa idadi ya magari, mawimbi ya mshtuko katika mtiririko wa trafiki na mipaka ya kimwili ya msongamano.

Msingi wa kimwili wa modeli ni mlinganyo wa mtiririko wa trafiki wa Lighthill–Whitham–Richards. Katika utafiti, mlinganyo huu wa deterministic hubadilishwa kuwa sheria ya stochastic ya uhifadhi kwa kuongeza athari za nasibu zinazowakilishwa na mwendo wa Brown. Kisha, badala ya kutabiri thamani moja tu ya msongamano wa trafiki, hutumiwa mlinganyo wa takribani wa Fokker–Planck unaoeleza usambazaji wa uwezekano wa msongamano katika mahali na wakati fulani. Ili usambazaji huu uweze kusogezwa mbele kwa namna ya deterministic, inapendekezwa “Probability Flow ODE”, yaani mlinganyo tofauti wa kawaida wa mtiririko wa uwezekano.

Muundo uliopendekezwa una sehemu kuu tatu: mtandao wa neva unaojifunza score ya usambazaji wa msongamano wa trafiki, moduli ya advection-closure inayowakilisha kwa takribani athari za usafirishaji wa anga, na integrator ya mtiririko wa uwezekano inayosogeza usambazaji uliojifunzwa kwenda siku zijazo. Modeli hufunzwa kwa mchanganyiko wa hasara ya ulinganifu wa data, mabaki ya fizikia ya Fokker–Planck na hasara za prior zinazohifadhi mipaka ya kimwili.

Kulingana na matokeo ya majaribio ya NGSIM I-80 yaliyoripotiwa katika hati, SPISN ilitoa RMSE iliyo chini kwa asilimia 39 kuliko modeli ya LSTM wakati asilimia 30 tu ya sensa zilitumika, na asilimia 55 chini wakati asilimia 10 tu ya sensa zilitumika. Katika senario ya sensa asilimia 30, kosa la uhifadhi wa wingi liliripotiwa kuwa asilimia 2,1, uwiano wa utabiri wa msongamano hasi asilimia 0 na kosa la kasi ya wimbi la mshtuko asilimia 5,4.

Modeli pia hutoa matokeo ya kutokuwa na uhakika kama vipindi vya kuaminika vya asilimia 90 na uwezekano wa msongamano kuvuka kizingiti muhimu. Katika senario ya data kamili, kiwango cha kufunika thamani halisi na vipindi vya asilimia 90 kilitolewa kuwa asilimia 89,2. Hata hivyo, data inapokuwa adimu zaidi au kelele inapoongezeka, kiwango cha kufunika kilishuka hadi asilimia 83,5; imekubaliwa kwamba modeli hutoa utabiri wenye kujiamini kupita kiasi kwa kiasi fulani katika hali ngumu.

Ugunduzi muhimu zaidi wa kinyume ni kwamba chini ya kelele ya ziada ya asilimia 10, modeli ya namba ya LWR inayotegemea fizikia pekee ilitoa kosa la utabiri lililo chini kuliko SPISN. Matokeo haya yanaonyesha kwamba data ya sensa inapoharibika sana, kutumia data kunaweza kuleta madhara badala ya faida, na mfumo huenda ukahitaji kubadilisha uzito wa hasara za fizikia na data kulingana na ubora wa data.

Ingawa utafiti unatoa matokeo ya kina, ni preprint ambayo haijapitiwa na wenzao. Hati ina kutolingana katika tarehe na utambulisho wa mwandishi, hitilafu ya kihesabu katika vipimo vya data, vielelezo vya matokeo ambavyo havijaonyeshwa, fomula pungufu, marejeo yasiyo na viingilio vinavyolingana katika bibliografia na msimbo ambao haujachapishwa. Kwa hiyo, matokeo ya namba yanapaswa kutathminiwa si kama vipimo vya utendaji vilivyothibitishwa kwa kujitegemea, bali kama matokeo ya majaribio yaliyoripotiwa na utafiti wenyewe.

Tatizo kuu la utafiti ni lipi?

Utabiri wa trafiki wa muda mfupi ni muhimu kwa kuweka mipaka ya kasi inayobadilika, kusimamia njia za kuingia barabarani, kutoa mapendekezo ya njia, kuingilia mapema matukio na kuwapa madereva taarifa za muda wa safari. Hata hivyo, kutabiri msongamano wa trafiki wa siku zijazo ni vigumu kwa sababu mbili:

• Trafiki hufuata sheria wazi za kimwili kama uhifadhi wa idadi ya magari.
• Ni ya nasibu kwa kiwango kikubwa kutokana na tabia ya madereva, aina za magari, hali ya hewa, kubadilisha njia na matukio madogo.

Modeli safi za machine learning zinaweza kujifunza mifumo changamano katika data za zamani; lakini bila kizuizi cha kimwili zinaweza kutoa matokeo yasiyowezekana kama msongamano hasi wa magari au wimbi la msongamano linalosogea upande usio sahihi. Zaidi ya hayo, wakati data ya kutosha ya sensa haipo, mahusiano yaliyojifunzwa yanaweza kuharibika haraka.

Modeli safi za fizikia, kwa upande mwingine, huwakilisha kwa kawaida taratibu kama uhifadhi wa magari na mawimbi ya mshtuko. Hata hivyo, zinaweza kushindwa kueleza vya kutosha hali ya nasibu ya trafiki halisi, utofauti wa madereva na tabia isiyo katika usawa. Vigezo vyake pia vinahitaji kurekebishwa upya kwa kila barabara na kipindi.

Swali kuu la utafiti ni hili: ikiwa umbo la stochastic la fizikia ya trafiki litaingizwa katika modeli ya akili bandia inayojifunza si msongamano wa wastani pekee bali usambazaji wa msongamano, je, utabiri sahihi zaidi na wenye ulinganifu bora wa kimwili unaweza kupatikana chini ya data kidogo, pungufu au yenye kelele ya sensa?

Maswali ya utafiti

Utafiti umefafanua maswali manne ya utafiti:

1. Ufunikaji wa sensa unaposhuka chini ya asilimia 30, je, modeli ya stochastic physics-informed inaweza kutoa utabiri sahihi zaidi kuliko machine learning safi?
2. Je, kutekeleza sheria ya uhifadhi katika usambazaji kunaweza kupunguza msongamano hasi, ukiukaji wa uhifadhi wa wingi na kasi zisizo sahihi za mawimbi ya mshtuko?
3. Modeli ni thabiti kwa kiwango gani chini ya kelele ya asilimia 0–15 na upotevu wa sensa?
4. Je, modeli inaweza kutoa vipindi vya kuaminika na hatari za msongamano zinazotegemea fizikia ya trafiki badala ya mbinu za takwimu zinazoongezwa baadaye pekee?

Modeli ya trafiki ya deterministic LWR

Sehemu ya kuanzia ya utafiti ni modeli ya Lighthill–Whitham–Richards inayochukulia mtiririko wa trafiki wa makroskopiki kama majimaji. Uhifadhi wa magari unaonyeshwa na:

\[ \frac{\partial \rho}{\partial t} +\frac{\partial q}{\partial x}=0 \]

.

• ρ(x,t): ni msongamano wa trafiki katika nafasi x na wakati t; kitengo cha gari/km kinatumika katika utafiti.
• q(x,t): ni mtiririko wa magari yanayopita sehemu fulani ya barabara kwa kila kitengo cha muda.
• ∂ρ/∂t: ni mabadiliko ya msongamano kwa wakati katika eneo fulani.
• ∂q/∂x: ni mabadiliko ya anga ya mtiririko kando ya barabara.

Mlinganyo unasema kwamba idadi ya magari katika kipande cha barabara inaweza kubadilika tu kutokana na tofauti kati ya magari yanayoingia na yanayotoka. Bila vipengele vya chanzo, kutoka, rampi au kubadilisha njia, magari hayaruhusiwi kihisabati kuonekana kutoka pasipo kitu au kutoweka.

Mchoro msingi wa Greenshields

Kwa uhusiano kati ya mtiririko na msongamano, mlinganyo wa paraboliki wa Greenshields umetumika:

\[ Q(\rho)= v_{\max}\rho \left( 1-\frac{\rho}{\rho_{\mathrm{jam}}} \right) \]

• v_max: ni kasi ya mtiririko huru.
• ρ_jam: ni msongamano wa msongamano mkubwa ambapo magari karibu hayasogei.
• Q(ρ): ni mtiririko katika msongamano fulani.

Msongamano unapokuwa sifuri, mtiririko ni sifuri kwa sababu hakuna magari. Msongamano unapofikia msongamano wa jam, mtiririko hukaribia tena sifuri kwa sababu magari hayawezi kusogea. Mtiririko wa juu zaidi hutokea katika:

\[ \rho_{\mathrm{crit}}= \frac{\rho_{\mathrm{jam}}}{2} \]

msongamano muhimu.

Katika matokeo ya utafiti, ρ_jam = 120 gari/km, na hivyo ρ_crit = 60 gari/km umetumika.

Modeli ya stochastic LWR

Katika trafiki halisi, kwa msongamano uleule wa wastani kunaweza kuonekana kasi na mtiririko tofauti. Utafiti unaongeza utofauti huu kwenye mlinganyo wa fizikia kwa namna ya mwendo wa Brown:

\[ d\rho +\frac{\partial Q(\rho)}{\partial x}\,dt = \sigma\frac{\partial^2\rho}{\partial x^2}\,dt + \sqrt{\varepsilon}\, \frac{\partial}{\partial x} \left( \sqrt{D(\rho)}\circ dW \right) \]

• σ > 0: ni mgawo wa viscous regularization unaolainisha mabadiliko makali karibu na mshtuko.
• ε > 0: ni ukubwa wa forcing ya nasibu.
• D(ρ): ni kazi ya diffusion inayotegemea msongamano.
• W(x,t): ni mwendo wa Brown wa anga–wakati.
• ∘: inaonyesha integral ya Stratonovich.

Kazi ya diffusion imechaguliwa kama:

\[ D(\rho)= \alpha_D\,\rho \left( \rho_{\mathrm{jam}}-\rho \right) \]

. Hapa, ili kuzuia mkanganyiko, mgawo umeonyeshwa kwa α_D. Maandishi ya asili yanatumia alama hiyo hiyo pia katika miktadha mingine.

Kuwa sifuri kwa kazi hii katika msongamano sifuri na jam kamili kunahakikisha kwamba mabadiliko ya nasibu ya msongamano hupungua katika hali ya barabara tupu au barabara iliyofungwa kabisa. Utofauti wa juu zaidi hutokea karibu na msongamano muhimu.

Tatizo la istilahi za Itô na Stratonovich

Maandishi yanaita modeli “Itô-type stochastic LWR”, lakini mlinganyo ulioandikwa unatumia wazi alama ya integral ya Stratonovich. Ingawa uwakilishi wa Itô na Stratonovich unaweza kubadilishwa kutoka mmoja hadi mwingine, kuna neno la ziada la drift linalosababishwa na kelele kati yao. Kutokuwepo kwa uonyeshaji wazi wa ubadilishaji huu kunaacha bila uhakika ni tafsiri gani ya stochastic iliyotumika katika modeli.

Mlinganyo wa Fokker–Planck wa nukta moja

Modeli inaonyesha usambazaji wa uwezekano wa msongamano wa trafiki katika eneo na wakati fulani kwa:

\[ p(\rho;x,t) \]

. Mlinganyo wa takribani wa Fokker–Planck uliopendekezwa ni:

\[ \frac{\partial p}{\partial t} + \frac{\partial}{\partial\rho} \left[ A(\rho;x,t)p \right] = \frac{\varepsilon}{2} \frac{\partial^2}{\partial\rho^2} \left[ \widetilde{D}(\rho;x,t)p \right] \]

.

• A(ρ;x,t): ni neno la conditional drift linalounganisha usafirishaji wa trafiki wa deterministic na drift inayosababishwa na kelele.
• D̃(ρ;x,t): ni effective diffusion inayowakilisha diffusion inayotegemea msongamano na athari za uhusiano wa anga.
• p(ρ;x,t): ni kazi ya density ya uwezekano wa msongamano.

Changamoto kuu ni kwamba maendeleo ya msongamano katika nukta fulani hutegemea gradients za msongamano katika maeneo jirani. Kwa hiyo, mlinganyo wa usambazaji wa nukta moja haujifungi wenyewe.

Mbinu ya mean-field closure

Utafiti unatumia:

\[ \mathbb{E} \left[ \frac{\partial Q(\rho)}{\partial x} \right] \approx \frac{\partial Q(\mathbb{E}[\rho])}{\partial x} - \kappa \frac{\partial^2\mathbb{E}[\rho]}{\partial x^2} \]

ili kufunga kwa takribani utegemezi wa anga.

κ > 0 ni mgawo wa empiriki unaowakilisha kwa takribani mixing au eddy diffusion kati ya maeneo jirani ya trafiki. Dhana hii inafanya hesabu iweze kutekelezeka, lakini si suluhisho kamili la conditional drift halisi.

Wakati sehemu ya michango ya hati inatumia maneno kama “closed-form” au “explicit conditional drift”, sehemu ya mbinu inakubali kuwa mean-field closure ni ya takribani. Kwa hiyo, matokeo si mlinganyo wa Fokker–Planck uliofungwa kikamilifu, bali mlinganyo wa takribani wa mabadiliko unaotegemea dhana fulani ya closure.

Probability Flow ODE

Mlinganyo wa Fokker–Planck unaeleza jinsi usambazaji unavyobadilika kwa muda. Katika matumizi ya mtandao wa neva, hata hivyo, mlinganyo wa deterministic tofauti unahitajika ili kusafirisha sampuli za mwanzo kwenda kwenye usambazaji wa baadaye. Kwa sababu hii, utafiti unatumia Probability Flow ODE inayohifadhi marginal za usambazaji wa uwezekano.

Kipengele kikuu katika ubadilishaji huu ni kazi ya score:

\[ s_{\theta}(\rho,x,t) \approx \nabla_{\rho} \log p(\rho;x,t) = \frac{\partial\log p(\rho;x,t)}{\partial\rho} \]

. Score inaonyesha kuelekea thamani zipi za msongamano usambazaji wa uwezekano unaongezeka. Mtandao wa neva unapojifunza score, sampuli za mwanzo zilizochukuliwa kutoka kwenye usambazaji zinaweza kusafirishwa kwenda kwenye msongamano wa baadaye kwa ODE ya deterministic.

Upungufu katika hati: Ingawa utafiti unasema Probability Flow ODE imetolewa na ni sehemu ya msingi ya modeli, mlinganyo wazi wa ODE haupo katika sehemu husika ya PDF. Maandishi yanaendelea moja kwa moja kwenye aya inayoeleza kazi ya score. Upungufu huu hufanya utekelezaji huru wa modeli kuwa mgumu.

Umbo la uhifadhi wa integral kwa mawimbi ya mshtuko

Hasara za kawaida za PINN hutumia derivatives za nukta za mlinganyo tofauti. Katika mipaka mikali ya msongamano wa trafiki, derivatives zinaweza kutofafanuliwa au kuwa kubwa sana. Utafiti unajaribu kutatua tatizo hili kwa uhifadhi wa integral juu ya control volume ya anga–wakati:

\[ \int_{x_1}^{x_2}\rho(x,t_2)\,dx - \int_{x_1}^{x_2}\rho(x,t_1)\,dx + \int_{t_1}^{t_2}Q(\rho(x_2,t))\,dt - \int_{t_1}^{t_2}Q(\rho(x_1,t))\,dt =0 \]

Usawa huu unahitaji kwamba mabadiliko ya idadi ya magari ndani ya control volume yawe sawa na mtiririko halisi kupitia mipaka. Kwa kuwa integral hutumiwa badala ya derivative, mlinganyo hubaki na maana hata uso wa mshtuko unapopita ndani ya control volume.

Katika hali ya stochastic, lengo ni uhifadhi uleule kutimizwa kupitia thamani zinazotarajiwa.

Vipengele vitatu vya muundo wa SPISN

1. Mtandao wa score

Mtandao wa score s_θ(ρ,x,t) hujifunza derivative ya logarithm ya usambazaji wa msongamano.

Ili kunasa mabadiliko ya masafa ya juu, vipengele vya Fourier vimeongezwa kwenye viingizo vya nafasi na muda:

\[ \gamma(v)= [ \sin(2\pi B_1v),\cos(2\pi B_1v), \ldots, \sin(2\pi B_mv),\cos(2\pi B_mv) ] \]

Vigawo B_i huchukuliwa kutoka usambazaji wa Gauss wenye standard deviation ya 10. Lengo ni kuwakilisha mabadiliko makali kwenye shock front vizuri zaidi kuliko viingizo vya kawaida vya koordinati.

2. Moduli ya advection-closure

Moduli C_φ(ρ,x,t) hujifunza kwa takribani athari ya drift inayotokana na maeneo jirani na ambayo haiwezi kuhesabiwa moja kwa moja kutoka usambazaji wa nukta moja.

Viingizo vya moduli vimetolewa kama:

• msongamano ghafi ρ,
• derivative ya kwanza ya anga ya msongamano unaotarajiwa,
• derivative ya pili ya anga ya msongamano unaotarajiwa,
• nafasi x na muda t.

vimetolewa hivyo.

3. Integrator ya mtiririko wa uwezekano

Kwa kutumia score na drift zilizojifunzwa, sampuli za mwanzo za msongamano husogezwa kwenda siku zijazo kwa mbinu ya Runge–Kutta ya daraja la nne. Utafiti unaripoti kutumia hatua 100 za muda na trajectory 1000 za sampuli kwa kila utabiri.

Kazi ya jumla ya hasara

Vigezo vya mtandao hufunzwa kwa kupunguza:

\[ \mathcal{L}_{\mathrm{total}} = \lambda_{\mathrm{data}}\mathcal{L}_{\mathrm{data}} + \lambda_{\mathrm{physics}}\mathcal{L}_{\mathrm{physics}} + \lambda_{\mathrm{prior}}\mathcal{L}_{\mathrm{prior}} \]

.

Hasara ya data

Katika hasara ya data, denoising score matching hutumiwa badala ya kutatua ODE kutoka mwanzo kwa kila uchunguzi. Kelele bandia za ukubwa tofauti huongezwa kwenye thamani halisi za msongamano na mtandao hujifunza score field inayoelekeza sampuli yenye kelele kuelekea usambazaji halisi.

Utafiti unasema kuwa viwango 20 vya kelele vilivyopangwa kutoka kikubwa hadi kidogo vilitumika wakati wa mafunzo; lakini thamani halisi za namba za viwango hivyo hazijatolewa.

Mabaki ya fizikia ya Fokker–Planck

Mabaki ya msingi yamefafanuliwa kama:

\[ R_{\mathrm{FP}}(\rho,x,t)= \frac{\partial p}{\partial t} + \frac{\partial}{\partial\rho}(Ap) - \frac{\varepsilon}{2} \frac{\partial^2}{\partial\rho^2} (\widetilde{D}p) \]

. Yanapoandikwa katika uwakilishi wa score:

\[ R_{\mathrm{FP}} = p \left[ \frac{\partial\log p}{\partial t} + \frac{\partial A}{\partial\rho} + A\frac{\partial\log p}{\partial\rho} - \frac{\varepsilon}{2} \left( \frac{\partial^2\widetilde{D}}{\partial\rho^2} + 2\frac{\partial\widetilde{D}}{\partial\rho} \frac{\partial\log p}{\partial\rho} + \widetilde{D} \left( \frac{\partial^2\log p}{\partial\rho^2} + \left( \frac{\partial\log p}{\partial\rho} \right)^2 \right) \right) \right] \]

.

Hasara ya fizikia imetolewa kama:

\[ \mathcal{L}_{\mathrm{physics}} = \frac{1}{N_{\mathrm{coll}}N_{\rho}} \sum_{j=1}^{N_{\mathrm{coll}}} \sum_{k=1}^{N_{\rho}} \left\| R_{\mathrm{FP}}(\rho_k,x_j,t_j) \right\|^2 \exp \left[ -\frac{ |\rho_k-\rho_{\mathrm{ref}}(x_j,t_j)|^2 }{ 2\sigma_{\mathrm{ref}}^2 } \right] \]

. Uzito wa exponential huimarisha hasara ya fizikia katika maeneo ya msongamano yaliyo karibu na uchunguzi na yenye uwezekano mkubwa.

Pengo la utekelezaji: Ingawa maandishi yanasema hakuna ufikiaji wa moja kwa moja kwa kazi p, katika mabaki yaliyopanuliwa kipengele p bado kimehifadhiwa. Haijaelezwa kwa kina jinsi probability density inavyonormalishwa na kupatikana kwa namba kutoka mtandao wa score, wala jinsi neno ∂log p/∂t linavyohesabiwa. Pia, thamani ya parameter σ_ref haijafafanuliwa.

Hasara za prior za kimwili

Vikwazo vitatu vya ziada vinatumika:

1. Masharti ya mpaka: Inahitajika score ikaribie sifuri wakati msongamano unakaribia sifuri au msongamano wa jam.
2. Monotonicity: Kuongezeka kwa score pamoja na msongamano juu ya msongamano muhimu huadhibiwa.
3. Mpaka wa variance: Inazuiwa variance ya usambazaji wa msongamano uliojifunzwa kuvuka mpaka wa juu uliowekwa kwa msingi wa kimwili.

Hasara ya mpaka imetolewa kama:

\[ \mathcal{L}_{\mathrm{prior,bc}} = s_{\theta}(0,x,t)^2 + s_{\theta}(\rho_{\mathrm{jam}},x,t)^2 \]

.

Adhabu ya monotonicity ni:

\[ \mathcal{L}_{\mathrm{prior,mono}} = \sum_i \max \left( 0, \frac{\partial s_{\theta}}{\partial\rho} (\rho_i,x,t) \right) \mathbf{1}_{\rho_i>\rho_{\mathrm{crit}}} \]

.

Kizuizi cha variance kimeelezwa kwa dhana, lakini fomula yake wazi na thamani ya juu ya variance iliyotumika hazijatolewa.

Mchakato wa mafunzo

Data ya NGSIM iliyotumika

Utafiti unasema umetumia data ya trajectories ya NGSIM I-80 iliyotolewa na U.S. Federal Highway Administration. Sifa zilizoripotiwa katika PDF ni hizi:

• Mahali: korido ya I-80 huko Emeryville, California.
• Muda wa uchunguzi: takribani dakika 45 kati ya 16.00–16.45.
• Sampling ghafi: 10 Hz.
• Sehemu ya barabara iliyochunguzwa: takribani 1,6 km kati ya 0,2–1,8 km.
• Cell ya anga: mita 100.
• Cell ya muda: sekunde 10.
• Mafunzo: dakika 27 za kwanza.
• Validation: dakika 9 zinazofuata.
• Test: dakika 9 za mwisho.

Imeripotiwa kwamba moving average filter ya sekunde 0,5 ilitumika kwenye trajectories za magari, rekodi zenye hitilafu kama kuruka nyuma zilisafishwa na trajectories za mikroskopiki zilikusanywa katika cells za msongamano–mtiririko.

Kutolingana kwa kihesabu katika ukubwa wa data

Maandishi yanasema barabara ya 1,6 km imegawanywa katika cells za mita 100. Hali hii inapaswa kutoa:

\[ \frac{1{,}6\ \mathrm{km}} {0{,}1\ \mathrm{km/hücre}} =16\ \mathrm{mekânsal\ hücre} \]

. Kinyume chake, PDF inasema data ya mwisho ina takribani cells 90 za anga na:

\[ 90\times270=24.300 \]

nukta za anga–wakati.

Kwa kuwa kipindi cha test cha dakika tisa kina cells 54 za muda, kwa dhana ya cells 90 hupatikana nukta 4860 za test na namba za maandishi zinaendana chini ya dhana hiyo. Hata hivyo, cells 90 za mita 100 zinahitaji barabara ya 9 km na hazipatani na urefu uliotajwa wa 1,6 km.

Utafiti hausemi wazi kuwa ulihesabu lanes kama cells tofauti. Katika sehemu ya majadiliano, inasemwa data ilikusanywa across lanes. Kwa hiyo, bila kueleza jinsi cells 90 za anga na nukta 24.300 zilivyopatikana, ukubwa wa sampuli ya jaribio hauwezi kujengwa upya.

Kutolingana katika coverage ya lane

Katika sehemu ya scope, mwanzoni imeandikwa kuwa “single-lane dynamics” inachunguzwa, ilhali katika majadiliano inasemwa NGSIM ni multi-lane na data zimekusanywa across lanes. Uchambuzi wa lane moja na aggregation across lanes si ufafanuzi uleule wa data. Inahitajika kufafanuliwa ni lanes zipi zilitumiwa na mbinu ya aggregation ilikuwa ipi.

Modeli za kulinganisha

Senario za majaribio

Imeelezwa kuwa kila jaribio lilirudiwa kwa random seeds tano tofauti na matokeo yaliripotiwa kama wastani ± standard deviation.

Ingawa swali la utafiti linataja hadi asilimia 15 kelele na hadi asilimia 50 upotevu wa sensa, katika senario zilizofafanuliwa ni asilimia 5 na asilimia 10 pekee za kelele zilizojaribiwa moja kwa moja. Ufunikaji wa sensa ulipunguzwa hadi asilimia 30 na asilimia 10; hakuna senario tofauti ya asilimia 50 upotevu wa sensa.

Matokeo ya usahihi wa utabiri

Thamani ni RMSE katika gari/km na thamani ya chini ina maana utabiri bora.

Data kamili

Katika S1, SPISN ilitoa kosa la chini zaidi kwa 3,08 gari/km. Tofauti dhidi ya LSTM ni takribani asilimia 4. Utafiti umeripoti p < 0,05 kwa paired t-test kwa tofauti hii; lakini test statistic, thamani halisi ya p na mbinu ya kuoanisha random seeds tano hazijatolewa.

Data adimu

Katika S2, upungufu wa kosa wa SPISN dhidi ya LSTM unahesabiwa kama:

\[ \frac{6{,}87-4{,}21}{6{,}87} \times100 \approx%38{,}7 \]

.

Katika S3:

\[ \frac{12{,}34-5{,}56}{12{,}34} \times100 \approx%54{,}9 \]

imeripotiwa kama upungufu wa kosa.

Katika S3, RMSE ya LWR ya namba ya 5,12 ni chini kuliko 5,56 ya SPISN. Kwa hiyo, ingawa SPISN ni bora kuliko LSTM na PINN ya deterministic katika data adimu sana, haizidi modeli ya fizikia.

Kelele nyingi

Katika S5, LWR ya namba ilitoa RMSE 5,12 na SPISN 6,23. Katika sentensi ya kwanza ya sehemu ya matokeo, iliandikwa kwamba SPISN ilizidi LWR katika senario zote, lakini mara moja baadaye mwandishi alisahihisha kauli yake kwa noti ya “Correction”. Ulinganisho sahihi ni kwamba chini ya asilimia 10 kelele, LWR ya namba ni bora.

Ugunduzi huu unapunguza dai la jumla kwamba mbinu ya stochastic physics-informed huzidi modeli ya data na modeli ya fizikia katika hali zote.

Matokeo ya ulinganifu wa kimwili

Matokeo ya senario S2 ni:

Upungufu wa kosa la uhifadhi wa wingi wa SPISN dhidi ya LSTM unahesabiwa kama:

\[ \frac{18{,}4-2{,}1}{18{,}4} \times100 \approx%88{,}6 \]

.

Kasi ya kinadharia ya wimbi la mshtuko imehesabiwa kwa sharti la Rankine–Hugoniot:

\[ s_{\mathrm{theory}}= \frac{ Q(\rho_+)-Q(\rho_-) }{ \rho_+-\rho_- } \]

.

• ρ_-: ni msongamano upande wa upstream wa mshtuko.
• ρ₊: ni msongamano upande wa downstream wa mshtuko.

Kulingana na ripoti ya utafiti, SPISN ni bora sana kuliko modeli safi za data katika usahihi wa kimwili, lakini dhaifu kuliko LWR ya namba. Huu ni usawa unaotarajiwa: LWR imefungwa moja kwa moja kwa sheria ya fizikia, ilhali SPISN hukadiria fizikia na data kwa pamoja.

Vielelezo vya matokeo vilivyokosekana

Sehemu ya matokeo inataja vielelezo vitatu:

• Contours za msongamano wa anga–wakati kwa msongamano halisi, LSTM, LWR na SPISN.
• Curves za RMSE kulingana na kiwango cha kelele.
• Grafu ya calibration ya uwezekano wa msongamano uliotabiriwa.

Hata hivyo, maandishi yameeleza vielelezo hivi kama “conceptual” na “to be included in final manuscript” na havijawekwa kwenye PDF. Kwa hiyo, ukali wa shock, timing yake, ikiwa gradient ya kelele ni ya mstari na ushahidi wa kuona wa calibration slope 0,94 haviwezi kukaguliwa.

Ustahimilivu kwa kelele na upotevu wa sensa

Maandishi yameripoti ongezeko la RMSE kwa kila ongezeko la asilimia 1 la kelele kama:

Haijaonyeshwa slopes hizi zilipatikana kutoka pointi zipi za majaribio na kwa mbinu gani ya regression. Hesabu rahisi ya endpoints kwa matokeo ya S2, S4 na S5 inatoa kwa SPISN:

\[ \frac{6{,}23-4{,}21}{10} \approx0{,}202\ \mathrm{araç/km\;her\;%1} \]

. Thamani ya 0,28 iliyomo kwenye ripoti inaweza kuwa imehesabiwa kutoka pointi nyingine za majaribio ambazo hazijaonyeshwa; mbinu haijaelezwa.

Mpaka ulio asilimia 20 juu ya RMSE ya data kamili ya modeli umechukuliwa kama:

\[ 3{,}08\times1{,}20 =3{,}696 \approx3{,}70 \]

. Kulingana na mpaka huu, inadaiwa SPISN inaweza kustahimili hadi asilimia 72 upotevu wa sensa. Hata hivyo, curve ya upotevu wa sensa au jedwali la majaribio ghafi linaloonyesha matokeo haya halipo katika PDF.

Upimaji wa kutokuwa na uhakika

Katika hali bora, kipindi cha asilimia 90 kinatarajiwa kufunika takribani asilimia 90 ya matokeo halisi. Thamani ya asilimia 89,2 katika S1 iko karibu na bora. Asilimia 83,5 katika S5 inaonyesha kwamba modeli haiipanui kutokuwa na uhakika vya kutosha chini ya kelele nyingi, kwa maneno mengine inabaki na kujiamini kupita kiasi.

Kuongezeka kwa upana uliyonormalishwa wa kipindi kutoka 0,18 hadi 0,35 kunaonyesha modeli huongeza kutokuwa na uhakika katika hali ngumu. Hata hivyo, kupungua kwa coverage wakati huohuo kunaonyesha upanuzi huu haujafidia kosa halisi kikamilifu.

Hatari ya msongamano imehesabiwa kama:

\[ P( \rho(x,t)>\rho_{\mathrm{crit}} ) \]

. Maandishi yanasema calibration slope ni 0,94 na intercept 0,03; grafu ya calibration husika haipo kwenye PDF.

Uchambuzi wa ablation

Jedwali la ablation linadai kuwa hasara ya fizikia hutoa mchango mkubwa zaidi kwa utabiri na uhifadhi; prior za mpaka na monotonicity huondoa kabisa msongamano hasi.

Uboreshaji wa RMSE wa SPISN kamili dhidi ya toleo la fizikia ya deterministic ni:

\[ \frac{4{,}52-4{,}21}{4{,}52} \times100 \approx%6{,}9 \]

.

Gharama ya hesabu

SPISN hufanya inference takribani mara 53 polepole kuliko LSTM:

\[ \frac{4{,}8}{0{,}09} \approx53{,}3 \]

. Utafiti unasema takribani sekunde 0,5 kwa nukta mia moja inaweza kukubalika kwa traffic management centers; kwa matumizi ya kiwango cha millisecond kama vehicle-to-everything communication, model compression ingehitajika.

Kumbukumbu ya inference imetolewa kuwa 450 MB kwa SPISN, 120 MB kwa LSTM na 80 MB kwa PINN ya deterministic.

Tofauti kuu kati ya muhtasari na mbinu

Katika muhtasari, imeelezwa kuwa “mchoro msingi uliojifunzwa umeingizwa katika muundo kama physics-constrained layer”. Kinyume chake, katika sehemu za mbinu na majaribio mchoro msingi wa Greenshields umetumika kama kazi thabiti na imeandikwa kwamba parameters zake zilicalibrate kwa data ya mafunzo. Katika majadiliano, kujifunza mchoro msingi pamoja na mtandao wa neva kunawasilishwa kama kazi ya baadaye.

Kwa hiyo, katika toleo linalochunguzwa haijaonyeshwa kwamba mchoro msingi ni layer inayojifunzwa kweli; mbinu iliyotekelezwa inategemea umbo thabiti na lililocalibrate la Greenshields.

Matokeo yanasema nini kisayansi?

Ikiwa matokeo ya hati yatakubaliwa kuwa sahihi na yanaweza kuzalishwa upya, hitimisho zifuatazo zinaungwa mkono:

• Hasara ya stochastic physics inaweza kutoa utabiri bora kuliko LSTM na mtandao wa neva wa kawaida katika data adimu ya sensa.
• Prior za kimwili zinaweza kupunguza matokeo yasiyowezekana kama msongamano hasi.
• Hasara ya uhifadhi wa integral inaweza kuhifadhi kasi ya shock front vizuri zaidi kuliko mabaki ya PINN ya nukta.
• Modeli ya usambazaji inaweza kutoa vipindi vya kuaminika na uwezekano wa msongamano pamoja na point predictions.
• Katika hali ambapo data ya sensa imeharibiwa sana, modeli safi ya fizikia inaweza kuwa ya kuaminika zaidi kuliko mchanganyiko wa data–fizikia.

Matokeo ambayo utafiti hauthibitishi

• Haionyeshi kwamba SPISN ndiyo modeli bora katika mitandao yote ya barabara na hali zote za trafiki.
• Haionyeshi kwamba modeli inazidi LWR ya namba katika senario zote za data adimu na kelele.
• Haithibitishi matokeo ya asilimia 72 upotevu wa sensa kwa data ya kina ya jaribio au grafu ndani ya PDF.
• Haionyeshi kufanya kazi katika mitandao ya mijini, intersections au mitandao ya multi-lane.
• Haitoi ushahidi wa online real-time learning au kuzoea hali za trafiki zinazobadilika kwa muda mrefu.
• Haionyeshi kwamba Fokker–Planck closure iliyotumika ni ya kipekee au kamili kwa trafiki halisi.
• Haitoi mlinganyo wazi wa Probability Flow ODE kwa utekelezaji huu na utekelezaji wake unaoweza kuzalishwa upya.
• Kwa kuwa code, model weights na processed data hazijashirikishwa, hairuhusu utendaji ulioripotiwa kuthibitishwa kwa kujitegemea.

Nguvu za utafiti

• Kujaribu kuunganisha usambazaji wa uwezekano na fizikia ya trafiki badala ya point prediction pekee.
• Kutathmini usahihi wa data na ulinganifu wa kimwili kwa metrics tofauti.
• Kulinganisha vipimo tofauti vya utendaji kama data adimu, kelele, msongamano hasi, uhifadhi wa wingi na kasi ya mshtuko.
• Kulinganisha modeli safi ya data, modeli safi ya fizikia, PINN ya deterministic na modeli ya stochastic physics-informed katika jedwali moja.
• Kutenganisha michango ya fizikia, prior na vipengele vya stochastic kwa ablation.
• Kusahihisha wazi katika sehemu ya matokeo ukweli kwamba modeli ni mbaya kuliko modeli ya fizikia chini ya kelele nyingi badala ya kuuficha.
• Kuripoti coverage ya nominal na upana wa vipindi vya kutokuwa na uhakika kwa pamoja.
• Kueleza muda wa hesabu na gharama ya kumbukumbu.

Mapungufu makuu na matatizo ya kuripoti

• Si chapisho la mwisho lililopitiwa na wenzao.
• Tarehe ya 2025 kwenye title page haipatani na vyanzo vya 2026 ambavyo utafiti unategemea.
• Jina la mwandishi katika PDF properties ni tofauti na jina kwenye title page.
• Email ya mwandishi, ORCID na profaili ya chuo kikuu inayoweza kuthibitishwa hazijatolewa.
• Vielelezo vitatu vikuu vilivyotajwa katika matokeo havijaongezwa kwenye PDF.
• Code na model weights zilizofunzwa hazijashirikishwa.
• Mlinganyo wazi wa Probability Flow ODE haupo.
• Terms za drift na effective diffusion za Fokker–Planck hazijafafanuliwa kikamilifu.
• Haijaelezwa jinsi probability density inayotumika katika mabaki ya fizikia inavyohesabiwa kutoka score.
• Fomula na limit value ya variance prior hazijatolewa.
• Thamani za viwango 20 vya noise schedule hazijatolewa.
• Milinganyo mingi imechapishwa mara mbili sambamba na characters zilizoharibika katika PDF.
• Muhtasari unataja learned fundamental diagram, lakini jaribio linatumia umbo thabiti la Greenshields.
• Ufafanuzi wa “single lane” na “data aggregated across lanes” haupatani.
• Thamani za barabara ya 1,6 km, cell ya 100 m na cells 90 za anga hazipatani kihesabu.
• Hakuna jedwali au figure ya matokeo inayoonyesha tolerance ya asilimia 72 missing sensor.
• Ingawa asilimia 15 kelele imeandikwa katika scope ya utafiti, jaribio la juu kabisa lililofanywa moja kwa moja ni asilimia 10.
• Maelezo ya p-value analysis kwa random seeds tano hayajatolewa.
• Raw predictions, confidence intervals na mbinu ya kutambua shock fronts hazijashirikishwa.
• Marejeo mengi yanayotumika katika maandishi hayapo katika bibliografia.

Kutolingana kwa citation na bibliografia

Baadhi ya citations katika maandishi hazina entries zinazolingana katika bibliografia au miaka haipatani. Mifano:

• Adedire na wenzake (2025), Xu na wenzake (2025), IEEE ITS Magazine (2024) na IEEE Access (2025) hazipo kama entries tofauti katika bibliografia.
• Sumalee na wenzake (2011), Fan na wenzake (2023, 2024), Zhang na wenzake (2025), Wong na Wong (2002), Gneiting na Raftery (2007), Krishnapriyan na wenzake (2021) hazionekani katika bibliografia.
• Daganzo ametajwa kama 1997 katika maandishi na 1995 katika bibliografia.
• Huang na Agarwal wanatajwa kama 2022 na 2023 katika sehemu tofauti za maandishi, ilhali bibliografia ina 2020.

Mapungufu haya hufanya iwe vigumu kukagua madai ya fasihi yanategemea kazi gani asilia.

Maana inayowezekana kwa matumizi

Ikiwa mbinu itathibitishwa kwa data halisi, inaweza kutoa utabiri wa uwezekano wa trafiki unaotumia sheria za fizikia kwa barabara zenye sensa chache. Faida zinazowezekana ni:

• utabiri wa msongamano wa barabara kwa sensa chache,
• kutoa confidence interval pamoja na utabiri,
• traffic management yenye kuzingatia hatari kulingana na uwezekano wa msongamano,
• kutambua data ya sensa iliyoharibika kwa kulinganisha na modeli ya fizikia,
• kuepuka matokeo yasiyowezekana kimwili kama msongamano hasi.

Hata hivyo, matokeo kutoka dataset moja fupi hayaonyeshi kwamba sensor infrastructure inaweza kupunguzwa moja kwa moja au kwamba savings za kiwango cha jiji zitapatikana. Uamuzi huo ungehitaji external validation katika barabara tofauti, misimu, aina za matukio na mifumo ya sensa.

Mbinu na Matokeo ya Utafiti

Matokeo makuu ya namba yaliyoripotiwa

1. Kwa data kamili, RMSE ya SPISN imetolewa kama 3,08 gari/km na RMSE ya LSTM kama 3,21 gari/km.
2. Kwa ufunikaji wa sensa asilimia 30, SPISN ilitoa RMSE iliyo takribani asilimia 39 chini kuliko LSTM.
3. Kwa ufunikaji wa sensa asilimia 10, SPISN ilitoa RMSE iliyo takribani asilimia 55 chini kuliko LSTM.
4. Kwa ufunikaji wa sensa asilimia 10, LWR ya namba ina RMSE ya chini kuliko SPISN: 5,12 dhidi ya 5,56.
5. Chini ya kelele asilimia 10, LWR ya namba ilitoa matokeo bora kuliko SPISN: 5,12 dhidi ya 6,23.
6. Katika senario ya sensa asilimia 30, kosa la uhifadhi wa wingi la SPISN ni asilimia 2,1.
7. Katika senario hiyo hiyo, SPISN haikutoa msongamano hasi.
8. Kosa la kasi ya wimbi la mshtuko la SPISN ni asilimia 5,4; la LWR ya namba ni asilimia 3,1.
9. Kwa data kamili, coverage ya interval ya kuaminika ya asilimia 90 ni asilimia 89,2.
10. Chini ya kelele nyingi, coverage ilishuka hadi asilimia 83,5.
11. Hasara ya fizikia ikiondolewa, RMSE huongezeka kutoka 4,21 hadi 6,34.
12. Hasara za prior zikiondolewa, uwiano wa msongamano hasi huongezeka kutoka asilimia 0 hadi asilimia 0,2.
13. Mafunzo ya SPISN yameripotiwa kuchukua saa 12 na inference 4,8 ms kwa nukta.

Tathmini ya Verianla

Wazo kuu linalopendekezwa na utafiti lina maana kisayansi: katika mfumo kama trafiki ambao unatawaliwa na sheria za uhifadhi na pia ni wa nasibu, kujifunza usambazaji wa uwezekano unaofungwa na sheria ya fizikia badala ya utabiri mmoja tu kunaweza kuboresha upimaji wa kutokuwa na uhakika na ufanisi wa data.

Hata hivyo, PDF iliyochunguzwa si ripoti ya majaribio iliyokamilika na inayoweza kuzalishwa upya. Mlinganyo mmoja wa msingi wa mbinu haupo, vipimo vya data havipatani, vielelezo vikuu vya matokeo bado havijaongezwa, code haijachapishwa na bibliografia haijakamilika. Kwa hiyo, utendaji ulioripotiwa wa SPISN unaweza kuonekana kama nadharia tete yenye nguvu na matokeo ya awali; haupaswi kuwasilishwa kama mafanikio yaliyothibitishwa ya mfumo wa usimamizi wa trafiki.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Physics-Informed Machine Learning for Traffic Prediction

Mwandishi kwenye title page ya PDF: Magnus Briggt.

Jina katika author field ya PDF properties: Victory Harry Izevbekhai. Jina hili halipatani na mwandishi kwenye title page na tofauti ya utambulisho haijathibitishwa.

Mwandishi mwenza au mchango wa pamoja: Hakuna.

Mwandishi wa mawasiliano: Hakuna alama au maelezo ya corresponding author katika PDF. Rekodi ya SSRN inaonyesha Magnus Briggt kama mwandishi mmoja.

Barua pepe: Haipo katika PDF.

ORCID: Haipo katika PDF na haijathibitishwa kwa kujitegemea.

Taasisi iliyotajwa: The University of Manchester – Manchester Institute of Innovation Research.

Uthibitishaji wa taasisi: Ingawa jina la taasisi liko katika PDF na rekodi ya SSRN, profaili rasmi ya chuo kikuu au rekodi ya utafiti ya mwandishi haijathibitishwa.

Tarehe kwenye title page: 5 Oktoba 2025.

Tarehe ya kuundwa kwa faili la PDF: 11 Juni 2026.

Tarehe ya kupakiwa SSRN: 19 Juni 2026.

Onyo la tarehe: Kwa kuwa maandishi yanatumia kazi ya Machi 2026 kama chanzo kikuu cha kinadharia, tarehe 5 Oktoba 2025 haiwezi kuwa tarehe halisi ya kukamilika au kuchapishwa kwa toleo la sasa. Tarehe hii inahitaji kufafanuliwa na mwandishi au jukwaa.

DOI:10.2139/ssrn.6920098. DOI hii ni ya rekodi ya preprint ya SSRN; si DOI ya jarida lililopitiwa na wenzao.

Kiungo rasmi cha utafiti:Ukurasa wa utafiti wa SSRN.

Jukwaa la uchapishaji: SSRN.

Mwendeshaji wa jukwaa: Elsevier.

Jarida au mkutano: Chapisho la jarida au mkutano uliopitiwa na wenzao halijathibitishwa.

Mchapishaji asilia wa jarida: Hakuna.

Aina ya chanzo: Preprint/working paper ya maendeleo ya mbinu katika physics-informed machine learning na utabiri wa trafiki.

Hali ya uhakiki wa wenzao: Hakuna taarifa inayoonyesha kuwa imepitia peer review.

Chanzo cha data: Utafiti unasema umetumia data ya trajectories ya NGSIM I-80; processed data au experimental splits hazijashirikishwa.

Upatikanaji wa code na modeli: Imeelezwa kwamba code na trained models zitashirikishwa baada ya uchapishaji, lakini hakuna repository link katika PDF.

Ufadhili: Hakuna taarifa ya ufadhili katika PDF.

Mgongano wa maslahi: Hakuna taarifa ya mgongano wa maslahi katika PDF.

Michango ya mwandishi: Hakuna taarifa ya michango katika PDF.

Taarifa ya maadili: Ingawa hakuna jaribio la washiriki wa binadamu lililofanywa, hakuna taarifa tofauti ya maadili au matumizi ya data.

Mbinu ya kuandaa maudhui: Makala hii ya Kituruki iliandaliwa baada ya kuchunguza maandishi ya PDF ya kurasa 34 iliyopakiwa, milinganyo ya kihisabati, fomula zilizowekwa kama picha, majedwali manne ya matokeo, ulinganisho wa ablation, maelezo ya mbinu na bibliografia. Hakuna matokeo ya kisayansi ambayo hayapo kwenye PDF yaliyoongezwa. Vyanzo vya nje vilitumika tu kuthibitisha utambulisho wa SSRN, DOI, tarehe ya kupakiwa, hali ya peer review na chronology ya chanzo cha kinadharia cha 2026 ambacho utafiti unategemea.

Mapungufu makuu: Kutolingana kwa utambulisho na tarehe; kutokuwepo kwa peer review; kukosekana kwa mlinganyo wazi wa Probability Flow ODE; closure ya takribani kuwasilishwa kama utoaji kamili; mgongano wa ukubwa wa data kati ya 1,6 km na cells 90; kutolingana kwa single lane na aggregation ya lanes; kukosekana kwa figures za matokeo; code na data kutoshirikishwa; citations zisizo na entries kwenye bibliografia; random seeds tano tu; dataset moja fupi; kutokuwepo kwa validation ya multi-lane na network scale.

Utafiti huu ni pendekezo la kuvutia la mbinu linalochanganya stochastic traffic physics na probabilistic machine learning. Hata hivyo, matokeo yaliyoripotiwa si ushahidi wa utendaji uliothibitishwa kwa kujitegemea, uliopitiwa na wenzao na unaoweza kuzalishwa upya.