Sep, 2023
物理增强的残差学习（PERL）框架用于交通状态预测
A Physics Enhanced Residual Learning (PERL) Framework for Traffic State Prediction
Keke Long, Haotian Shi, Zihao Sheng, Xiaopeng Li, Sikai Chen
TL;DR该论文提出了一种名为 Physics-Enhanced Residual Learning（PERL）的新型框架，将基于物理的模型与数据驱动模型相结合，用于交通状态预测。PERL 模型综合了物理模型和残差学习模型，其预测结果是基于物理模型和预测的残差之和，保持了物理模型的可解释性并降低了对数据的要求。实验证明，PERL 模型在小规模数据集上取得了更好的预测效果，并且在训练过程中收敛更快，与数据驱动模型相比使用更少的训练样本达到了相似性能。敏感性分析也证明了使用其他残差学习模型和基于物理的车辆跟驰模型时 PERL 模型的可比较性能。