DOI: https://doi.org/10.1016/j.trc.2026.105707
تاريخ النشر: 2026-05-07
المؤلف: Amalie Roark وآخرون
الموضوع الرئيسي: تعلم الآلة وتصنيف البيانات
نظرة عامة
تتناول ورقة البحث التحدي المتمثل في تقدير الرسم البياني الأساسي الكلي (MFD) في شبكات المرور الحضرية، لا سيما في ظل ظروف ندرة البيانات حيث تكون أجهزة الكشف عن الحلقات محدودة. لمواجهة هذه المشكلة، يقترح المؤلفون إطار عمل للتعلم الفوقي يستخدم التعلم الفوقي غير المعتمد على النموذج (MAML) للاستفادة من الأنماط القابلة للنقل من المدن الغنية بالبيانات لتعزيز تقدير MFD في المدن التي تحتوي على عدد أقل من أجهزة الكشف. يتم دمج الإطار مع شبكة عصبية متعددة المهام تعتمد على الفيزياء (MTPINN)، مصممة للتنبؤ بالمعلمات الرئيسية لحركة المرور مع الحفاظ على القوة ضد الضوضاء وتغير الوقت. تشير النتائج إلى تحسين كبير في دقة توقع التدفق، مع انخفاض في متوسط الخطأ المطلق (MAE) بنسبة تقارب 50% عبر إعدادات حضرية متنوعة.
تشمل المساهمات المنهجية تطوير إطار العمل القائم على MAML للتكيف السريع مع المدن الجديدة وهندسة MTPINN، التي تتضمن طبقات مشتركة لتحسين التعميم. تم تقييم أداء النماذج المقترحة مقارنة بالطرق التقليدية، مما يظهر أن مجموعة MAML-MTPINN تتفوق على كل من الشبكات العصبية البسيطة وطرق التعلم الانتقالي التقليدية، لا سيما في السيناريوهات ذات البيانات المحدودة. تشير النتائج إلى أن دمج التعلم الفوقي لا يعزز فقط تقدير MFD ولكن يوفر أيضًا حلاً أكثر استقرارًا وقوة في مواجهة ندرة البيانات، مما يمهد الطريق للبحوث المستقبلية في تقدير MFD عبر مناطق متعددة وتحسين نمذجة ديناميات المرور.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الآثار السلبية الكبيرة لحركة المرور الحضرية، بما في ذلك تلوث الهواء، وتدهور الصحة، وانخفاض الإنتاج الاقتصادي، والتي تؤثر على غالبية السكان الحضريين. تؤكد على أهمية فهم ديناميات الازدحام الحضري وتقدم الرسم البياني الأساسي (FD) وامتداده، الرسم البياني الأساسي الكلي (MFD)، كأدوات حاسمة لتحليل تدفق المرور والكثافة والسرعة على مستويات الروابط والشبكات. تشير الورقة إلى أنه على الرغم من أن MFD قد تم تطبيقه على نطاق واسع في سياقات إدارة المرور المختلفة، إلا أنه لا يزال هناك نقص في الإجماع حول شكله الوظيفي، والذي غالبًا ما يتم تحديده من خلال أساليب مدفوعة بالبيانات محددة لكل دراسة حالة.
تهدف هذه الدراسة إلى تحسين توقعات MFD في السيناريوهات ذات البيانات المحدودة من خلال استخدام تقنيات التعلم الفوقي لتعميم النتائج عبر بيئات حضرية متنوعة. تقترح شبكة عصبية غير معتمدة على المعلمات (MTPINN) لتقدير MFD التي تتضمن معرفة المجال، إلى جانب إطار عمل للتعلم الفوقي مصمم للاستفادة من البيانات من المدن الغنية بالبيانات للتطبيقات في السياقات ذات البيانات المحدودة. تؤكد الأبحاث أن التعلم الآلي يمكن أن يحدد بفعالية أشكال MFD عندما تكون البيانات متاحة بكثرة، بينما يمكن أن يسهل التعلم الفوقي تقدير MFD في الحالات ذات البيانات المحدودة. تشمل مساهمات هذا العمل توسيع قابلية تطبيق تقديرات MFD للمدن التي تحتوي على نقاط بيانات أقل وتقديم حلول للمدن التي تواجه قيودًا تشغيلية. توضح الورقة هيكلها، موضحة مجموعات البيانات والخوارزميات والتصاميم التجريبية والنتائج التي تظهر الأداء المتفوق للطرق المقترحة.
طرق
في هذا القسم، يحدد المؤلفون المنهجيات المستخدمة لتقدير الرسم البياني الأساسي الكلي (MFD)، مع التركيز فقط على البعد المكاني. يبدأون بنموذج ثنائي القطع المكافئ، الذي يعمل كمعيار نظري للتحقق من أداء النماذج اللاحقة في توقع الإشغال الحرج (CO) والتدفق الأقصى. بعد ذلك، يتم تقديم نهج تعلم آلي غير معتمد على المعلمات من خلال شبكة عصبية متعددة المهام تعتمد على الفيزياء (MTPINN)، مصممة لتقدير MFD باستخدام بيانات أجهزة الكشف عن الحلقات (LD) من مدينة واحدة. يناقش المؤلفون أيضًا إطار التعلم الفوقي غير المعتمد على النموذج (MAML)، الذي يمكن دمجه مع النماذج السابقة لتقدير معلمات MFD في المدن ذات بيانات LD المحدودة.
يتم اشتقاق MFD من خلال تجميع البيانات من جميع مقاطع الطرق داخل الشبكة، باستخدام متوسط التدفق ومتوسط الكثافة الموزونة عبر هذه المقاطع. لحساب MFD من بيانات الإشغال والتدفق، يجب أولاً استخراج قيم الكثافة على مستوى الرابط من قياسات الإشغال، مما يتطلب بيانات إضافية مثل أطوال مقاطع الطرق ومتوسط أطوال المركبات. يشير المؤلفون إلى أن الإشغال على مستوى الرابط يتناسب تقريبًا مع الكثافة، مما يسمح بتطبيع قيم التدفق والكثافة بواسطة تدفق السعة وكثافة الازدحام. وبالتالي، يمكن افتراض علاقة خطية بين الإشغال والكثافة، مع الإشغال المتوسط كمتغير مستقل $x$ والتدفق المتوسط كمتغير تابع $f(x)$. الكود لتنفيذ النماذج متاح للجمهور، إلى جانب مواد إضافية ونتائج موسعة.
نتائج
في هذا القسم، يتم تقييم أداء النماذج المطورة تحت ظروف متغيرة من أجهزة الكشف عن الحلقات المتاحة (LDs). تبدأ التحليل باستخدام جميع أجهزة LD المتاحة ثم تفحص السيناريوهات مع انخفاض توفر البيانات (75، 50، 25، و10 LDs). تشير النتائج إلى أنه بدون تطبيق التعلم الفوقي، فإن انخفاض عدد أجهزة LD يعيق بشكل كبير القدرة على تقدير الرسم البياني الأساسي الكلي (MFD) بدقة، والذي يتضمن مقاييس حاسمة مثل التدفق المتوسط، والإشغال الحرج، والتدفق الأقصى للمدينة المستهدفة.
على العكس، فإن تنفيذ التعلم الفوقي، تحديدًا من خلال نهج التعلم الفوقي غير المعتمد على النموذج (MAML)، يعزز تقدير MFD حتى مع عدد محدود من أجهزة LD. تشير هذه التحسينات إلى أن MAML يمكن أن يوسع بشكل فعال قابلية تطبيق النتائج على المدن التي تحتوي على عدد أقل من أجهزة الكشف، مما يوفر استراتيجية محتملة لتقليل عدد أجهزة LD في المدن المجهزة جيدًا، لا سيما في سياقات مثل الصيانة على نطاق واسع أو مبادرات تقليل التكاليف.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة باستخدام مجموعة بيانات UTD19 لتطوير نموذج تعلم آلي فوقي يهدف إلى تقدير الرسم البياني الأساسي الكلي (MFD) عبر سيناريوهات حضرية متنوعة. تتكون مجموعة البيانات من بيانات حركة المرور من 39 مدينة، والتي تم تنقيحها لتشمل فقط 20 مدينة تحتوي على بيانات كافية من أجهزة الكشف عن الحلقات (LD)، مما يضمن الحد الأدنى من 100 جهاز كشف لكل مدينة لضمان اتساق العينة. تسلط الدراسة الضوء على أهمية التوزيع المكاني في أجهزة LD، حيث يؤثر بشكل كبير على التحيزات في MFDs. قام المؤلفون بمعالجة البيانات مسبقًا لإزالة الأنماط غير المعقولة، مما أدى إلى مجموعة متنوعة من أشكال MFD التي تعتبر حاسمة لتدريب خوارزمية التعلم الفوقي. من الجدير بالذكر أن MFDs أظهرت اتجاهات شائعة، مثل سلوك شبه خطي تحت ظروف التدفق الحر، بينما لوحظت اختلافات في الشكل عبر مدن مختلفة، مما يشير إلى الحاجة إلى نهج نمذجة مخصصة.
يقدم القسم أيضًا إطارين نمذجيين: النموذج الهجين الثنائي القطع المكافئ وشبكة MTPINN. يقوم النموذج الثنائي القطع المكافئ بتقريب MFD باستخدام قطعتي مكافئ تشتركان في رأس، مما يسمح بتفسير فيزيائي لديناميات تدفق المرور. يتم استخدامه كمعيار لتقييم أداء النماذج الأكثر تعقيدًا. تدمج MTPINN التعلم متعدد المهام مع تنظيم مستند إلى الفيزياء لتقدير المعلمات الرئيسية لـ MFD، مستفيدة من التمثيلات المشتركة لتحسين كفاءة التعلم. يوضح المؤلفون عملية تدريب إطار MAML (التعلم الفوقي غير المعتمد على النموذج)، الذي يهدف إلى تحسين معلمات النموذج للتكيف السريع مع المهام الجديدة، وتحديدًا تقدير معلمات MFD لمدن مختلفة بناءً على بيانات LD المحدودة. يعالج هذا النهج المبتكر تحديات ندرة البيانات والتوزيع غير المتساوي، مما يعزز في النهاية قدرات النموذج التنبؤية عبر بيئات حضرية متنوعة.
القيود
تسلط قيود الدراسة الضوء على عدة مجالات للتحسين واتجاهات البحث المستقبلية المتعلقة بنماذج MTPINN وMAML. أولاً، التحليل مقيد بمجموعة بيانات UTD19، التي تلتقط في الأساس فقط المراحل المبكرة من الازدحام، مما يجعل من الصعب تقييم جودة الملاءمة للقطع المكافئ الثاني الذي يمثل نظام الازدحام. يمكن أن تعزز الأبحاث المستقبلية نمذجة الفرع المزدحم من الرسم البياني الأساسي الكلي (MFD) من خلال استخدام نهج احتمالي للتنبؤ بشكل أفضل بسلوك المرور في هذه الظروف.
بالإضافة إلى ذلك، كشفت معايرة المعلمات الفائقة أن تحقيق ملاءمة مثالية عالمية عبر جميع المدن قد يكون غير عملي. قد يؤدي تخصيص النماذج للمدن الفردية أو المجموعات ذات الخصائص المماثلة لـ MFD إلى تحسين الأداء. اعتمدت الدراسة أيضًا فقط على مصدر بيانات واحد (LDs)، مما يشير إلى أن الأعمال المستقبلية يجب أن تستكشف تقنيات دمج البيانات لدمج مصادر بيانات متنوعة، مثل بيانات السيارات العائمة، لإثراء المدخلات للنماذج. علاوة على ذلك، تم استبعاد عملية التحقق عمدًا المقارنات بين FitFun وMTPINN بسبب افتراضاتهما المختلفة ومنهجيات التدريب. بينما أظهر FitFun خطأ متوسط مربع أعلى (MSE) مقارنة بـ MAML-NN وMAML-MTPINN، إلا أنه لا يزال نموذجًا قويًا لا يتجاوز البيانات. هناك حاجة إلى مزيد من التحقيقات لمقارنة هذه النماذج بشكل شامل ولتحسين دمج MAML مع FitFun.
DOI: https://doi.org/10.1016/j.trc.2026.105707
Publication Date: 2026-05-07
Author(s): Amalie Roark et al.
Primary Topic: Machine Learning and Data Classification
Overview
The research paper addresses the challenge of estimating the Macroscopic Fundamental Diagram (MFD) in urban traffic networks, particularly under conditions of data scarcity where loop detectors are limited. To tackle this issue, the authors propose a Meta-Learning framework utilizing Model-Agnostic Meta-Learning (MAML) to leverage transferable patterns from data-rich cities to enhance MFD estimation in cities with fewer detectors. The framework is integrated with a Multi-Task Physics-Informed Neural Network (MTPINN), designed to predict key traffic parameters while maintaining robustness against noise and time variance. The results indicate a significant improvement in flow prediction accuracy, with a mean absolute error (MAE) reduction of approximately 50% across various urban settings.
The methodological contributions include the development of the MAML-based framework for rapid adaptation to new cities and the MTPINN’s architecture, which incorporates shared layers for better generalization. The performance of the proposed models was benchmarked against traditional methods, demonstrating that the MAML-MTPINN combination outperforms both simple neural networks and conventional transfer learning approaches, particularly in scenarios with limited data. The findings suggest that the integration of Meta-Learning not only enhances MFD estimation but also provides a more stable and robust solution in the face of data scarcity, paving the way for future research in multi-region MFD estimation and improved modeling of traffic dynamics.
Introduction
The introduction of this research paper highlights the significant negative impacts of urban traffic, including air pollution, declining health, and reduced economic output, which affect the majority of urban populations. It emphasizes the importance of understanding urban congestion dynamics and introduces the Fundamental Diagram (FD) and its extension, the Macroscopic Fundamental Diagram (MFD), as critical tools for analyzing traffic flow, density, and speed at both link and network levels. The paper notes that while the MFD has been widely applied in various traffic management contexts, there remains a lack of consensus on its functional shape, which is often determined through data-driven approaches specific to each case study.
This study aims to improve MFD predictions in data-scarce scenarios by employing Meta-Learning techniques to generalize findings across diverse urban environments. It proposes a non-parametric neural network (MTPINN) for MFD estimation that incorporates domain knowledge, alongside a Meta-Learning framework designed to leverage data from data-rich cities for applications in data-scarce contexts. The research asserts that Machine Learning can effectively identify MFD shapes when ample data is available, while Meta-Learning can facilitate the estimation of MFDs in situations with limited data. The contributions of this work include expanding the applicability of MFD estimations to cities with fewer data points and providing solutions for cities facing operational constraints. The paper outlines its structure, detailing the datasets, algorithms, experimental designs, and results that demonstrate the superior performance of the proposed methods.
Methods
In this section, the authors outline the methodologies employed for estimating the Macroscopic Fundamental Diagram (MFD), focusing solely on the spatial dimension. They begin with a bi-parabolic model, which serves as a theoretical benchmark for validating the performance of subsequent models in predicting Critical Occupancy (CO) and maximum flow. Following this, a non-parametric Machine Learning approach is introduced through the Multi-Task Physics-Informed Neural Network (MTPINN), tailored for MFD estimation using loop detector (LD) data from a single city. The authors also discuss the Model-Agnostic Meta-Learning (MAML) framework, which can be integrated with the previous models to estimate MFD parameters in cities with limited LD data.
The MFD is derived by aggregating data from all road segments within the network, utilizing average flow and weighted average density across these segments. To compute MFD from occupancy and flow data, link-level density values must first be extracted from occupancy measurements, requiring additional data such as road segment lengths and average vehicle lengths. The authors note that link-level occupancy is approximately proportional to density, allowing for normalization of flow and density values by capacity flow and jam density. Consequently, a linear relationship between occupancy and density can be assumed, with average occupancy as the independent variable $x$ and average flow as the dependent variable $f(x)$. The code for implementing the models is publicly accessible, along with supplementary materials and extended results.
Results
In this section, the performance of the developed models is evaluated under varying conditions of available loop detectors (LDs). The analysis begins with the use of all available LDs and subsequently examines scenarios with reduced data availability (75, 50, 25, and 10 LDs). The findings indicate that without the application of Meta-Learning, a decrease in the number of LDs significantly hampers the ability to accurately estimate the macroscopic fundamental diagram (MFD), which includes critical metrics such as average flow, critical occupancy, and maximum flow for the target city.
Conversely, the implementation of Meta-Learning, specifically through the Model-Agnostic Meta-Learning (MAML) approach, enhances the estimation of the MFD even with a limited number of LDs. This improvement suggests that MAML can effectively extend the applicability of the results to cities with fewer detectors, thereby offering a potential strategy for reducing the number of LDs in well-equipped cities, particularly in contexts such as large-scale maintenance or cost reduction initiatives.
Discussion
In this section, the authors discuss the methodology and findings related to the use of the UTD19 dataset for developing a meta-Machine Learning model aimed at estimating the Macroscopic Fundamental Diagram (MFD) across various urban scenarios. The dataset comprises traffic data from 39 cities, which was refined to include only 20 cities with sufficient loop detector (LD) data, ensuring a minimum of 100 detectors per city for consistency in sampling. The study highlights the importance of spatial distribution in LDs, as it significantly influences biases in MFDs. The authors pre-processed the data to eliminate unreasonable patterns, resulting in a diverse set of MFD shapes that are crucial for training the meta-learning algorithm. Notably, the MFDs exhibited common trends, such as a quasi-linear behavior under free-flow conditions, while variations in shape were observed across different cities, indicating the need for tailored modeling approaches.
The section also introduces two modeling frameworks: the bi-parabolic hybrid model and the Multi-Task Physics-Informed Neural Network (MTPINN). The bi-parabolic model approximates the MFD using two parabolas that share a vertex, allowing for a physical interpretation of traffic flow dynamics. It is used as a benchmark for evaluating the performance of more complex models. The MTPINN integrates multi-task learning with physics-informed regularization to estimate key MFD parameters, leveraging shared representations to improve learning efficiency. The authors detail the training process for the MAML (Model-Agnostic Meta-Learning) framework, which aims to optimize the model’s parameters for rapid adaptation to new tasks, specifically the estimation of MFD parameters for different cities based on limited LD data. This innovative approach addresses the challenges of data scarcity and uneven distribution, ultimately enhancing the model’s predictive capabilities across diverse urban environments.
Limitations
The limitations of the study highlight several areas for improvement and future research directions regarding the MTPINN and MAML models. Firstly, the analysis is constrained by the UTD19 dataset, which primarily captures only the early stages of congestion, making it challenging to assess the fit quality of the second parabola representing the congested regime. Future research could enhance the modeling of the congested branch of the Macroscopic Fundamental Diagram (MFD) by employing probabilistic approaches to better predict traffic behavior in these conditions.
Additionally, the calibration of hyperparameters revealed that achieving a universally optimal fit across all cities may be impractical. Tailoring the models to individual cities or groups with similar MFD characteristics could yield improved performance. The study also relied solely on one data source (LDs), suggesting that future work should explore data fusion techniques to integrate various data sources, such as Floating Car Data, to enrich the input for the models. Furthermore, the validation process intentionally excluded comparisons between FitFun and MTPINN due to their differing assumptions and training methodologies. While FitFun demonstrated a higher mean squared error (MSE) compared to MAML-NN and MAML-MTPINN, it remains a robust model that does not overfit the data. Further investigations are warranted to compare these models comprehensively and to optimize the integration of MAML with FitFun.