Q-Net: Rete Neurale Basata su Kalman per la Stima della Lunghezza delle Code
I ricercatori hanno sviluppato Q-Net, un framework per la stima delle code agli incroci semaforizzati che integra i conteggi aggregati dei veicoli provenienti da spire di rilevamento e dati di flottante (aFCD) utilizzando una formulazione spazio-stato. Il framework affronta sfide come l'osservabilità parziale e le violazioni delle ipotesi di conservazione del traffico seguendo una struttura di predizione-aggiornamento di Kalman con interpretabilità fisica. Q-Net impiega un filtro di Kalman potenziato dall'IA per fondere dati con risoluzioni spaziali e temporali diverse. Il lavoro è dettagliato nel preprint arXiv 2509.24725.
Fatti principali
- Q-Net è un framework per la stima della lunghezza delle code agli incroci semaforizzati.
- Integra i conteggi aggregati dei veicoli da spire di rilevamento e le misurazioni della velocità media aFCD.
- Il framework utilizza una formulazione spazio-stato e una struttura di predizione-aggiornamento di Kalman.
- Mantiene l'interpretabilità fisica nei modelli di evoluzione dello stato e di misurazione.
- Q-Net impiega un filtro di Kalman potenziato dall'IA.
- La ricerca affronta l'osservabilità parziale e le violazioni delle ipotesi di conservazione del traffico.
- L'articolo è disponibile su arXiv con ID 2509.24725.
- Il tipo di annuncio è replace-cross.
Entità
Istituzioni
- arXiv