主页 › 范文 › 交通运输 › 本文

交通流建模的物理信息机器学习多梯度优化

摘要

文章针对物理信息机器学习（PIML）中线性标量化损失函数的局限性，提出多梯度下降算法（MGDA）新范式。通过将数据驱动损失和物理损失作为独立目标构建多目标优化问题，采用传统多梯度下降（TMGD）和对偶锥梯度下降（DCGD）探索帕累托前沿。在宏观LWR模型和微观IDM跟驰模型上的实验表明：宏观场景中MGDA与传统方法性能相当；微观场景中DCGD将位置预测误差降低28.9%，速度误差降低24.7%，显著优于线性标量化方法。该方法免除超参数调优过程，理论保证覆盖非凸损失空间。

1. 引言

物理信息机器学习（PIML）在交通流建模中面临核心挑战：传统线性标量化损失函数 \(\mathcal{L}=\alpha\mathcal{L}_{data}+\beta\mathcal{L}_{physics}\) 隐含线性权衡假设，且超参数调优成本高昂。现有方法需执行上万次实验寻找最优\(\alpha/\beta\)组合，且仅能覆盖帕累托前沿的凸区域。文章提出范式转换——将PIML训练重构为多目标优化问题：

\[ \min_{\boldsymbol{\theta}} \left( \mathcal{L}_{\text{data}}(\mathbf{X};\boldsymbol{\theta}), \mathcal{L}_{\text{physics}}(\mathbf{X};\boldsymbol{\theta}) \right) \]

通过多梯度下降算法直接处理非凸目标空间，避免人工权重分配，理论上保证覆盖更广的帕累托最优解。

2. 多梯度下降算法框架

2.1 帕累托最优理论

定义解\(\boldsymbol{\theta}^{*}\)的帕累托最优性：不存在其他解在全部目标上均优于\(\boldsymbol{\theta}^{*}\)。算法以帕累托平稳点为收敛准则：

\[ \sum_{j=1}^{N}\alpha^{j}\nabla_{\boldsymbol{\theta}^{sh}}\mathcal{L}^{j}=0 \quad \text{且} \quad \sum\alpha^{j}=1 \]

当目标函数凸性强时，帕累托平稳点等价于帕累托最优点。

2.2 核心算法实现

传统多梯度下降（TMGD）：通过Frank-Wolfe算法求解梯度凸包的最小范数点。每次迭代：

更新专属参数：\(\boldsymbol{\theta}^{j} \leftarrow \boldsymbol{\theta}^{j} - \eta\nabla\mathcal{L}^{j}\)
计算共享参数更新方向：\(\mathbf{w} = \sum\alpha^{j}\nabla\mathcal{L}^{j}\)
当\(\gamma \to 0\)时达到帕累托平稳点

对偶锥梯度下降（DCGD）：构建对偶锥子空间\(\mathbf{G}_{t}\)，包含同时降低双目标的方向。三种变体：

中心法：计算归一化梯度中心投影
平均法：对投影分量算术平均 \(g_t^{dual} = \frac{1}{2}\nabla\mathcal{L}_{\|{\nabla\mathcal{L}_{r}^{\perp}} + \frac{1}{2}\nabla\mathcal{L}_{\|{\nabla\mathcal{L}_{b}^{\perp}}\)
投影法：根据梯度冲突状态切换投影方向

收敛性由Lipschitz连续条件保证，满足\(\|g_t^{dual}\| \geq M\|\nabla\mathcal{L}\|\)时误差按\(O(1/T)\)下降。

3. 交通流建模实验

3.1 宏观LWR模型

基于犹他州实测数据构建LWR-PINN模型：

数据损失：密度和速度的均方误差
物理损失：LWR偏微分方程残差项
经两轮超参数搜索得最优标量化权重\(\alpha=100, \beta=500\)

MGDA方法相对误差：密度0.6270±0.0024，速度0.1984±0.0009，与传统方法相当。DCGD-AVER因低分辨率数据物理梯度冲突导致速度误差增加16%

3.2 微观IDM跟驰模型

基于NGSIM数据集构建物理信息跟驰模型：

基线模型：遗传算法预标定IDM参数，\(\alpha=0.9\)线性加权
DCGD-CENTER显著提升：位置RMSE 5.7275±0.2051（↓28.9%），速度RMSE 0.6490±0.0092（↓24.5%）
轨迹预测显示DCGD有效抑制累计误差漂移

4. 结论与展望

多梯度下降算法为PIML提供更优优化范式：免除超参数调优，理论覆盖非凸解空间，微观场景性能提升显著。未来方向：加速大规模优化计算，研究约束处理机制，探索连续帕累托前沿生成方法。开源代码支持交通领域PIML模型重构。