组会简讯：2024年秋季第9次组会

2024年12月3日，课题组同学举行了线下组会，指导老师唐克双教授、朱宏特聘研究员，以及课题组所有学生参与了本次例会。本次组会主要内容为李子正、丁赏同学研究进展汇报。

一、李子正研究进展汇报

李子正同学从INTRODUCTION、METHODS、VALIDATION、CONCLUSIONS四个方面介绍了其TRB论文《Learning and Imitating Car Following Behaviors:  A Generative Adversarial and Long Short-Term Memory Network-Based Model Using UAV Data》的研究成果，重点讨论了跟驰轨迹的学习生成、研究意义与可拓展的应用方向。

汇报内容分为四个部分:第一部分阐述了研究背景及相关研究综述，总结了交叉口完整轨迹数据获取的挑战以及现有基于GAN的跟驰模型的研究现状，确立了研究目标:利用无人机采集的高精度轨迹库，开发一个连续轨迹生成模型，以满足车辆动态的基本约束，并捕捉车流中车跟车行为的主要特征和不确定性。第二部分阐述了研究方法，包括基于无人机高空视频的智能车辆识别与轨迹追踪与LSTM-TrajGAN跟驰行为学习模型的构建，重点论述了LSTM-TrajGAN的生成器、判别器、损失函数的设计以及对抗训练过程。第三部分阐述了基于上述方法所进行的数据用例验证， LSTM-TrajGAN得到了良好的训练结果，针对生成的轨迹与真实轨迹进行了判别器分数对比评估、跟驰特征指标对比评估、跟驰轨迹可视化对比评估三方面的对比分析，得出了结论：所构建的LSTM-TrajGAN成功学习模拟跟驰轨迹特征，合成出高度相似的新轨迹。最后一部分对研究内容和模型架构及优势进行了简单总结。

唐克双老师、朱宏老师与其他课题组成员就李子正同学研究中的相关问题进行了深入探讨，为其指明了当前研究需要改进的问题以及后续可能深入的研究方向:1)改进交叉口车辆的跟驰条件判定；将轨迹类型划分为拥堵和不拥堵分别学习;2)后续研究可以结合轨迹的震荡规律和交通波模型；构建车辆在一个路段的多种跟驰模型自适应框架。

二、丁赏研究进展汇报

丁赏同学从研究背景、技术路线、实验设计与结果、灵敏度分析、后续研究进展五个方面介绍了论文A Signal Control Diagnosis Method Leveraging BiasSVD-based Recommendation System for Isolated Intersections的内容。

汇报第一部分阐述了研究背景及相关研究综述，总结出诊断环节是连接交通状态感知评估与信号控制优化方案的桥梁。后详细说明以biasSVD为基础构建推荐系统并对交叉口进行诊断的实现方法，并设计实验验证方法可行性，并且通过灵敏度分析确定了初始样本大小、缺失值对实验精度的影响。

唐克双老师和朱宏老师与其他课题组成员就丁赏同学的研究提出了宝贵的建议，为其指明研究的后续工作开展方向：1）补充空放和溢出条件下的实例验证；2）诊断部分的功能进一步完善（例如添加车道数、车道功能等的诊断）；3）改进数据序列相似度算法等。