DAS 交通状态感知增强研究

研究简介

基于分布式声学传感与物理信息神经网络的高速公路交通状态感知增强

分布式声学传感（DAS） 利用现有光纤基础设施，可实现长达数十公里的连续交通监测，具有全天候、抗电磁干扰、无需新建硬件等优势。然而，DAS原始测量数据具有噪声大、间接性强等问题，直接用于交通状态估计精度不足。

在国自然地区联合基金重点项目“面向高速公路“人-车-路-环”综合感知需求的分布式光纤声波传感数据分析处理关键技术研究”（编号：U25A20454）的支持下(项目负责人：康宇教授)，本研究提出 物理信息神经网络（PINN） 框架，将交通流物理约束（LWR、LWR+FD、ARZ）嵌入深度学习训练过程，显著提升DAS交通状态感知精度。我们构建了物理驱动的DAS仿真平台，对比了 ResUNet 与 FNO 两种架构，共训练了16种模型变体。实验表明，LWR约束模型表现最优，少样本迁移学习可有效适应新场景，数据融合策略可进一步提升感知性能。

阅读论文 ETS-Data 代码

16

PINN 模型变体

7

仿真场景

7,322

训练样本

3

物理约束类型

DAS 仿真平台构建

基于物理模型的 DAS 信号生成与交通状态图重建

轨迹采集 → 坐标转换 → 振动信号生成 → 噪声注入

视频演示 DAS 信号生成与交通状态重建过程

<

实际数据采集 → 信号对比 → 仿真验证

PINN 模型架构

物理信息神经网络：融合交通流约束与深度网络

<

多尺度空洞卷积（MDC）模块，捕获局部与长程依赖

<

傅里叶神经算子，频域全局卷积，GeLU 激活

<

DAS 连续感知 + 摄像头高精度局部观测

实验结果展示

模型对比、误差分析与数据融合效果

<

16 种模型 RMSE 性能对比1

<

16 种模型 RMSE 性能对比2，res_lwr 表现最优

<

2通道对应预测结果展示

<

预测误差与交通流 / 速度的关系

<

不同摄像头间距对精度的影响

<

少样本迁移学习显著提升新场景精度

研究结论

核心发现与未来展望

本研究验证了 分布式声学传感（DAS） 结合 物理信息神经网络（PINN） 进行高速公路长路域交通状态感知的可行性。通过构建物理驱动的DAS仿真平台，并在多样化的交通场景下进行系统实验，我们得出以下主要结论：

PINN 框架有效提升 DAS 感知精度 —— 在所有测试场景中，引入物理约束的模型均优于纯数据驱动基线，其中 LWR 约束模型 取得了最佳整体性能（流量 RMSE 0.025，速度 RMSE 1.205）。
物理复杂度并非越高越好 —— 在DAS数据特性下，一阶 LWR 约束比高阶 ARZ 约束更稳定、更有效。复杂物理模型对噪声敏感，可能反而导致性能退化。
数据融合可进一步提升精度 —— 融合 DAS 与摄像头数据可改善感知效果，但融合策略与传感器部署密度密切相关，需谨慎设计以避免引入人工伪影。
迁移学习增强场景适应性 —— 少样本迁移学习可有效将模型适配到新交通环境，显著降低预测偏差，具有实际工程部署价值。

未来工作 将探索双分支网络架构以更好保留原始DAS信号特征，并建立真实场景基准数据集，进一步推动 DAS 在智能交通系统中的规模化应用。

# DAS # PINN # 交通状态感知 # 物理信息深度学习 # 光纤传感 # 智能交通