Моделирование и анализ городского движения
Моделирование и анализ городского трафика являются частью передовых технологий интеллектуального управления дорожным движением, которые стали важнейшим сектором управления и контроля дорожного движения. Его основная цель — прогнозировать состояние перегруженности конкретной городской транспортной сети и предлагать улучшения в транспортной сети. Исследования опираются на три разные информации. Историческая и недавняя информация о транспортной сети о ее плотности и потоке, модель инфраструктуры транспортной сети и алгоритмы, относящиеся как к пространственным, так и к временным измерениям. Конечная цель — обеспечить лучшую оптимизацию дорожной инфраструктуры, такой как светофоры. Эта оптимизация должна привести к сокращению времени в пути, загрязнения окружающей среды и потребления топлива.
Для исследования и управления транспортной инфраструктурой города могут использовать интеллектуальную транспортную систему (ИТС), которая особенно важна в густонаселенных районах. Они дают возможность лучше анализировать и управлять воздействием внешних факторов на транспортную сеть в краткосрочной перспективе, учитывая ежедневные колебания плотности транспортной сети. [ 1 ] И в долгосрочной перспективе, с такими изменениями, как рост автомобилизации, урбанизация, рост населения и изменения плотности населения. С другой стороны, автомобилисты могут использовать усовершенствованную информационную систему для путешественников (ATIS), которая передает обработанные данные конечному пользователю, чтобы помочь ему выбрать наилучшее направление.
Исследователи работают на разных уровнях, чтобы добиться прогресса в анализе трафика, собирая данные о трафике из разных источников, моделируя потоки трафика и сеть, а также разрабатывая алгоритмы для прогнозирования состояния трафика в далеком или краткосрочном будущем. [ 1 ] [ 2 ]
Источник данных
[ редактировать ]Источники данных, которые могут быть собраны для создания модели, являются ключевым моментом выбора модели и алгоритмов. Данные можно собирать с помощью невстроенных устройств мониторинга трафика, таких как детекторы петель. Эти устройства могут регистрировать количество транспортных средств, проехавших за интервал, определяющий занятость. Другие источники буквально встроены в транспортные средства и собирают информацию о местоположении или другом поведении транспортного средства во время его поездки. Такими устройствами могут быть беспроводные датчики, такие как глобальная система позиционирования (GPS), плавающие автомобильные данные (FCD) и мобильные телефоны. Эти данные в конечном итоге могут быть собраны в режиме реального времени. [ 1 ]
Модели транспортных потоков
[ редактировать ]Уровень детализации классификации
[ редактировать ]В зависимости от того, насколько подробно представлена модель, ее можно разделить на несколько категорий. [ 3 ]
Микроскопические модели
[ редактировать ]Поведение транспортных средств и водителей описывается с высокой детализацией и индивидуально в потоке трафика.
Модели, следующие за автомобилем
[ редактировать ]В шестидесятых годах появились модели, основанные на процессе следования одного автомобиля за другим, что стало одним из первых подходов к микроскопическому моделированию.
Модели безопасного расстояния
[ редактировать ]Используется для определения расстояния между транспортным средством и его предшественником. Одной из простейших моделей в этой категории является правило Пайпа. Основное предположение этой модели следующее: «Хорошее правило для следования за другим транспортным средством на безопасном расстоянии состоит в том, чтобы позволить себе, по крайней мере, длину автомобиля между вашим автомобилем и автомобилем, идущим впереди». за каждые десять миль в час (16,1 км/ч) скорости вашего движения» [ 4 ] Согласно модели движения автомобиля Пайпа, минимальное безопасное расстояние увеличивается линейно со скоростью. Похожая модель была предложена Forbes и др . [ 5 ] Модель Forbes учитывала время реакции, необходимое водителю следующего автомобиля, чтобы почувствовать необходимость ускориться или замедлиться. По сравнению с измерениями в полевых условиях наблюдается небольшая разница в минимальном расстоянии продвижения на низких и высоких скоростях.
Модели следования за автомобилем на основе стимула-реакции
[ редактировать ]Водители стараются соответствовать поведению впереди идущего транспортного средства, этот процесс основан на следующем принципе:
реакция = чувствительность × стимул
Обычно реакция соответствует ускорению или торможению следующего за ним автомобиля с задержкой на время реакции. Чувствительность водителя была отмечена во многих работах, включая работу Чендлера и др. (1958), [ 6 ] Газис и др. (1961) [ 7 ] и Лойцбах (1988). [ 8 ]
Психопространственные модели
[ редактировать ]Модели следования за автомобилем предполагают, что водитель реагирует на небольшие изменения скорости предшествующего транспортного средства, даже если расстояние до него очень велико или мало. Чтобы решить эту проблему, были использованы идеи перцептивной психологии, чтобы показать, как водители подвержены ограничениям в восприятии стимулов, которым они подвергаются. [ 9 ]
Основные правила поведения таких моделей:
- При больших расстояниях на следующий привод не влияет разница скоростей.
- На небольших расстояниях некоторые комбинации относительных скоростей и расстояния не дают реакции следующего водителя, поскольку относительное движение слишком мало.
Способность моделей психопространства описывать переходное поведение транспортного потока, такое как падение пропускной способности и устойчивость широких пробок (пробок, в которых скорость движения близка к нулю и которые распространяются вверх по течению с почти постоянной скоростью), рассматривалась Krauss et al. . (1999).
Модели микроскопического моделирования
[ редактировать ]В настоящее время доступность быстрых персональных компьютеров привела к развитию большого количества микроскопических симуляционных моделей, обычно основанных на парадигме психопространственного моделирования.
Модели клеточных автоматов
[ редактировать ]Появившийся недавно в области микроскопической теории транспортных потоков клеточный автомат описывает систему дорожного движения как решетку ячеек одинакового размера (обычно 7,5 м). CA-модель будет описывать способ перемещения транспортного средства от ячейки к ячейке. [ 10 ] [ 11 ]
Модели частиц
[ редактировать ]Хотя эти модели различают и описывают транспортные средства индивидуально, их поведение описывается совокупными уравнениями движения, как в макроскопической модели транспортных потоков.
Субмикроскопические модели
[ редактировать ]Подобно микроскопическим моделям, описывается поведение транспортных средств и водителей, но субмикроскопические модели идут еще дальше, описывая поведение управления транспортным средством и функционирование конкретных частей транспортного средства.
Мезоскопические модели
[ редактировать ]Мезоскопическая модель не различает и не отслеживает отдельные транспортные средства, но выражает вероятность нахождения данного транспортного средства в заданном положении, времени и скорости.
Трафик представлен на высоком уровне агрегирования, поэтому транспортные средства не различаются по отдельности.
Масштаб применения
[ редактировать ]Масштаб применения определяется размером территории, на которой применяется модель: от участка проезжей части до целого города или даже большей территории.
Алгоритмы прогнозирования трафика
[ редактировать ]Имея модели данных дорожной сети, собирающие несколько характеристик в зависимости от их характера, существует множество подходов и алгоритмов для их использования в практических случаях.
Алгоритмы прогнозирования
[ редактировать ]Считалось, что методы, исторически использовавшиеся для определения прогнозируемого состояния и плотности трафика, дают результат прогнозирования по одной точке. Эти методы используют только прошлые измерения идентичных ситуаций. Таким образом, они могут предсказать плотность в конкретном месте. Следующие методы и алгоритмы используют этот простой подход на основе прошлых данных, но различаются по другим критериям. Начнем с того, что статические методы основаны на методах авторегрессии и скользящего среднего . Они реализованы в таких алгоритмах, как ARMA , ARIMA (интегрированный ARMA) или SARIMA (сезонный ARIMA). другие статистические методы, основанные на непараметрической регрессии Существуют также и ее вариантах. Использование машинного обучения для прогнозирования моделей трафика используется на основе множества различных алгоритмов, включая векторную регрессию (SVR), нейронную сеть с задержкой (TDNN) или байесовскую сеть . [ 1 ]
Новые методологии, учитывающие реляционную структуру данных, прогнозирование плотности трафика во времени на основе связанных данных из нескольких пространственных позиций в разные моменты времени, будущее событий уже спрогнозировано. В исследованиях с использованием реляционных структур данных в основном использовались модели STARIMA (пространственно-временной ARIMA), фильтры Калмана и модель структурных временных рядов. Использование структуры статистического реляционного обучения (SRL) очень эффективно для повышения точности прогнозирования реляционных структурированных данных. Статистическое реляционное обучение очень хорошо соответствует этой области исследований благодаря своей способности описывать зависимости и отношения и включать в модель базовые знания, как в транспортной сети . Модели, созданные с помощью метода статистического реляционного обучения, могут представлять широкий набор местоположений благодаря его способности выполнять одновременную группировку и регрессию на нескольких источниках и информационных уровнях. Это позволяет такой модели прогнозировать условия трафика вне сети за один раз. процесс вывода .
Характеристики модельного трафика
[ редактировать ]Существующие многопроцессные алгоритмы используют различные проверенные методологии, подходы и характеристики. Некоторые из них были замечены ранее. Алгоритмы могут различаться в зависимости от данных, на которых основана их модель, или от того, как они структурируют и связывают эти данные. Таким образом, модели, часто близкие к способу управления данными, могут фокусироваться либо на объемах трафика, скорости движения, занятости, пропускной способности дорог и т. д. Для этого модели часто варьируются от ARIMA до динамических обобщенных линейных моделей (Dynamic GLM ) и нейронных сетей. . [ 12 ]
Для вывода полезных данных для ITS алгоритмы, которые часто тесно связаны со структурой и возможностями своей модели, будут использовать ряд спецификаций, учитывающих возможности модели. Алгоритмы часто хотят прогнозировать данные в долгосрочной или краткосрочной перспективе. Для этого их спецификации варьировались от фильтрации Калмана , экспоненциальной фильтрации, непараметрических статистических методов , спектрального и кросс-спектрального анализа и последовательного обучения до теории катастроф . [ 13 ]
См. также
[ редактировать ]Библиография
[ редактировать ]- ^ Jump up to: а б с д Липпи, Марко; Бертини, Маттео; Фраскони, Паоло (20 сентября 2010 г.). «Коллективное прогнозирование дорожного движения». В Балькасаре — Хосе Луис; Бончи, Франческо; Гионис, Аристид; Себаг, Мишель (ред.). Машинное обучение и обнаружение знаний в базах данных . Конспекты лекций по информатике. Том 6322. Springer Berlin Heidelberg. стр. 259–273. дои : 10.1007/978-3-642-15883-4_17 . ISBN 978-3-642-15882-7 .
- ^ Су, Хаовэй; Ю, Шу (22 ноября 2007 г.). «Онлайн-модель опорных векторов на основе гибридного GA для краткосрочного прогнозирования транспортных потоков». Ин Сюй, Мин; Чжан, Иньвэй; Цао, Цзяньнун; Лю, Ицзюнь (ред.). Передовые технологии параллельной обработки . Конспекты лекций по информатике. Том. 4847. Шпрингер Берлин Гейдельберг. стр. 743–752. дои : 10.1007/978-3-540-76837-1_80 . ISBN 978-3-540-76836-4 .
- ^ Хугендорн, СП; Бови, ПХЛ (1 июня 2001 г.). «Современное моделирование транспортных потоков». Труды Института инженеров-механиков, Часть I: Журнал систем и техники управления . 215 (4): 283–303. дои : 10.1177/095965180121500402 . ISSN 0959-6518 . S2CID 37179972 .
- ^ Пайпс, Луи А. (1 марта 1953 г.). «Оперативный анализ динамики дорожного движения». Журнал прикладной физики . 24 (3): 274–281. Бибкод : 1953JAP....24..274P . дои : 10.1063/1.1721265 . ISSN 0021-8979 .
- ^ Форбс, ТВ; Загорский, HJ; Холсхаузер, Эл.; Детерлайн, Вашингтон (1 января 1958 г.). «Измерение реакции водителя на условия туннеля» . Труды Совета по исследованию автомобильных дорог . 37 .
- ^ Чендлер, Роберт Э.; Герман, Роберт; Монтролл, Эллиот В. (1958). «Динамика дорожного движения: исследования следования автомобилей». Исследование операций . 6 (2): 165–184. дои : 10.1287/опре.6.2.165 . JSTOR 167610 .
- ^ Газис, Денос К.; Герман, Роберт; Ротери, Ричард В. (август 1961 г.). «Нелинейные модели транспортных потоков следования за лидером». Исследование операций . 9 (4): 545–567. дои : 10.1287/опре.9.4.545 .
- ^ Лойцбах, Вильгельм (1988). Введение в теорию транспортных потоков . Спрингер. ISBN 9783642648052 .
- ^ Хаммади, Слим; Ксури, Мекки (04 марта 2013 г.). Передовая мобильность и транспортная инженерия . Джон Уайли и сыновья. ISBN 9781118614198 .
- ^ Нагель, Кай (1996). «Модели скачкообразных частиц и теория транспортных потоков». Физический обзор E . 53 (5): 4655–4672. arXiv : cond-mat/9509075 . Бибкод : 1996PhRvE..53.4655N . дои : 10.1103/physreve.53.4655 . ПМИД 9964794 . S2CID 20466753 .
- ^ Нагель, К. (30 ноября 1997 г.). «От моделей скачкообразных частиц к теории транспортных потоков - Международная документация транспортных исследований - ТРИД» . Отчет о транспортных исследованиях (1644 г.) . Проверено 8 декабря 2015 г.
- ^ Леду, Корин (1 октября 1997 г.). «Модель городского транспортного потока с интеграцией нейронных сетей». Транспортные исследования, часть C: Новые технологии . 5 (5): 287–300. дои : 10.1016/S0968-090X(97)00015-6 .
- ^ Статопулос, Энтони; Карлафтис, Мэтью Г. (1 апреля 2003 г.). «Многомерный подход к пространству состояний для моделирования и прогнозирования городских транспортных потоков». Транспортные исследования, часть C: Новые технологии . 11 (2): 121–135. дои : 10.1016/S0968-090X(03)00004-4 .