文摘
旅行时间估计城市干道的挑战相比,高速公路和多车道的高速公路。这就变成了更复杂的印度条件下由于额外的异质性问题,缺乏巷纪律,和困难在数据可用性。大多数的城市干道在印度不采用自动探测器的要求需要一个有效的,然而更少的数据密集的旅行时间估计的方法。尝试在这个方向估计总旅行时间在城市道路延伸使用基于位置的流动数据和稀疏的旅行时间获得装备使用GPS数据探测车辆。三种方法相比,在这项研究中:(1)结合投入产出分析基于mid-blocks和高速公路容量手册(HCM)延迟计算方法信号命名为基地,(2)数据融合方法,采用卡尔曼滤波技术(nonhybrid方法),和(3)混合数据融合HCM混合DF-HCM()方法。收集的数据来自一段巷道在钦奈,印度是用于确证。模拟数据也被用于进一步的验证。结果表明,当数据质量保证(模拟数据)的基本方法执行得更好。然而,在实际现场情况,混合DF-HCM方法优于其他方法。
1。介绍
描述交通系统在本质上是复杂的动态系统组件之间的交互,也就是说,汽车,道路,道路使用者。与人类行为有关的不确定性使得系统更加复杂制造系统建模的一个具有挑战性的任务。估计和预测与该系统相关的各种参数也困难相关的不确定性。通常的参数用于描述系统包括流量、速度、密度、和旅行时间。目前的研究是处理其中一个参数的估计,即旅行时间。获取旅行时间信息的车辆在一个流直接测量既费时又昂贵,这是不切实际的收集信息从网络中的所有道路延伸。旅行时间在市区道路经验高短期变化,因此不能用点检测。作为一个空间参数,直接测量需要大量的车辆追踪设备或车辆reidentification特性。然而,大多数可用的车辆跟踪或reidentification技术,如自动车辆定位器(AVL)和自动车辆标识符(AVI)要求参与,这限制了样本容量。这凸显了需要估计旅行时间从其他很容易衡量的基于位置的参数如流量和速度和多年来一直是一个重要的研究话题。 However, majority of researches on travel time estimation and prediction were reported for freeways, where traffic flow is not much affected by external factors such as traffic signals and conflicting movements. Travel time estimation and prediction is more complex and challenging on an urban network due to the influence of signals, presence of opposing movements, mid-link sources and sinks, and random fluctuations in travel demand. The situation is grave for Indian conditions because of the additional complexities related to heterogeneity, lack of lane discipline, and nonavailability of a reliable historic data base. Hence, methods which are cost effective and less demanding in terms of data base need to be explored.
旅行时间,作为一个空间参数,难以直接从测量领域。最直接的传播时间测量技术测试汽车方法或车辆等鉴定是昂贵的,不成熟,或涉及隐私问题,因此大多数的研究依赖于间接旅行时间估计的方法。大部分的间接旅行时间估计和预测方法可以组合下外推技术(<一个href="#B1">1一个>),回归模型(<一个href="#B2">2一个>,<一个href="#B3">3一个>),模式识别技术(<一个href="#B4">4一个>),时间序列分析(<一个href="#B5">5一个>),使用过滤技术(<一个href="#B6">6一个>,<一个href="#B7">7一个>),神经网络(<一个href="#B8">8一个>),基于交通流理论的方法(<一个href="#B9">9一个>- - - - - -<一个href="#B14">14一个>),数据融合技术(<一个href="#B15">15一个>),结合上述方法(<一个href="#B16">16一个>- - - - - -<一个href="#B19">19一个>]。
许多上述方法需要一个良好的数据基础和位置可能不是可行的自动数据收集还没有功能。在这种情况下,方法需要较少的数据量的需求。印度交通特征的异质性和缺乏巷学科带来了额外的挑战而言,自动数据收集。大多数现有的基于位置的传感器是基于车道,少下会失败或没有车道交通纪律。因此,所有交通参数的精确测量自动在印度交通条件下仍然是一个艰巨的任务。初步的发展在这一领域也显示出一些承诺的人流量,因此本研究假设交通计数是唯一可用的基于位置的数据。另一方面,空间数据收集使用全球定位系统(GPS)是一种成熟的技术和在印度的情况下适用。然而,由于更少的参与,整个人口只有一个样本的数据,主要从公共交通,可以使用这种技术。因此,需要有多个传感器来描述整个交通流。
本研究发展一种方法估算城市动脉流旅行时间使用基于流数据从位置传感器和GPS数据从有限数量的探测器获得的车辆。这种方法被称为数据融合(DF)不是在印度的交通条件下探索。提高估计精度,混合DF-HCM方法使用数据融合mid-block部分和HCM延迟计算方法在十字路口是未遂。比较性能,基本方法,采用投入产出分析mid-blocks和HCM交集也进行了。分别分析的有效性测试信号的延迟是通过比较总旅行时间直到十字路口被使用nonhybrid估计方法,采用数据融合整个拉伸。一个简短的文献回顾在这些方法如下所示。
数据融合是一个宽泛的研究领域中,数据从多个传感器相结合提供全面和准确的信息<一个href="#B20">20.一个>]。使用数据融合的优点包括增加信心,减少歧义,提高检测,提高鲁棒性,提高了空间和时间范围,和降低成本<一个href="#B20">20.一个>- - - - - -<一个href="#B22">22一个>]。估计参数数据融合的基本思想是利用不同来源的多个测量或传感器。这可能是由于缺乏足够的数据从一个源或捕捉不同数据源的优点。一些具体的应用数据融合在交通工程领域的讨论如下。
Kwon et al。<一个href="#B23">23一个>旅行时间预测)提出了一个线性回归模型结合回路探测器和探测车辆数据。他们在电流显示,线性回归,入住率测量,起飞时间和日星期有利于短期旅行时间预测,而历史长期旅行时间预测方法是更好的。张先生和大米(<一个href="#B24">24一个>)使用了一个线性模型不同系数来预测高速公路上的旅行时间使用回路探测器和探测车辆数据。系数的变化平稳起飞时间的函数。系数必须离线后,存储和估计模型可以实时使用。El-Faouzi et al。<一个href="#B25">25一个>)提出了一个基于Dempster-Shafer理论模型。他们用旅行时间从回路探测器和收费数据来估计旅行时间。所需的模型数据来源的可能性给予正确的数据。El-Faouzi [<一个href="#B22">22一个>使用贝叶斯方法)进行了类似的工作使用从回路探测器和探测车辆行程时间数据来估计旅行时间。结果表明,旅行时间估计使用数据融合方法比如果数据源获得的估计被单独使用。楚et al。<一个href="#B21">21一个>]模拟循环使用探测器,探测车辆数据来估计旅行时间使用基于模型的方法与卡尔曼滤波技术。伊万(<一个href="#B26">26一个>)使用ANN技术来检测交通事件路口干道使用模拟回路探测器和探测车辆行程时间数据数据。
另一个简单的分析模型,利用现成的统计数据从上游和下游的旅行时间估计的一个链接的累积计数(输入输出)方法(<一个href="#B9">9一个>,<一个href="#B10">10一个>,<一个href="#B12">12一个>- - - - - -<一个href="#B14">14一个>,<一个href="#B27">27一个>]。然而,投入产出方法的主要缺点是它依赖于流计数旅行时间估计的准确性(<一个href="#B9">9一个>- - - - - -<一个href="#B13">13一个>,<一个href="#B27">27一个>,<一个href="#B28">28一个>]。一些其他的报道方法包括基于交通流理论(<一个href="#B11">11一个>,<一个href="#B29">29日一个>,<一个href="#B30">30.一个>]。从上面的文献综述可以看出,多数高速公路上面讨论的模型是有限的,它可能不是可行的直接应用于城市网络没有进一步校正由于在高速公路上交通行为的差异和城市设施。此外,为高速公路开发的模型通常提供的平均旅行时间链接作为一个整体,这可能不是一个真正的表示与十字路口,转弯运动,等等。因此,对于更好的性能,十字路口延误可能需要单独处理。本研究分析这一假设的有效性通过比较旅行时间估计的准确性和不考虑单独的交集。
第一和最受欢迎的方法估计对交叉口延误是由韦伯斯特(<一个href="#B31">31日一个>从理论和数值模拟方法成为所有后续延迟模型的基础。修改上面的模型在不同流量条件下为米勒(<一个href="#B32">32一个>和纽厄尔<一个href="#B33">33一个>]。延误模型显示在公路容量手册通常被称为HCM模型(<一个href="#B34">34一个>)是一种修改韦伯斯特的模型合并进展和连排的效果。试图克服稳态条件的假设,使用时间函数报告(<一个href="#B35">35一个>]。其他研究报告包括确定性排队方法(<一个href="#B28">28一个>,<一个href="#B36">36一个>),修改后的投入产出技术(<一个href="#B18">18一个>],冲击波理论基础模型[<一个href="#B37">37一个>,<一个href="#B38">38一个>)和马尔可夫链的使用过程(<一个href="#B39">39一个>,<一个href="#B40">40一个>]。
总的来说,可以看出,大部分的旅行时间和延迟估计的研究报道使用收集的数据从均匀和lane-disciplined交通,从野外直接或间接通过仿真模型。在印度存在的交通状况很复杂,不同的车道的异质性和缺乏纪律。只有有限的研究(<一个href="#B7">7一个>,<一个href="#B41">41一个>,<一个href="#B42">42一个>解决异构流量特征。这些研究估计旅行时间流在城市动脉考虑信号。同时,缺乏自动数据收集方法在印度很难探索的许多统计,时间序列,和机器学习技术是数据驱动的自都需要一个良好的数据基础应用这些技术。因此,应用城市动脉旅行时间估计的一种新方法用更少的数据需求是一个区域,将对印度这样的国家,需要进一步的研究和讨论了这项研究。
本研究比较了三种不同的旅行时间的性能估计方法,它使用流数据作为主要输入。估计方法包括两个混合方法即基础方法和数据fusion-HCM和不同类型的方法。这项研究由一个midblock和一个十字路口。拉伸的总旅行时间被认为是在midblock部分旅行时间的总和,而不影响到十字路口,和旅行时间的交集,考虑到信号的延迟。Mid-block旅行时间估计使用两种方法,即投入产出分析和数据融合的方法。投入产出分析是一种受欢迎的方法,利用累积计数出入境找到车辆在该节的旅行时间。HCM方法是最受欢迎的方法估计信号交叉路口的延迟。midblock运用投入产出分析的方法和路口HCM方法获得车辆的总旅行时间在研究拉伸可以看作一种基础方法和有资格为基础的方法。另一种方法提出了一种数据融合方法mid-block旅行时间估计和HCM分析交叉区域,称为混合DF-HCM方法。数据融合的方法利用基于位置的数据和稀疏的行程时间数据流从探测器获得车辆旅行时间估计的流。 The total travel time of the stretch is then obtained by summing up the mid-block travel time and delay incurred at the bounding intersection. The necessity for analyzing the intersections separately was validated using a non-hybrid approach, where the total travel time is estimated using data fusion alone for the whole stretch without separating into mid-block and intersection area. In this approach, the total travel time is directly estimated using the data fusion approach without separately analysing the delay at intersection. The data till intersection stop line is used in this case for the data fusion approach assuming that the delay is implicitly captured by the flow and travel time data till stop line. A comparison of these three methodologies is carried out to understand the best method for travel time estimation under heterogeneous traffic conditions. This is one of the first study under Indian conditions that have applied data fusion techniques as well as hybrid technique for the estimation of travel time. The study has illustrated an efficient method to estimate the stream travel time in urban arterials with limited GPS data and location based flow data. The results of the study stressed the necessity of analyzing the intersections separately for more reliable estimates of travel time in urban roads.
2。数据收集
印度的交通状况下,没有现成的数据档案,因此研究依赖现场手动收集的数据和模拟数据利用VISSIM仿真软件包确凿的评估方法。
2.1。字段数据
测试床为本研究选择了一条六车道的繁忙的公路干线,即在印度钦奈举行的拉吉夫·甘地萨莱。流量只在一个方向上被认为是目前研究。数据需求的基础上,选择方法包括流数据从三个位置如图<一个href="//www.newsama.com/journals/jam/2012/587913/fig1/" target="_blank">1一个>。位置1和位置2之间的距离,这是前交叉的影响,是1.72公里,位置2和十字路口之间(位置3)是0.1公里,使总的考虑是段1.82公里。
两个人行桥梁被确定为覆盖安装摄像机位置1和2。十字路口区域覆盖了停止线位置3记录使用相机装在一个方便的灯具的支持。确保three-video录音可以同步回放期间在实验室里,时钟的时间在所有三个相机设置为一个共同的时间开始的数据收集。数据收集三天总共6个小时完成分析和另一个两天的总共有三个半小时的单独mid-block比较投入产出方法和数据融合的方法。
需要基于位置的数据,即流收集使用录像技术。最初的摄像镜头内部的交通研究的延伸来自升高点得到的初始计算车辆在投入产出分析所需的部分。照片从入口点和出口点以及额外的照片从中间升高点需要捕捉整个部分的长度。分类在三个数据流数据收集点提取手动摩托车和自行车,三轮车、四轮车类别的视频一分钟的时间分辨率。所需的流动数据提取手动由于缺乏自动化的程序。旅行所需的时间数据验证也从视频中提取手动reidentifying车辆在不同的位置。
有限的旅行时间收集数据所需的数据融合模型使用测试车辆配备全球定位系统装置。测试车辆组成的两辆车,两个车,两个自行车旅行时间提供数据。这些车辆入口点和出口点之间来回旅行持续数据收集期间。此外,GPS数据可以从公共交通的路线5号c总线通过拉伸。GPS原始数据包括时间、经度和纬度,每5秒间隔。从这个行程时间数据提取使用软件包ArcGIS [<一个href="#B43">43一个>]。
由于缺少自动化视频数据提取,上面所有的现场数据收集和提取手动进行,这是费力而耗时的。数据收集过程需要大量的协调收集视频同时从三个不同的位置,以及初始快照,和GPS数据从所有不同类型的车辆。一个错误在录像甚至在一个位置让整个数据没有有用的分析。由于这些困难,这是决定模拟交通状况使用收集现场数据,并使用生成的数据进行进一步分析使用校准模拟网络。模拟的细节在下面会详细进行介绍。
2.2。模拟数据
从PTV愿景(VISSIM 5.3<一个href="#B44">44一个>)是本研究中使用的模拟交通条件测试的准确性在不同流量条件下的行程时间估计模型。类似于现场试验床的道路延伸成立于VISSIM使用卫星图像。真实的描述字段条件,交叉口几何数据,信号时间和定相、车辆类型、交通组成、车辆输入,将流量的比例,从字段输入速度分布。少巷自律、交通运动是通过把车道上的车辆在任何地方,通过设置选择是否要通过左、右侧的车辆和允许菱形交叉路口排队。占非标准的车辆类型、静态和动态的特点,大部分的普通车辆类型的长度,宽度,加速,减速,速度范围定义基于字段值。
信号时间和相位变化的数据字段被用于模拟总周期时间145年代,98年代红的时候,绿色时间45秒,琥珀时间2 s。流动数据分类为两轮、三轮摩卡和四轮车手动分类提取的三个地方是用来校准和验证的模拟。五分钟的聚合流和成分在位置1是用作校准动态输入。生成的数据在其他两个地方比较与验证的字段值。
在VISSIM校准期间,几个参数调整匹配字段的场景。模拟进行不同的随机种子平均每五到十值影响参数。参数校准误差流,密度,和旅行时间/速度降低。错误是量化的平均绝对百分比误差,比较与其他类似的研究在VISSIM [<一个href="#B45">45一个>,<一个href="#B46">46一个>]。
3所示。方法
3.1。评估方案
正如已经提到的,在这项研究中,使用混合DF-HCM总旅行时间估计方法利用数据融合方法mid-block和HCM交集的方法。比较使用基本方法进行使用投入产出分析使用一个简单的演绎累积计数原理(投入产出方法)估计HCM和旅行时间的联系来分析交叉区域。然后伸展的总旅行时间估计为mid-block和交叉旅行时间的总和。也需要分别对交叉口延误分析验证通过比较与旅行时间直到交叉使用不同类型的直接估计方法,采用数据融合方法仅对整个部分。上述方法的基本方法,即使用数据融合模型建立方法,投入产出方法,下面讨论HCM的方法。
3.2。数据融合方法
这部分详细介绍了拉格朗日和欧拉视频数据融合方法采用GPS数据估算旅行时间。动机的方法从楚等的研究。<一个href="#B21">21一个>]。评估方案是基于守恒方程和基本交通流方程给出了(<一个href="#EEq3.1">3.1一个>)和(<一个href="#EEq3.2">3.2一个>),分别为:<年代pan class="equation" id="EEq3.1">
在哪里<年代vg height="9.875" id="M2" style="vertical-align:-2.29482pt;width:7.9124999px;" version="1.1" viewbox="0 0 7.9124999 9.875" width="7.9124999" xmlns="http://www.w3.org/2000/svg">
discretising (<一个href="#EEq3.1">3.1一个>),密度在时间<年代vg height="9.125" id="M5" style="vertical-align:-0.11285pt;width:5.0124998px;" version="1.1" viewbox="0 0 5.0124998 9.125" width="5.0124998" xmlns="http://www.w3.org/2000/svg">
过滤技术用于估计的密度通过假设值初始密度,<年代vg height="13.45" id="M12" style="vertical-align:-2.21957pt;width:26.8125px;" version="1.1" viewbox="0 0 26.8125 13.45" width="26.8125" xmlns="http://www.w3.org/2000/svg">
平均流动的入口点和出口点在正常情况下,当两端流动比较没有任何冲击波传播。当在入口和出口的流动不可比性,采用最低的两个捕获段内的密度变化。在目前的研究中,<年代vg height="11.0375" id="M17" style="vertical-align:-3.22281pt;width:38.5px;" version="1.1" viewbox="0 0 38.5 11.0375" width="38.5" xmlns="http://www.w3.org/2000/svg">
在上面的公式中,由于初始密度的部分,<年代vg height="13.45" id="M18" style="vertical-align:-2.21957pt;width:26.8125px;" version="1.1" viewbox="0 0 26.8125 13.45" width="26.8125" xmlns="http://www.w3.org/2000/svg">
卡尔曼滤波器(KF)是一个递归算法(<一个href="#B49">49一个>),通常适用于系统模型,可以写在状态空间表示。这是一个基于模型的估计和预测工具和包含的随机性质参数。KF可以等不同类型的离散卡尔曼滤波器,扩展卡尔曼滤波器和自适应卡尔曼滤波器。滤波器的选择取决于控制方程的性质。在目前的问题,状态方程(<一个href="#EEq3.3">3.3一个>)和测量方程(<一个href="#EEq3.4">3.4一个>)是线性的,离散卡尔曼滤波器(DKF)。本研究使用流数据从视频和旅行时间从有限的测试车辆旅行时间估计平均流。使用的状态变量是交通密度和旅行时间的测量变量。国家(流程)和度量(观察)可以来源于DKF方程(<一个href="#EEq3.3">3.3一个>)和(<一个href="#EEq3.4">3.4一个>),下面给出。
状态方程:<年代pan class="equation" id="EEq3.6">
测量方程:<年代pan class="equation" id="EEq3.7">
在哪里<年代vg height="13.45" id="M21" style="vertical-align:-2.21957pt;width:59.700001px;" version="1.1" viewbox="0 0 59.700001 13.45" width="59.700001" xmlns="http://www.w3.org/2000/svg">
的卡尔曼滤波算法<年代pan class="equation" id="EEq3.10">
在哪里<年代vg height="18.487499" id="M28" style="vertical-align:-2.21957pt;width:23.9px;" version="1.1" viewbox="0 0 23.9 18.487499" width="23.9" xmlns="http://www.w3.org/2000/svg">
重复上述步骤在每一个时间步,只校正步骤进行了GPS间隔测量时的旅行时间是可用的。
3.3。投入产出方法
的输入-输出(累计计数)方法作为不结盟运动和画<一个href="#B50">50一个>)涉及构建累积车辆计数(<我>N我>)<年代vg height="9.8625002" id="M34" style="vertical-align:-2.29482pt;width:7.875px;" version="1.1" viewbox="0 0 7.875 9.8625002" width="7.875" xmlns="http://www.w3.org/2000/svg">
旅行时间估计的经典分析方法认为累积流量的情节<年代vg height="14.6" id="M36" style="vertical-align:-3.13504pt;width:53.674999px;" version="1.1" viewbox="0 0 53.674999 14.6" width="53.674999" xmlns="http://www.w3.org/2000/svg">
先进先出法条件下<年代vg height="14.6875" id="M50" style="vertical-align:-3.20526pt;width:32.587502px;" version="1.1" viewbox="0 0 32.587502 14.6875" width="32.587502" xmlns="http://www.w3.org/2000/svg">
插值的值<年代vg height="12.7" id="M56" style="vertical-align:-0.11285pt;width:9.3625002px;" version="1.1" viewbox="0 0 9.3625002 12.7" width="9.3625002" xmlns="http://www.w3.org/2000/svg">
3.4。HCM延迟的方法
HCM延迟方法(<一个href="#B34">34一个>是估计给定时间延迟在一个十字路口。使用这种方法,车道组的平均延迟每辆车可以计算使用(<一个href="#EEq3.17">3.13一个>)。<年代pan class="equation" id="EEq3.17">
在那里,<年代vg height="10.75" id="M64" style="vertical-align:-0.15048pt;width:23.487499px;" version="1.1" viewbox="0 0 23.487499 10.75" width="23.487499" xmlns="http://www.w3.org/2000/svg">
上述延迟计算HCM需要在位置3流值,自由流动之间的运行时间位置2和位置3,周期时间,莱茵集团的能力,车辆到达类型和发展调整因素作为输入值。这些,流值和周期时间直接获得。车道组的容量计算的字段使用饱和流率和绿色循环时间比给出的<年代vg height="13.6125" id="M78" style="vertical-align:-2.34499pt;width:73.599998px;" version="1.1" viewbox="0 0 73.599998 13.6125" width="73.599998" xmlns="http://www.w3.org/2000/svg">
额外的自由流动的运行时间延迟拉伸(恒定值为特定链接)添加到估计延迟获得两个地点之间的总旅行时间。获得自由流动运行时间除以位置2和3之间的距离,<年代vg height="15.775" id="M79" style="vertical-align:-4.37273pt;width:24.85px;" version="1.1" viewbox="0 0 24.85 15.775" width="24.85" xmlns="http://www.w3.org/2000/svg">
1.82公里的总旅行时间联系然后计算mid-block旅行时间的总和(1.72公里)的旅行时间延迟(0.1公里)。每个模块的基础,混合DF-HCM,标价方法证实了使用字段数据和模拟数据和详细的下面的部分。
4所示。确证的评估方案
为了评估上述方法的性能,估计意思是链接旅行时间使用这些方法绘制与实际旅行时间使用字段数据和模拟数据。所需的实际行程时间数据在使用字段数据的验证结果通过GPS一点装备手动测试车辆以及车辆从视频。GPS数据收集使用三辆车,三个汽车人力车,两个摩托车,五公交车代表每个分类的样本。整个数据收集期间,这些GPS测试车辆,除了公交车,沿着反复研究部分。数据<一个href="//www.newsama.com/journals/jam/2012/587913/fig3/" target="_blank">3一个>,<一个href="//www.newsama.com/journals/jam/2012/587913/fig4/" target="_blank">4一个>,<一个href="//www.newsama.com/journals/jam/2012/587913/fig5/" target="_blank">5一个>显示了块旅行时间预测的三种方法相比,实际的旅行时间的字段数据和模拟数据。可以看出,混合DF-HCM模型能够捕捉变化的实际旅行时间比其他两种方法。
旅行时间估计的错误在上面的例量化使用平均绝对百分误差(日军)和均方误差(RMSE)。使用获得的平均绝对百分比误差<年代pan class="equation" id="EEq4.1">
在哪里<年代vg height="14.7125" id="M85" style="vertical-align:-3.22281pt;width:45px;" version="1.1" viewbox="0 0 45 14.7125" width="45" xmlns="http://www.w3.org/2000/svg">
日军和RMSE值获得的数据所示<一个href="//www.newsama.com/journals/jam/2012/587913/fig6/" target="_blank">6一个>和<一个href="//www.newsama.com/journals/jam/2012/587913/fig7/" target="_blank">7一个>可以看到,错误是在可接受的范围<一个href="#B52">52一个>,<一个href="#B53">53一个>]。根据刘易斯的判断预测的准确性(<一个href="#B49">49一个>),任何预测与日军的价值可以被认为是高度准确的不到10%,11% - -20%是好的,21% - -50%是合理的,51%以上是不准确的。
它可以观察到,在野外数据的情况下,混合DF-HCM方法表现好于其他两种方法。结果使用模拟数据显示基地和混合DF-HCM方法执行相对,执行比标价方法。因此,十字路口的结果清楚地表明,分析延迟分别为旅行时间估计带来了更多的准确性。也可以观察到投入产出方法太受制于可以使用流数据质量和只有当流动数据从模拟精度保证等。这是进一步检查通过比较两天的现场数据的性能mid-block部分,和日军和RMSE如表所示<一个href="//www.newsama.com/journals/jam/2012/587913/tab1/" target="_blank">1一个>。可以看出,在这种情况下,数据融合方法优于投入产出方法不同的情况下使用模拟数据确认和流值作为获得领域的不确定性,数据融合方法优于输入输出的方法。
总的来说,它可以观察到该数据融合方法是一种更好的旅行时间估计候选人相比,投入产出方法mid-block部分。投入产出方法可以被认为是在这种情况下,流值的准确性得到保证。同时,它可以清楚地观察到,分析分别对交叉口延误带来更多的旅行时间估计的准确性。这导致的结论是,需要对交叉口延误分析分别确定城市干道的总旅行时间。因此,提出数据融合方法可以用于mid-block部分连同HCM十字路口的延时估计方法来确定城市干道的总旅行时间。
5。摘要和结论
车辆人口增长的负面影响包括拥堵和延误,和在争论的话题目前世界各地。印度经济的快速增长和相应的车辆数量的增长,也不例外。交通的异构性质和缺乏巷纪律使得这些问题更加复杂。描述和分析这种类型的交通发展中国家现有的需求一种不同的方法比在西方国家是同质的,车道交通纪律。在处理城市干道,有额外的挑战由于交通的高变异性特征。在印度等国家,另一个挑战是在数据可用性,因此较少的数据密集的旅行时间估计要使用的方法。
本研究分析了旅行时间估计的数据融合技术的应用在一个印度城市动脉。研究尝试混合DF-HCM方法并比较其性能基本方法和不同类型数据融合模型获得的总旅行时间的整个部分。模型对不同交通流条件的性能测试使用领域和模拟数据。结果表明混合DF-HCM模型作为旅行时间估计的最佳人选在城市干道。标价方法被发现错误强调最高的必要性分析路口分别获得更好的性能。混合模型中,数据融合方法在野外条件下给了有前景的结果。流值的精度保证的时候,比如使用模拟数据,基础和混合DF-HCM方法显示类似的性能稍微从投入产出方法更好的性能。因此,实时ATIS航站等领域实现城市干道,混合方法使用mid-block部分的数据融合以及单独的延迟信号交叉路口的估计带来的最大精度预测旅行时间信息显示其潜在的任何这样的实时实现。
确认
作者承认这项研究支持的通讯和信息技术,印度政府授予没有通过信。23(1)/ 2009 -交货和印美科技论坛的支持通过批准号IUSSTF / JC-Intelligent交通系统/ / 95 - 2010/2011 - 12所示。