文摘

考虑到现有文献缺乏道路容量和事件的实时估计位置使用电感回路探测器的数据,提出了一种数据驱动框架在这个研究实时事件检测、道路容量以及事件位置估计。事件检测算法是基于交通流参数的变化从电感回路探测器获得的。阈值确定速度和入住率的事件检测基于数据库到聚合物。事件是紧随其后的是实时的检测道路容量和事件位置估计使用细胞传输模型(CTM)为基础的方法。一些事件的数据下载到聚合物,用于拟议的框架提出了研究的发展。结果表明,该框架开发检测事件,准确估计能力降低。事件的位置估计的总体精度92.5%。拟议的框架的性能可以进一步提高了将入口点的影响,下,多人乘坐的小巷,以及建模分别每个车道。

1。介绍

事件是最不利的事件,严重影响道路容量,降低系统的可靠性。由于中断事件的影响可以通过实现实时干预最小化策略。干预措施的有效性取决于准确的实时位置信息,持续时间和事件的影响。

事件造成的主要问题不是缺乏能力,而是临时减少能力由于事件(1]。Golob et al。2)发现一个强大的事件和交通状况的可能性之间的关系。太阳和李3调查事件之间的关系和不同的交通状况。马特和Jenelius4)计算了旅行时间的增量链接当某些链接在网络被关闭。戈德堡(5)发现,产能利用率的增加,系统的冗余减少,使系统更加脆弱。在交通流参数,路段的容量是事件的直接影响,从而影响其他参数,如速度、延迟和入住率。

道路的容量并不是一个固定值。它随交通状况的变化,道路环境和天气条件。昼夜不停地估算的能力是一项繁琐的任务。能力评估当一个事件发生中变得越来越重要,作为一个重要组成部分司机所面临的延误是由于事件(6,7]。艾哈迈德和哈瓦8]介绍了一个基于阈值的方法进行事件检测和验证模型通过仿真数据。张文雄[9使用交通流和占用数据的i - 880高速公路在奥克兰,加利福尼亚州,对于使用离散时间的实时事件检测,非线性随机系统建模。罗西和咖啡厅10)模糊逻辑用于事件探测回路探测器数据。张和他(11和顾和钱12)开发了一种深度学习的方法来检测事件通过社交媒体。肖(13)提出了一种基于集成学习的事件检测模型。木下光男和Takasu14)制定一个简单的模型进行事件探测探测汽车数据。哦(15)进行了统计分析,确定交通状况,导致交通事故的可能性。陈等人。16)确定因素有助于增加事件的可能性在我25。小王和Papageorgiou17)估计,使用循环检测器实时交通状态,并预测交通状态由一个二阶交通流模型。Ngoduy [18)开发了一种方法,可以评估实时交通状态的部分高速公路使用粒子滤波算法。CTM-EKF(细胞传输Model-Extended卡尔曼滤波器)基础技术已经申请了实时交通状态估计交通网络中断的事件(19- - - - - -21]。

实时能力评估是有益的,当有一个显著减少由于事故等事件的能力。陈等人。22)提出了一个zero-inflated负二项(ZINB)模型对事件风险信息,可以有利于交通管理。交通事故是一个随机事件,减少能力可以建模为一个随机变量(23]。哈迪和Sinha24)使用多个软件和估计事件的能力在不同的试验。努,例如6从直升机上收集的数据和估计事件通过微观分析能力。能力降低由于事件造成上游交通拥堵。如果信息不是司机的上游传播事件的位置,然后拥堵会占上风,长队列将会形成。增加上游入住率与更严重的事件(25]。史密斯和秦23]分析大数据集的交通流和事件数据和发现能力减少63%一个车道的交通阻塞时,同时减少77%时观察到两三个车道被封锁。Almotahari和Yazici26)到聚合物数据库用于估计能力降低造成的延误事件发生后。贝尔蒂尼和Myton27)确定瓶颈在加州高速公路使用到聚合物数据库。

估计的一个事件的位置使交通控制系统转移流向了另一条路去减少交通堵塞的道路的影响。在文献中,离线估计入射位置的使用事件执行的数据集。一个或多个位置被确定,容易受到这一事件。这些位置被称为斑痕或热点地区,拥有一个高概率的事件。事故多发点分析需要空间和时间数据确定的精确位置(28- - - - - -31日]。一个事件的位置可以被内核密度和k - means聚类在GIS估计位置的高概率事件(32- - - - - -35]。事件的位置在现有文献大多是估计离线,和一个实时事件位置估计框架缺乏。

能力的影响减少由于事件可以最小化通过实现实时最佳干预策略。交通流参数的变化信息,由于干扰事件可以用来提示请求开始干预。信息容量变化有助于交通管理系统来管理交通最优和传播正确的信息来驱动。基于智能交通系统(ITS)的应用程序等实时动态交通分配ATIS航站(先进的旅行者信息系统)和atc(自适应交通控制系统)可以使用可靠的更加准确和有用的信息的影响,时间和地点的事件。交通状态估计的准确性取决于事件对传感器的位置(36]。车祸的时候也是至关重要的,把交通替代路线。引水流量,直到实现道路的容量恢复其正常价值。非最优转移策略可能会导致增加网络拥堵的道路上,加强这一事件的影响(37]。

文献回顾表明,大量的研究域的估计能力。先前的研究,以及其他策略,认为作为一个动态参数的能力。然而,一个明确的框架,用于实时道路容量和事件位置估计使用回路探测器数据中不存在可用的文学。本研究开发一个框架,用于事件探测,能力估计,估计事件位置基于数据从回路探测器获得的交通流参数。拟议的框架是基于加州交通部的开源数据(到聚合物)。事件数据,以及交通流数据,分析了开发拟议的框架。交通流参数的变化和拥堵发展上游事件发生后将用于检测事件和事件的估计位置,分别。

2。模型开发

实时估计算法需要收集、处理和更新数据到系统在很短的时间间隔,这可以通过减少变量的数量和发展计算高效的算法。宏观交通流参数提供必要的信息足够的估计的交通状态。回路探测器测量宏观交通流数据,实时速度和占用在固定的时间间隔。这些回路探测器是嵌在人行道上,并提供连续时间信息。探测器之间的空间信息可以被使用交通流模型,如细胞传输模型(CTM)测量获得的传感器。

交通流参数测量回路探测器受到这一事件的影响由于减少产能。交通流参数的变化由于事件可用于事件检测、估计能力,评估事件的位置连续两个回路探测器之间的路段。然而,在传感器记录的交通流参数的变化可能是由于其他因素比事件如日变化、每周一次的变化,或由于天气变化的影响。因此,需要一个适当的事件检测模型检测假警报,提高事件检测过程的效率。

在这项研究中,该算法不断评估从传感器获得的信息来检测这一事件。事件触发算法的检测能力和事件的位置估计。检测到事件当交通流参数的变化速度和入住率超过了预定义的阈值限制。执行比较分析建立的阈值限制的事后数据与数据在正常交通条件。如果速度的差异和入住率的差异在当前时间k每周平均高于阈值的限制α和β分别,那么可能有一个事件的可能性。这是验证通过进一步比较当前速度和入住率值与这些参数的平均值在过去的15分钟(k:15分钟)。检测到这一事件的不同速度和入住率与先前三次间隔 也超过了阈值限制γ和δ,分别。图1描述本研究的总体框架,变量列表符号如图2。

各种组件的整体研究框架下面描述。

2.1。事件检测

到聚合物数据库包含事件的详细信息,包括时空信息,如时间、日期、天,位置,和持续时间。此外,它还包含事件类型和事件的严重性。这起事件导致拥堵在上游传感器交通需求较高,以及事故的影响也是很重要的原因导致交通堵塞。事件发生交通需求低时,或者当事故明显低的影响造成拥堵,不包括在本研究的范围。此外,建模这样的事件不是重要的在设计实时交通控制和事件管理策略。因此,在这项研究中,只选择那些事件,导致过饱和的流动条件,提出框架依赖于传感器的信息。

许多事故的数据下载,其中9个事件场景进行了分析。交通数据收集从上游的传感器事件位置报道的事件报告到聚合物数据库。对于事件检测,数据收集前4周事件的日期来确定每周平均入住率的值和速度。

图3显示速度的变化记录在上游传感器事件的位置和比较它与每周平均速度,估计通过观察到的平均速度在同一天在过去的四个星期。车辆的速度显著降低事件发生后,与每周平均速度的比较显示了一个明显的趋势,可用于检测这一事件。然而,这一事件的检测不能只依赖一个标准。因此,与每周平均入住率的比较也包括在事件检测模型。图4显示占用的变化以上游传感器事件期间。上游的入住率传感器事件发生后显著增加,这是作为一个标准的事件检测。

的时间到聚合物的事件数据选择高速公路部分如表所示1与测量速度和占用事件发生后。提供的数据在数据库到聚合物聚合速度和占用5分钟间隔。由于5分钟聚合,这一事件的影响在速度和入住率稀释,而且,在某些情况下,需要间隔1 - 2显示事件的影响在上游传感器数据。这种滞后也可以归因于在传播过程中花费的时间交通拥堵对上游传感器事件发生后。

拟议中的事件检测模型检测事件基于四个参数的差异。这四个参数是基于当前速度的差异和相应的每周平均入住率和平均前15分钟(三个间隔)。这些参数的阈值可以根据数据表中给出2。这些参数的高阈值将减少错误的检测。然而,有可能是错过了事故的可能性太高阈值。同样,低阈值将确保最大的事件检测的可能性,也可能导致一些错误的检测。

最优阈值被建模估计所有事件的位置使用四个上述参数通过改变它们的值从10%到90%的区间10%。最大的区别在参数值,发现所有的事件被选为该参数的阈值。表3显示了事件检测的数量与不同的参数值和凸显了细胞相应的阈值。

基于表3的阈值的参数如下:

2.2。道路容量和事件的估计位置

该算法估计道路容量和事件位置使用细胞传输模型(CTM) [38),这一条道路段分为同质细胞长度相等。在方程(2),中医更新交通占用n_我未来对每个时间步k + 1道路网和所有的细胞。y_我流出细胞吗我。

在方程(3),问_我流能力,N_我是细胞的最大可能占用。中医使用三角形或其他分段线性形式的基本图,如图5(39]。

从上游的交通流量传感器事件的位置作为一个对中医的需求。这个组件的框架,如图1被激活后,事件检测算法检测到事件。CTM-based方法模型的事件场景中通过分割部分道路进入细胞的长度相等。每一个细胞两个传感器之间的细胞被建模为候选人。

该算法利用校准CTM参数到聚合物流量数据。Dervisoglu和戈麦斯4012)校准到聚合物的基本图数据库的不同部分高速公路。表4显示的校准交通流参数被用作CTM的输入。

许多场景开发和模拟使用校准中医。每个单元中的一个事件发生的可能性及其对每个车道的影响建模。场景的总数等于细胞的数量的产品和车道的数量。每个场景模拟的需求从上游传感器和模拟的入住率为每一个场景与实际的用房 。场景,收益率至少选择不同入住率提供事件的估计位置和容量电池。

3所示。结果与讨论

3.1。事件检测使用到聚合物的数据

加州交通部的开源数据(到聚合物)是用于模型的应用在实际环境中。表中提到的事件细节1从事件日志收集到聚合物的数据库。该框架提出在图1应用于捕获所选事件表中列出1。事件检测的结果如表所示5,比较了事件到聚合物所报告的数据与时间的事件检测算法。

的平均差异报告事件时间和事件时间算法检测到的9分钟。观察1分钟的最小差异的事件发生在I105-E。最高的27分钟观察不同的事件报道I80-E 1月15日,2020年,18岁:58小时。事件报道SR24-E检测报告前10分钟时间。这表明事故报告的差异,这与一些错误必须被记录。交通流参数的变化选择传感器的SR24-E表明报道前的事件的发生时间,这可能是由于不准确的现场事件的报告。

观察到的不同报道事件时间和事件检测时间为选定的事件可以归因于以下因素:(我)错误报告的事件。(2)时间回泄漏事件队列的位置上游传感器。事件检测算法是基于交通参数值的变化传感器。因此,这一次可能会导致延误事件检测和检测时间的准确性取决于交通状况的快速变化的上游传感器事件发生后。(3)在这项研究中使用的到聚合物数据和聚合时间间隔为5分钟。数据的聚合时间更长时间间隔稀释事件对交通流参数的影响。

3.2。能力评估

当一个事件检测系统中,组件的产能估计被激活的框架。容量估计算法的方法讨论了部分2.2。图6显示了所有九个事件的能力估计的结果。能力概要文件与数据强调速度变化的交通状况的变化能力。

图6的估计能力概要说明了选择高速公路部分。估计能力概要文件与速度剖面相比突出事件提出算法的性能。

表6显示了估计能力的函数可用数量的车道的事件选择在这个研究。到聚合物数据中,车道的数量影响不包括由于事件的事件报告。因此,能力流或车道由于事件影响的数量尚不清楚。估计能力的准确性没有实际价值减少的能力无法衡量。然而,该算法的性能可以观察到在图6,这表明估计能力的变化与交通状况的变化测量传感器。

3.3。事件位置估计

这项研究估计的位置实时事件。的位置和容量在事件同时估计,使用图中描述的框架1。的场景,模拟入住率和测量入住率的区别是至少被选中作为估计能力和位置的结果。数据7- - - - - -9显示的比较实际与模拟入住率入住率。

在图7,观察到的入住率增长5:55点选择的传感器的高速公路SR94-W事件发生后在其下游。根据事故报告,该事件发生在5:42点,入住率增长滞后是由于上游先生队列传播所需的时间。实际入住率恢复到正常状态下间隔6:00点,而模拟入住率恢复到正常情况下的滞后时间间隔(5分钟)。这一事件发生在576的传感器。该算法估计事件的位置在第二单元。第二个单元格从300开始和结束在600米。因此,该算法准确地估计这一事件的位置。

图8说明了高速公路的入住率概要I105-E当一个事件被检测到在第二单元。事件后的入住率提高18:35。根据表中提到的事件的细节1事件是在报道,18:34。增加入住率在传感器观察18:35。模拟入住率显示了一个类似的趋势的实际占用,这意味着第二个细胞是细胞事件。此外,事件也估计准确的实际位置在第二单元,这是320从上游传感器。

高速公路的入住率I105-W图所示9。占用的增加可以看到在两个地方。增加入住率在10:50小时被发现每天的变化。入住率概要文件第二高峰是由于这一事件,因为减少的速度也同时观察图3。表中提到的事件的时间1也验证了提高入住率。这一事件发生在480从上游传感器,这对应于第二个单元格。这一事件的估计位置也是第二个单元格,显示了该算法的精确性能。

表7显示所有九个事件的估计位置。九的事件的位置估计准确的整体精度92.5%

高速公路的部分影响的事件图所示10。在每个部分中,上游和下游之间的距离传感器分为细胞相同长度的300米。阴影细胞代表估计事件细胞,其中黄色地带表明上游的位置传感器,而红色地带显示下游的位置传感器。销位置红色图标显示的实际位置到聚合物的事件数据。

3.4。在一个模拟的环境中应用程序的框架

模型的结果实现现场数据前面部分所示,显示了该算法的可接受的性能。然而,有一个轻微的偏差时,模型输出与现场数据比较。这个错误有两个主要原因的事件检测和能力评估:(我)有下匝道和上匝道之间选择的传感器。事件的影响的传播能力和其他交通流参数可以显著影响上游传感器如果有两个传感器之间的一个入站或出站。例如,如果有一个出站事件之间的位置和上游传感器,然后车辆退出路段可以稀释上游传感器上的事件的影响,可能会导致一些错误的估计。该模型可以产生更精确的结果如果没有入口点和传感器之间的输出设备。这个缺陷也可能提高了集成测量获得的入站和出站事件中的传感器检测和估计算法。(2)固有的系统误差在测量交通流和错误记录事件的细节是另一个因素,很难测量的准确性提出了框架。例如,由于错误的事故报告,很难估计事件检测算法的准确性。

由于上面提到的因素,提出了框架应用于模拟环境。在模拟场景中,对一个事件的所有信息,如事件发生的时间,地点,时间,和容量减少。

拟议的框架被应用到一个5公里长的路段,有4车道,如图11。部分是一个mid-block部分没有入站和出站。它分为10细胞相同长度的500米。畅通的速度在60公里/小时。有回路探测器在路的开始和结束部分。传感器提供测量每隔30秒。这起事件发生在细胞2 750 m从上游检测器10分钟时间步30到50,这降低了路段的容量为2车道从4车道。

事件检测算法需要每周平均测量值速度和入住率在同一时间间隔。为此,综合测量被假设交通需求生成大约7000 veh每天/ hr稍微有些变化。模型的结果应用程序如图12,这表明该算法准确地探测到这一事件,估计能力降低。这一事件发生在30日时间步,在时间步长算法检测到的33岁1.5分钟的延迟。这起事件是清除50时间步,估计时间步52。图12显示了变化能力概要文件。同样,该算法准确地估计,由于事件的能力降低。此外,事件也估计准确的估计位置细胞2。

4所示。结论和建议

本研究提出了一个框架,利用测量得到的电感回路探测器对事件检测、评估能力降低,评估事件的位置。该模型是使用传感器数据可以从开发到聚合物,可以应用于实时没有任何修改。该算法能够准确地检测到事件,估计路段的能力降低和事件的位置。事件的位置估计的总体精度92.5%。这项研究的结论是:该算法需要宏观参数的测量,如流,速度和入住率。利用宏观交通流参数和有限的宏观数据使得该算法计算效率更高,这使得它更适合于实时应用。该算法适用于事件的影响时观察到传感器位于上游的事件的位置。小事件,当交通需求很低,没有由于事故造成的拥堵,不能检测到的算法。然而,事件没有造成显著影响交通状况不需要实时交通控制和事件管理措施,否则需要。事件检测速度和入住率超过阈值限制。从数据库到聚合物事件被确定开发门槛限制速度和入住率。阈值限制基于速度的平均值和入住率的观察记录。上游事件位置和传感器之间的距离会影响事件检测算法的准确性。检测的时间间隔的增加会增加事故位置和传感器之间的距离,当队列组合和spillback时间增加距离。交通条件也会影响这个时间差。这是观察到的数据,这一事件报告时间和持续时间的事件报道在数据库到聚合物与观测数据不匹配。这个偏差的估计也会影响该算法的准确性。事件检测和容量估计算法应用于九个选定的事件来评价其性能。事件的位置估计,平均精度为92.5%。事件之间的平均差异报告和检测时间为9.8分钟,这是不到两个时间间隔,每隔5分钟到聚合物的数据报告。的准确性影响车道的数量不能确定到聚合物数据事件报告不提供这些信息。事件检测算法的准确性可以进一步改善交通流参数时提供更高的分辨率。数据的聚合超过5分钟间隔稀释事件的影响,特别是在事件发生时的时间间隔。在现实中,电感回路探测器在30秒的时间间隔提供测量。在30秒的时间间隔测量的使用预计将提高估计精度。拟议的框架也适用于模拟控制环境。模型检测到事件,估计这一事件的能力和位置准确。

信息容量的变化有利于交通状态的估计。事件的准确检测和能力评估是至关重要的实时流量和事件管理。该算法使交通控制器设计策略,有效地管理拥塞和提高网络性能事件。有效的事件管理降低了由司机在交通堵塞的时间,这可能导致更少的焦虑和压力,从而改善道路安全的通勤者。

提出了框架的性能可能提高了使用CTM-based估计技术,如CTM-KF(卡尔曼滤波)或CTM-EKF(扩展卡尔曼滤波)。此外,其他可用的数据来源(蓝牙、wi - fi、GSM和gps传感器)可以集成开发改进算法。自治和连接车辆可以提供更有用的和准确的信息事件检测和评估能力。合理的自治的渗透和联系车辆,这些车辆的实时信息可以与传感器数据融合开发更高效的算法。

数据可用性

本研究中使用的数据是公开的,可以下载到聚合物的网站(http://pems.dot.ca.gov/)。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

Yongjun沈负责收购资金、资源、监督和写作审查和编辑;赛义德·阿巴斯Muzammil提供了软件;阿夫扎尔艾哈迈德进行验证;Syed Muzammil阿巴斯和阿夫扎尔艾哈迈德贡献的方法和写作初稿。

确认

这项研究得到了国家重点研究和开发项目(批准号2018 yfe0102700)和中国国家自然科学基金(批准号71701045)。阿夫扎尔艾哈迈德博士的贡献,这项研究受到了Exascale开放数据分析实验室,国家大数据和云计算中心(由高等教育委员会、巴基斯坦)。