文摘

本文旨在开发一种宏观细胞巷变化预测模型在复杂的城市环境,将它集成到细胞传输模型(CTM)改善宏观交通状态估计的准确性。为了实现这些目标,首先,根据观察到的交通数据,二进制逻辑车道模型制定车道改变发生。第二,二进制逻辑巷变化是由精炼中医配方融入中医车辆在细胞中是如何从一个细胞到另一个纵向的方式以及细胞如何占用车道变化发生后更新。的性能评估模型,通过比较该模型的模拟细胞入住率细胞占用我们的下一代- 101模拟(NGSIM)数据。结果显示细胞的平均入住率之间没有显著差异的模型和实际数据的平均细胞入住率与均方根误差(RMSE)为0.04。类似的结果时发现该模型与I80公路数据进一步测试。建议细胞入住率I80公路的意思是数据没有不同于细胞入住率的模型的均值0.074 RMSE(平均0.3)。

1。介绍

自主车辆(AV)能够探测周围环境,识别障碍,指示牌,反过来,使它发展它的导航路径,沿着道路网络不需要人工控制。当前AV影音技术开发研究项目都集中在提高车辆安全,尤其是在执行其基本任务,包括汽车后,lane-keeping,换道1- - - - - -6]。由于其复杂的过程,涉及主机车辆的相互作用及其和领先的车辆后,人们却很少关注的AV巷变化预测模型。现有的前馈算法(例如,轨迹规划和策略规划算法)集中在单个车辆的利益最大化(1- - - - - -6]。除此之外,这些算法需要详细的微观交通变量(即。,relative speed and positions) of the surrounding subject vehicles, gaps between the host and following and leading vehicles, which often depends not only on the behavior and movement of the surrounding vehicles but also on the macroscopic traffic dynamics.

协助影音控制系统在预测巷变化发生在不同交通条件下,宏观细胞巷变化预测模型,考虑车辆横向运动从一个车道另介绍(7]。这种基于单元的宏观模型可获得路段变成一个统一的细胞形成的宏观交通变量(例如,交通密度和平均车速)可以很容易地生成的。这些宏观交通变量被认为是交通动态指标,可以进一步用来预测巷发生改变。通过理解周围的交通行为的特点、巷的聚合行为改变车辆在任何交通流更容易比单个车辆的分解行为观察。这种方式也由于缺少进行研究,包括车道的动态变化来计算多车道交通流宏观条件下。计算多车道交通的可能的解决方案,实现交通的守恒定律,一个合适的宏观交通流模型,该模型可以描述司机的车道在多车道高速公路因此需要改变行为。

因此,本研究提出了一个宏观细胞巷变化预测模型在复杂的城市环境和整合到细胞传输模型(CTM)。已经通过精炼CTM流和入住率配方促进流制定车辆时细胞转移从一个细胞到另一个纵向的方式和更新细胞占用车道后改变。

本文的其余部分组织如下。部分2介绍了中医和车道变化预测模型的发展,其次是细胞的基本术语传输模型。拟议的方法,接着是导致的发展提出宏观交通仿真工具。特别是,本节将指导我们如何开发二进制逻辑巷变化模型和制定巷发生改变。这将是紧随其后的是模型开发集成到细胞传输模型通过精炼CTM流和入住率配方。部分4提供的真实数据进行聚合的步骤准备验证与模拟中医。数值结果比较CTM和字段数据给出了部分5。最后,提供了论文的讨论和结论部分6。

2。细胞传输模型和基于中医巷变化模型

中医是一个最广泛使用的基于单元的宏观交通流模型由(8,9]。它提供了一种收敛近似一个简化版的《Witham,和理查德(轻水反应堆)水动力模型10]。这个模型被认为是最直接的手段,只有几个参数需要解释的进化交通特性和动力学(8]。它被称为轻水反应堆模型的数值估算模型。同时需要更少的参数与微观模型相比,仍存在一定的局限性。在最初的CTM模型中,交通流模型统一在一个单一的在多车道高速公路交通流,假设均匀和横向分布(8,9]。这样的假设可能不准确的代表特征(即异构交通流分布。,lane-specific flow, density, speed, and vehicle types) observed in real-world traffic, which varies over time and space [11,12]。因此,复杂的多车道道路的交通特性,特别是车道改变行为,可能没有很好地捕获它们作为车道交通流建模时(13,14]。也知道,频繁LC事件导致交通流量不稳定由于能力的下降以及走走停停的波的形成和传播15- - - - - -20.]。

以填补空白,21]、[22),(23]介绍了多个车道轻水反应堆模型单一并行链接包含两个或两个以上的通道。这个扩展允许相邻车道的流入和流出相邻车道是守恒方程中每一点,允许换道现象。multicommodity模型是由(24)基于理论的轻水反应堆(10,25)模型。在这个模型中,一个新的概念介绍了车道变化强度,除了新定义的基本图和一个熵条件的引入。其他方法使用气体运动学交通流模型(26),以及一个连续和不连续模型(27]。的主题建模车道交通网络流分布在特定的场所也被解决在某些工作(28]。在自由流动和拥挤的政权,28)建立了一个总密度和巷密度之间的联系。评估后,车道的数量变化作为众多激励函数,结果表明密度在原点和目标车道是最重要的29日]。Duret et al。30.)检查真实的数据从一个在三车道公路畅通的设置,提出了一个简单的线性模型,把车道交通流分布。其他先前的研究,观察车道改变宏观模型可以发现在24,26,27,31日,32),和其他专注于特定位置的道路中可以找到28,30.,33]。

很少有研究考虑了车道变化特征在中医的发展模式。王等人。34),例如,左转分配一个固定的百分比(即流动。,30.%) when formulating the diverge movement to simulate oversaturated arterials. The improved form of the CTM model, which introduced a novel conditional cell at the intersection, has proven the reliability with the actual traffic flow conditions found in Highway Capacity Manual (HCM). Carey et al. [31日)开发分析网络模型,包括换道通过扩展只能离散中医两个或两个以上的通道,允许交通车道之间的运动。这个扩展主要集中在强制性换道通过假设换道动机是影响司机的相对位置出入境链接和相应的水平的紧迫感。凯里et al。31日]介绍了固定的价值(即。,the number of vehicles that wish to change lane at cell ,时间步长 )作为一个变量来确定细胞入住率在接下来的时间步。而中医理论发展的不断改善多年,大部分人只专注于改进前的准确性和计算工作方法,但该方法的准确性和稳定性还没有与实际现场数据验证(35]。

锅等。36)开发了一个介观多车道的CTM考虑同时模拟自由裁量和强制性的车道改变行为。模型实际模拟的动态异构车道分布基于具体车道基本流程图。不同优先级级别是公认的基于不同车道改变动机和各自的水平的紧迫感。递归车道改变需求估算技术设计,考虑紧迫性的角色在纵向上变化的概率分布函数的动作。大多数目前模型认为,司机都不知道下游交通状况再决定巷的转变,这是不切实际的。然而,(36)提出了一个模型,该模型假定,司机可以使车道改变决定,其效应递减指数随着自己的当前位置的距离增加。与此同时,他们的实证分析包括一些主要车道变化的影响(例如,容量损失和流量平衡自由巷转变的影响)。

限制仍然存在将车道变化纳入中医时,特别是当固定值被分配到估计的影响车道变化对流入和流出流量。这种假设可能不经验代表实际车道(即改变事件周围的交通环境。、速度和密度之间的车道)[13,37- - - - - -39(即]或一些未知的因素。,driving attitude) might affect the occurrence of a lane change.

3所示。发展基于细胞传输模型的物流通道变化模型

引入扩展CTM与车道改变之前,基本原理和基本配方只能提出了中医在第二节。

3.1。细胞传输模型的基本原则

最初的CTM (8,9]推导基于改进版本的轻水反应堆模型,它描述了一个简化的基于宏观基本形式的关系图。

这种关系表示如下: 在哪里f是交通流,是畅通的速度(畅通代表车辆的速度,当密度为零),的向后传播速度扰动时交通拥挤,是容量流入下一节,是交通的堵塞密度。

中医离散路段与等长同质细胞细胞和时间间隔。细胞的长度, ,是一个典型的汽车旅行的距离畅通的速度在一个时间间隔 。畅通的状态下,没有拥挤,一个细胞的所有车辆预计到达下一个每个时间间隔。这可以由细胞进化给出如下: 在哪里汽车的数量在细胞吗在时间 。

细胞的边界条件来控制车辆的流动提供了进入和退出所有航线的第一个和最后一个单元,分别。这些分别作为入口和出口的大门。入口大门可以防止过多的车辆进入和满溢的第一个单元格,而盖茨退出可以控制队列在过去积累细胞。的细节可以观察到细胞和各自的符号表示在图1。

每一个细胞用的位置,(是指一个特定的车道)在每一个时间步,有其属性特征如下:(1) ,汽车的数量在每个单元(也称为占用)。基于车辆的定向运动在每一个细胞,在每一个时间步,更新后的流动(进出)每个细胞是已知的。(2) 车辆的最大数量,可以存储在细胞。它是表示为 ,在哪里是经验的实际数据处理中确定离散形式的细胞。(3) 是最大的流入下游细胞 在时间 。它是表示为 ,在哪里饱和流率(veh / h)。考虑饱和流率的变化观察经验的数据集,一个随机值固定在一个特定范围的基础上,应用四分位数不同的每一个细胞。现在,假设的行为是相同的其余的时间步骤。(4) 发现在细胞密度吗在时间 ,表示为 (阿明费/公里)。(5) 落后的传播速度比在每个单元中的畅通的速度发现和确定吗 。

3.2。改进的细胞与车道变化传输模型

图2说明了车辆的轨迹在细胞巷1和2的时间窗口(T1、T2和T3)。车道之间的横向运动可以说明如下:考虑L1和L2的起源和目标车道,分别平均巷1巷变化发生在一个细胞(L1)细胞在巷2 (L2)。如图2曲线的,最终在一个单元中代表一个车道改变到另一个车道,而开始一个新的曲线表示从不同的车道车辆的到来。图2表明没有车道改变发生在windows C₁T₁和C₁T₂和车道改变发生在C₁T₃。垂直红线表示为参考线的即时当换道开始发生。

在即时当车辆密度使车道改变标识数量的交叉参考线相交点。在图2,密度为C₁T₃巷1是5辆,包括LC车辆,2车道时,密度是2辆。由于车道改变发生,C的密度₁T₃巷1减少到4辆,而对于巷2,这是增加到3车。图1也说明了车道改变细胞间的宏观原理图多车道的道路,这也解释了为什么传统的CTM模型不能将增加或减少流入交通由于车道变化发生。细胞之间的横向交通尚未充分体现在传统的CTM模型,和它的影响还没有很好地开发和研究。因此,扩展CTM模型提高了三个主要的传统中医配方模型适应流入入住率和细胞的变化。

将车辆的横向运动或改变现有中医胡同间从一个到另一个模型,介绍了改善细胞传输公式。制定包括三个主要组件划分如下:(i)流模型,(2)车道变化模型,(3)占用模型。流模型显示了制定车辆在细胞中是如何从一个细胞转移到另一个纵向的方式,车道模型提供了制定车辆车道改变事件,和入住率模型描述了细胞更新入住率考虑车道改变组件。

3.2.1之上。流模型

三个组件限制车辆的流量从一个细胞到另一个极端, :车辆在上游单元等待进入 ,继任者细胞的能力 ,细胞和继任者的可用空间当一个队列的形式。这是按照原始的概念定义为(8,9),数学描述如下:

在这里,一个轻微的变化应用于制定流入和流出的第一个和最后一个细胞,分别。流入的第一个单元格,确定基于实际需求之间的最小, ,进入细胞时的第一步 ,细胞和继任者的可用空间 。这是作为

流出离开最后一个单元格, ,制定由上游的车辆数量之间的最小单元, ,和实际的流出, ,离开最后一个细胞在时间步自空空间的继任者细胞是未知的。这是作为

3.2.2。车道变化模型

车道变化模型是基于宏观上开发美国- 101 NGSIM微观轨迹数据,与精制二元逻辑回归(广义7,33]。从这些数据,流量特性的主要因素在不同单元尺寸配置识别聚合参数的平均交通密度、流量和速度值。的一般方程给出了基本逻辑回归模型如下: 在哪里是一个事件发生的概率; , ,…,指的是解释变量; , , ,…,模型参数(或系数)可能决定使用所谓的最大似然估计方法(40];变量的数量被认为是;和是一个分对数变换的自然对数的几率(定义为发生概率不发生的概率)的比率。

所谓的最大似然估计方法可以用来计算(即β值。,该模型拟合逻辑回归模型的参数)。在这项研究中,的价值被定义为巷的估计概率的变化,P(LC),估计与实际LC状态(0 (LC)或1(“缴送工作”))与相应的独立变量从野外观测数据。在这种情况下,独立的变量, , ,…, ,使用密度差异( )和速度差异( ),和车道改变方向 ,的主要因素是宏观层面的交通特征。

和被定义为原点之间的差异和目标细胞。分别都是计算使用方程(8)和(9)。聚合细胞密度在即时当车辆使巷变化确定数量的交叉参考线相交点。图2显示的密度巷1 = 5辆,包括车道改变车辆,而对于巷2 = 2辆。车辆的速度差异从原点到目标细胞也在瞬间获得当车道改变发生。从图2的参考线分离的道路车辆从原点到目标细胞。巷前后车辆的瞬时速度变化梯度可以手动的轨迹,这是绘制位移,与时间, 。参考线的斜率在左边部分的起源车道被称为瞬时速度的车辆前巷的变化,然而,参考线的斜率在正确的部分在目标车道被称为车道改变后车辆的瞬时速度。积极的密度差异(DP)意味着原点巷密度提高了目标车道,而积极的速度差(SP)意味着原点巷有较高速度目标车道,

一个固定大小CTM-based模型与观测数据考虑开发和验证速度,密度差异,车道改变方向。图3总结的步骤来确定系数的参数使用实际数据基本模型。

鉴于巷变化的概率,由方程(制定7)从观测数据获得,莱恩的发生的变化是决定接收机操作曲线(ROC)作为分类测量(41]。的决定性因素,决定了汽车的流从一个车道, ,决定基于截断值的预测概率的比较 ,从二元逻辑回归获得。最优 ,基于模型的能力区别正确的预测之间存在和没有信用证,作为决定性因素(41]。指Ng et al。7]因为细节最佳的识别 。以下条件从而提供每个讨论决定:

的检查,

注意,独立变量、速度差异( )和密度差异( ),都在原点定义的不同目的地的车道。因此,制定P(LC)在细胞传播模型不同LC为从左到右和从右到左车道。

流入的匝道指的速度前馈定义为时间每车道改变事件的持续时间(秒/ LC)估计取自美国- 101数据。鉴于流入从140年的平均入站在阿明费每15分钟,1 veh每6秒时间步的速度,因此,假定在这个研究。

3.2.3。入住率模型

汽车的数量的入住率细胞在以下步骤中, ,更新基于交通流守恒的细胞(8,9汽车的数量在细胞)在接下来的时间步长, ,等于车辆在细胞的数量在当前时间步长,加上进入的车辆数量,和-车辆的数量, 在哪里表明细胞 ; 和代表下游和上游的细胞 ,分别;车辆进入细胞的流入在时间 ,而车辆离开细胞的流出吗进细胞 在时间 。然而,上面的方程中只考虑纵向运动车辆流动和忽略了车道之间的横向运动。通过考虑横向运动方程更新如下:

图4显示了一个示例流的周围的一个细胞。细胞的入住率更新如下:

注意,一些运动可能不可用,这取决于道路布局,特别是在最左边的和最右边的车道。然而,背后的理论增加流入-流出仍然成立。

一般来说,发展细胞传输模型的第一步首先填充初始状态的入住率在时间步的开始, 。实现这个方法在真实的场景中,初始状态的入住率可以获得实际的现场数据,通过计算每个离散细胞期间的车辆 。与此同时,车辆的流动然后计算细胞之间 。在接下来的时间步长, ,然后更新基于细胞的入住率在前一节中讨论。剩下的时间步骤,制定流程和入住率然后重复多少次就期望与实际交通流条件。

4所示。现场数据的准备与CTM验证

本节展示了原始的微观领域的数据位中提取相关信息需要作为CTM模型的输入。

4.1。美国- 101 NGSIM数据

在这项研究中,一个数据集包含一系列个人微观的轨迹从著名的广泛访问我们- 101 NGSIM数据库被用来提取所需的信息作为输入发展中使用细胞传输模型。在这项研究中,收集的数据集在美国101号公路(好莱坞高速公路)由6车道的一个方向。短的开关坡道连接辅助车道将用于验证模拟中医。研究区域的车道编号可以观察到在图5在下面。

验证的数据集是采用离散成一个细胞的形式定义的空间在时间长度。细胞大小的单元配置和开始和端点之间的细胞向匹配处理我们与模拟CTM - 101数据。在这里,细胞大小配置的研究区域是固定的t= 6秒,l= 110 (eq。361英尺)(42,43]。在原领域数据集,Local_X_f(t)定义了车道从通道1的位置(在英国《金融时报》),而Local_Y_f(t)定义(英尺)的位置细胞开始前大约150米文图拉大街上。为了避免处理的噪音在初始和晚期,第一个单元格Local_Y_成立f(t)坐标从60英尺,在2028英尺的结束。的车道位置和细胞位置指定单元格大小重新定义如下。

4.2。输入数据的提取

模拟中医模型中,一些信息从我们- 101作为输入数据。这些是:(i)的车辆数初始状态条件,(2)需求进入第一个细胞,在入站(3)流入,流出(v)离开最后一个细胞。原始数据由车辆id用于学习时间的每一个时间框架。每个时间步长,车辆进出的数量可以计算每个单元跟踪车辆ID在所有步骤的时间。使用MATLAB开发了一个算法来处理车辆ID。该算法可以识别车辆身份的差异存在于每个细胞和在每一个时间步长,可以进一步帮助消除车辆的重复ID之间的时间步骤给信息需求进入和流出离开每一个细胞。

高速公路以来没有空的初始时间研究期间,有必要估计每个链接的初始入住率通过使用相同的方法如上。否则,将会有更少的汽车比实际流量条件下的模拟。最初的入住率估计是通过测量获得的高速公路上汽车的数量开始时间的研究。一个等效单元的乘用车单位1高压3.5轿车1辆摩托车0.5乘用车,用于模拟交通流(44]。

5。数值结果

测试的性能模型对观测数据,本节提出了集成的结果车道改变基于模型的逻辑回归到CTM模型对各种初始需求和初始入住率场景。第一个场景测试是一个场景5车辆/时间步和0车辆/细胞初始需求和入住率,分别为一个细胞大小固定t= 6秒,l= 110。这个细胞大小的选择是首次提出逻辑回归后巷变化模型(37),然后作者建议使用长时间步骤产生更强的概率。随着单元尺寸,33)验证的存在多个车道变化对细胞在相同的数据集大小大于地平线的时候,t= 6秒和细胞长度,l= 110,这将导致模型精度的可靠性。

图6显示的变化总细胞入住率对增加时间步长不同的车道。这些入住率是基于所有的细胞都在同一车道的居住者编制一段时间348年的步骤。在图6,观察该模型能够捕捉交通行为形成的过程中,传播、车道和细胞内和耗散的队列。增加的趋势代表数量的增加车辆在车道队列形成,而这些队列的下降趋势显示了耗散。陡峭的斜坡在第一个10 - 20秒表示初始化期间或加热时间仿真模型的流量达到平衡。

5.1。验证与我们CTM - 101

接下来,比较基于均方根误差和方差分析(方差分析)测试比较了用例的中医有或没有的LC模型预测精度根据实际的数据集。具体来说,比较基于细胞之间的入住率是少数情况下的实验。案例1:中医没有LC模型案例2:中医与固定LC百分比案例3:中医与LC固定的百分比在60% (RL)和35% (LR)案例4:中医与逻辑回归

网络拓扑结构包括车道和细胞位置用于上述情况见附录A1。边界细胞应用于两端,分别之前和之后的第一个和最后一个单元的仿真模型。

为了避免偏见从训练数据当比较两个ctm,相同的数据集通过相同的需求在同一的开始和结束时间。在这项研究中,现实世界的数据从我们的离散形式- 101的细胞形式采用相同大小作为评价地面真理。不同情况下的模拟入住率CTM(例1 - 4)与观察到的入住率从离散- 101数据计算均方根误差(RMSE)所示以下方程: 在哪里从中医模拟入住率的细胞模型和是观察到的入住率的细胞。是观察的总数。

应该注意的是,集成的二进制逻辑巷变化模型验证了NGSIM数据本身的宏观细胞形式(7]。车道改变模型的准确性通过曲线下的面积(AUC)接收机操作曲线的性能措施,其研究结果表明,车道变化模型与试验数据的吻合相当好AUC的0.76。案例1:中医没有LC模型

在案例1中,只有流模型,它允许车辆流从一个细胞到另一个被认为是相同的输入需求,初始状态,并为每个时间步流出。在这种情况下,所有车辆都假定在同一车道,旅游,没有车辆变换车道。

附录A2提供案例1的结果是所有细胞和细胞的趋势入住率比较了CTM和美国在50 - 101数据^th,100年^th,200^th步骤,分别。平均入住率在348 -时间步也提供,即x设在代表了不同的细胞位置之间比较,中医(基于案例1)和美国——101年的数据。

进一步观察是否有差异之间的入住率估计CTM和美国- 101,一个方差分析(方差分析)。方差分析测试是否意味着入住率是一样的 在哪里是概率值在任何方法意味着什么 。假设一个错误是在控制的= 0.05,然后F(0.95,65)= 3.99 1和65相关的自由度误差项的因素水平和给定的数据。决策规则是,因此, 例2和例3:中医与固定LC百分比

例2和3分配一个固定比例的LC CTM模型。在案例2中,一个固定的概率30%分配之间的横向运动车道从左到右和从右到左车道(25]。这个比例已在过去研究开发CTM模型。决定改变巷(0或1)预测是基于随机概率分配给特定的细胞。

3,60%的车道分配车辆在车道改变从右到左车道,而35%分配LC的相反的方向。所定义的右手交通规则,最左边的车道车道以最高的速度,从而降低逐渐转向右边。在这种情况下,假设研究区位于斜坡,而不是研究远离这些地区之前,一个更高比例的可自由支配的车道变化(即。,速度安慰)预计LC从左到右车道。入住率CTM和美国- 101之间的比较例2和例3所示附件A3、A4。

5.1.1。中医用逻辑回归

4,相同的流量公式应用于中医模型。然而,而不是分配一个固定比例的车道变化之前,车道变化模型与真实的数据添加到广义流模型允许巷变化预测基于车道之间的速度和密度的差异。数据7- - - - - -9显示细胞入住率的比较例4。

表1总结了估计平均入住率,RMSE,方差分析测试的结果对所有案件。可以看出每个细胞的平均入住率为所有四个病例是低估了实际的我们——从101年的数据,平均约为6.93 veh /细胞。当比较所有情况下与美国- 101,4例表现出最接近的估计与实际数据约10.9%。这是紧随其后的是案例1(14.0%),3例(15.7%),和2例(16.3%)。这种区别是进一步验证了其小RMSE中发现的错误。总的来说,整个RMSE CTM和美国- 101之间被发现在0.04(平均0.2)。这表明一个好的预测这些模型的准确预测细胞入住率。

从方差分析的结果进行使用测试,观察到值在所有情况下都大于0.05,F_暴击= 3.99发现大于所有Fs估计所有病例。这表明零假设,所有意味着相等无法被拒绝。因此,中医的估计入住率估计与假设是一致的团体之间的人口意味着是相等的。换句话说,它们之间的估计入住率差别并不是很大。

验证车道改变行为估计从中医的逻辑回归模型,获得的总差异LC求和LC的数量在每个方向上的每个车道整个模拟运行。估计数量的LC预测从美国- 101数据然后预测LC发现总数相比中医模拟运行。中医的模拟结果,73%的平均差异与左LC更高的预测是正确的信用证。类似的观察发现了信用证的数量估计从我们- 101两者之间的差异为72%信用证的方向。在的结果提出了CTM模型和现场数据,估计数量的LC右车道的车辆左边的车道是高于其他方向。

5.2。与I80高速公路

除了比较模拟入住率与美国CTM - 101之间的估计数据,CTM-based逻辑回归也应用于不同的高速公路。在这里,I80公路还发现在NGSIM数据使用。这公路大约也有类似的布局和美国一样的长度- 101高速公路,减去出站加上和辅助线路,加上一个额外的主车道。数据10 ()和10 (b)显示布局和高速公路的CTM拓扑,给定相同的单元尺寸(组t= 6,l= 110)在前面的情况下使用。

CTM-based逻辑回归的计算以同样的方式进行,不包括输入,初始状态,和输出流量,这是基于I80高速公路的实际情况。表2提供每个变量的参数,它的意义是基于美国广义- 101数据集,并应用在这个高速公路是否模型可以准确预测相同的结果与实际I80公路。根据变量“车道方向变化”,左边的车道之间的车道变化变化和右车道变化是考虑减少车道变化预测的偏差。车道变化的方向是类别变量,引入一个0或1的价值指的是左边的车道变化和右车道变化,分别。车道变化的方向作为分类变量,左和右合并的结果可以被识别的概率估计模型。

数据11- - - - - -13显示比较模拟中医和实际之间的估计入住率I80数据。从中医的平均入住率模拟被低估了实际数据占用的大约5.2%。平均入住率约从模拟中医veh /细胞被发现在7.38,而实际的I80 veh /细胞平均为7.76。比较两个结果,整个RMSE估计为0.074(平均0.3),而且还相当小的错误。此外,如表所示3基于F统计0.97,方差分析测试观察之间的关系没有显著差异的入住率估计模拟中医和入住率从实际I80观察数据。

进行评估和验证,split-sample方法用于数据被随机分为两个部分:(i)训练数据来开发模型和(2)测试数据来衡量其性能。由于样本量足够大,80%的样本被用来训练模型,而20%的样本划分为一个独立的部分逻辑回归模型的测试评价。随机分割做了一次,以确保特征类似于训练数据集。程度预测巷变化概率同意实际的结果给出一个总体真实正确的预测为66.41%。尽管车道改变基于模型的逻辑回归训练不同的布局,测试模型仍然设法估计入住率是另一个位置的实际数据。这意味着为了估计交通状态在不同地点,使用交通变量(即。、速度和密度差异)用于识别车道变化的预测是可行的。

6。结论

良好的交通仿真模型应该健壮和可靠如果充分考虑交通行为的变化。本文关注是否现有单元传输模型,外加车道改变基于模型的逻辑回归,可以进一步提高实际复制模拟模型与实际的交通状况。使用逻辑回归模型巷变化模型在先前的研究已经完成,但这个模型的集成到交通仿真模型还没有做过。

鉴于广义上的潜在变化模型,该模型可以预测车道改变事件基于车道之间的速度和密度的差异,一个新的方法,提供整合物流通道的方法改变模型转化为细胞传输模型提出了。物流通道变化模型被修改在一定程度上,它可以产生合理的后巷变化概率的估计任何改变在细胞大小。修改后的车道变化模型,广义,简单,而且容易构造,使得它们更容易被集成到CTM模型的制定。

证明该方法的有效性,提高中医的可靠性模型是通过比较测试结果生成自模型与实际数据。本研究的结果表明,改进后的模型可以模拟交通状态尽可能真实的一个。特别是模拟入住率的基础上合理地遵循了CTM实际观察的模式与整体RMSE被发现在0.03 - -0.04之间(平均0.2)中医和美国- 101。这表明一个好的预测模型的准确预测细胞入住率,以及证明其可靠性与整体RMSE另一组位置估计为0.074(平均0.3)。然而,结果表明,模拟中医,一般来说,低估了他们的入住率。这可能是由于人为错误的存在时参与轨迹数据集的离散细胞形成。轨迹数据的离散化涉及车辆的痕迹id来标识lane-by-lane输入要求和流出在每一个仿真时间间隔。大型数据集的识别进一步复杂化的参与车辆IDs因失踪车辆或随机数据的不匹配视频处理中的错误的轨迹。一个类似的工作45),他还开发了CTM动脉流量建模使用NGSIM Lankershim数据,还提到缺乏必要的交通数据。从这个模拟,它是意识到的一些输入一个简单的宏观模型仍无法访问或直接测量。虽然详细的轨迹NGSIM数据被用来获得大多数模型的输入,这些数据的时间还短,网络覆盖很小,不允许一个更全面的仿真研究,包括更多的交通现象进行大范围和时间。

此外,流量测量的数据点探测器(如循环探测器)可能不是在大多数高速公路,导致模型的输入如最初的入住率不是可用的。在这种情况下,高速公路和最大退出流动的边界流无法衡量。为了建立高速公路交通模型,探测器,因此,需要提供必要的和准确的测量。

可以提高模型精度的收集需求流入和流出不太费力的获得。因此,拟合了一套合身的流入和流出分布是一种去下一章。这涉及到开发一组不同的模型将重载在本章讨论。此外,其他可能的结果,如车道改变利率,延迟,队列和旅行时间也可能有用执行模拟和实际数据之间的比较。这在未来将进一步讨论研究。

附录

A1。莱恩和细胞位置- 101高速公路

车道和细胞位置对我们来说- 101高速公路是表4所示,在图14中解释道。

A2。与我们验证中医案例1 - 101

比较之间的入住率CTM和美国- 101:50 (a)^th100年,(b)^th,(c) 200^th时间步的所有细胞。

比较每个细胞的平均入住率持续时间/总时间发现中医和我们- 101之间。

比较之间的入住率CTM和美国- 101在特定的细胞:(a) C2L3, C3L3 (b)和(c) C4L3(图15)。

A3。验证CTM - 101例2

比较之间的入住率CTM和美国- 101:50 (a)^th100年,(b)^th,(c) 200^th时间步长。

比较每个细胞的平均入住率持续时间/总时间发现中医和我们- 101之间。

比较之间的入住率CTM和美国- 101在特定的细胞:(a) C2L3, C3L3 (b)和(c) C4L3(图16)。

A4。验证CTM - 101例3

比较之间的入住率CTM和美国- 101:50 (a)^th100年,(b)^th,(c) 200^th时间步长。

比较每个细胞的平均入住率持续时间/总时间发现中医和我们- 101之间。

比较之间的入住率CTM和美国- 101在特定的细胞:(a) C2L3, C3L3 (b)和(c) C4L3(图17)。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

CN、SS和公里概念研究。CN和学生发展的方法。CN和SS正式执行分析。CN和SS执行验证。CN、SS和公里进行调查。CN wrotethe初稿。CN、SS和公里审查和编辑文章。CN进行可视化。SS、公里、IC监督这项研究。党卫军执行项目管理; . SS, KM, and IC were responsible for funding acquisition.

确认

这项工作是支持通过NGSIM联邦高速公路管理局提供的数据美国运输部(供)。作者要感谢蔡恩梁先生为他的技术贡献和约瑟夫·Ng先生审核。这项研究是由教育部马来西亚(邻蒙古)基础研究资助计划(德意志联邦共和国)(项目代码德意志联邦共和国/ 1/2019 / TK01 / MUSM / 03/1)和支持部分由日本促进社会科学(jsp) 20 k04531科学研究补助金(C)。