Table of Contents
כבישים עירוניים יוצרים את עמוד השדרה של רשתות תחבורה מטרופוליטן, נושאים מיליוני נוסעים ומוצרים מדי יום.אבל כאשר ערים מתרחבות ונפחי רכב גדלים בבטחה, אלה עורקים לעתים קרובות להיות מחוספס, במיוחד במהלך תקופות שיא.בין התופעות המשבשות ביותר בזרימת התנועה החופשית היא FLT:0spillbackFLT:1 - מצב שבו תור מטה מרחיב לאחור דרך הדגמה, על פני ערים מתקדמות, אפילו על פני השטח, מבלי לשנות את ההשפעות של יעילות, או ירידה, אפילו על פני השטח, או ירידה מדויקת יותר, או ירידה מהירה יותר, או ירידה מהירה יותר, עיצוב של יעילות גבוהה יותר, או ירידה מהירה יותר, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 חזק יותר ויותר, 000 אופציונלית ביצועים מתקדמים, 000, 000, 000 יעיל יותר ויותר, 000 אופציונלית, 000 אופציונלית ביצועים מתקדמים יותר ויותר, 000 עמוק יותר, 000 אופציונלית ביצועים מתקדמים, 000 אופציונלית, 000, 000, 000 אפילפטיבית, 000, 000 אופציונלית, 000 קיבולת גבוהה יותר, 000 אופציונלית ביצועים מתקדמים, 000 אופציונלית, 000
טבע התנועה Spillback ב- Urban Freeways
דלפק תנועה מתרחשת כאשר הביקוש בצוואר בקבוק עולה על היכולת שלו, גורם כלי רכב תור במעלה הזרם.בניגוד לעומס פשוט שנותר הכלול בתוך פלח כביש חופשי, שפךback propagates לתוך חיבור מתקנים - ramps, כבישים אמנותיים, ואת הרחובות המקומיים - אכילת קערה של עיכובים שיכולים לקרוע עבור קילומטרים.
ההשלכות משתרעות מעבר לאי נוחות.ספיבק מעלה את הסיכון להתנגשות אחורית וצדדים, מדגימות את זמן הנסיעה אמינות, מעלה צריכת דלק ופליטות, ומפחיתה את היכולת האפקטיבית של כל המסדרון.המחקר מהמינהל לכביש הפדרלי (ראה:0FHWAFLT:1) מצביע על כך שפינוי דרכים חופשיות לרחובות אל פני השטח עבור נתח משמעותי של עלויות זיהום עירוניות, במיוחד במהלך עיכובים.
Defining Spillback in a Modeling Context
בתיאוריה של זרימת התנועה, שפך הוא תואר רשמית כגלי הלם מתקדמים המתרחש כאשר הזרם נכנס קישור עולה על הזרם שניתן לשחרר למטה הזרם.זה נתפס על ידי דיאגרמת היסוד של זרימת התנועה, שבו קפיצה מזרימה גבוהה, מצב של שקיפות נמוכה לזרימה נמוכה, מצב של זהירות גבוהה יוצר גל דרמטי של מודלים.
מדוע מודלים של Spillback הם קריטיים עבור ניהול עירוני חינם
למרות ההשפעות הברורות שלה, שפך ההיסטוריה כבר מיוצגת על ידי חיזוי תנועה קונבנציונלית וכלים סימולציה.מודלים מאקרוסקופיים רבים מתכננים ברמה גבוהה להניח כי גודש מהיר נשאר בתוך הכביש המהיר, מפשט את האינטראקציות עם הרשת הסובבת. פער זה מוביל להפחתה של תורים, תוכניות תזמון פגומים, ואסטרטגיות תזמון ניתוק יעיל של תגובה המודרנית.
- (FLT:0) אישור תור: estimation:cioFLT:1) Accurate לשפוך לאחור מודל צופה כמה עומס יתר ירחיב מעבר לצוואר הבקבוק, המאפשר עיצוב טוב יותר של שטח אחסון על רמפות ואומנות.
- (FLT:0) ניהול מסדרונות משולב:FreaLT:1 כאשר פעולות חופשיות ואומנותיות מודל יחד, ניתן למנוע שפך על ידי תיאום מדמינג, תזמון אות וניקוי אירועים.
- (FLT:0) שיפור שליטה הסתגלות בזמן אמת:מודלים 1:1 שלוכדים דינמיקות שופכות יכול להאכיל במערכות בקרת אותות הסתגלות אשר מתאמת תזמון לפני תור חופשי משתלט על צמת.
- (FLT:0) השקעה בתשתיות: FLT:1 מקבלי ההחלטות משתמשים סימולציות שפך כדי להעריך את היתרונות של נתיבים עזריים, אזורי התחדשות מורחבים, או שינויים נפרדים בכיתה.
גישה לדגם של סחר חליפין
מודלים של תעבורה מעסיקים היררכיה של גישות, כל אחד עם כוחות שונים דרישות נתונים.שלוש המשפחות העיקריות - מקרוזוסקופי, מיקרוסקופי ומיקוסקופ - כל מטפל בהפצת שפך בדרכים נפרדות.
מודלים מקרוזקויים
מודלים מקרוזקויים מתייחסים לתנועה כנוזל מתמשך, באמצעות משתנים מצטברים כגון צפיפות, זרימה ומהירות. המסגרת המקרוסקופית הנפוצה ביותר עבור שפך הוא FLT:0Cell Transmission Model (CTM) veFLT:1, שפותחה על ידי קרלוס Daganzo בשנות ה-90.
חוזקות של מודלים מאקרוסקופיים כוללות יעילות חישובית - מה שהופך אותם מתאימים לסימולציה רשת בקנה מידה גדול אופטימיזציה - וגמישות אנליטית.עם זאת, הם לא יכולים ללכוד אינטראקציות רכב בודדים או גיאומטריה מפורטת של שינויים מורכבים.
מודלים מיקרוסקופיים
מודלים מיקרוסקופיים לדמות כל רכב בנפרד באמצעות מעקב אחר רכב, החלפת נתיב, וחוקים פערים-קבלה.חבילות פופולריות כגון FLT:0SUMO (Simulation of Urban MObility)FLT:1 ו VISSIM יכול לייצג לשפוך בחזרה ברמה הגבוהה ביותר של סימולציה מיקרוסקופית, כלי רכב שאינו יכול לנוע קדימה כי תא למטה הוא פשוט לעצור ולהמתין בדיקות מבוזרות (מתאים משולבים בדגמים).
החיסרון העיקרי הוא עלות חישובית: סימול עשרות אלפי כלי רכב על רשת עירונית גדולה במשך שעות רבות יכול לדרוש זמן עיבוד משמעותי. Calibration דורש גם נתונים שדה נרחב, כולל התפלגות נתיב ופרמטרים משתנים.
מודלים מכניים
מודלים Mesoscopic לגשר על הפער על ידי קיבוץ כלי רכב לתוך חבילות או באמצעות התפלגות פרובביליסטית לייצג מהירות וצפיפות, בעוד עדיין שמירה על רמה מסוימת של התנהגות אישית.TheFLT:0Link Transmission Model (LTM)FLT:1 וגרסאותיה עדיין לוכדות את הסימולציות הפופולריות שלו.LTM נמנעים מניתוק קישורים לתוך תאים; במקום זאת, הוא קובע את הסימולציות המצטברות בכפוף לתפקודים במהירות.
מודלים Mesoscopic הם לעתים קרובות הכלי של בחירה סוכנויות תכנון אזוריות כי צריך לדמות מאות קילומטרים רבועים של רשת עם נאמנות סבירה.הם משמשים גם פלטפורמות ניהול התנועה בזמן אמת שבו מהירות היא רבת ערך.
גורמים מרכזיים המשפיעים על ספיגה
מודל שפך יעיל חייב לייצג במדויק את הגורמים הקובעים כמה מהר וכמה פיזור רחוק.
- (FLT:0) תבניות הביקוש הטרופי: FLT:1rea: נפח כלי רכב המגיעים צוואר בקבוק במהלך תקופות שיא משפיע ישירות על אורך התור.מודלים חייבים להיות מודבק עם מזחלות בעלות זמן, אשר משקפים דפוסים בפועל של נסיעה.
- (FLT:0)Bottleneckure: 1FLT: היכולת של קו הראשי המהיר, הרמפות וגישות הצטלבות היא הגורם העיקרי של תחילת אזורי עבודה, אירועים, או אירועי מזג אוויר להפחית באופן זמני את היכולת, גרימת שפך יותר בקלות.
- (FLT:0)Ramp ממטר ואסטרטגיות בקרה: FIRLT:1 ; Ramp מסדיר את זרימת הכניסה לנתיב חופשי כדי לשמור על נפח הראשי מתחת ליכולת.כאשר מטרים פועלים ביעילות, שפך הוא deferred או מונע.
- (FLT:0 תזמון זרמי בצומת סמוכים:03: איורים 1) אשר משרתים טרמינלים רמפות לעתים קרובות הופכים לקורבנות הראשונים של שפך.אם שלב ירוק מסתיים בעוד הגדלה מלאה, התור עשוי לחדור לתוך נתיבי תנועה כלליים.
- (FLT:0) מגבלות גיאומטריות: FLT:1 עקומות שארפ, אזורי מיזוג קצרים, ואורך אחסון רמפה מוגבל משפיע על כמה מהר תור יכול לתפזר.מודלים חייבים לשלב את הפרטים הגיאומטריים האלה, או במפורש (במיקרו-סמבייט) או באמצעות גורמי תיקון קיבולת (במודלים מקרו/מסו).
- (FLT:0) זמני התגובה לניהול ניהול:FreaLT:1) מהר יותר אירוע ברור, הקצר יותר משך הקיבולת מופחתת, ואת התוספים פחות לשפוך.
יישומים מעשיים של Spillback Modeling בשדה
סוכנויות תחבורה ברחבי העולם מפיצות מודלים של שפך כדי לשפר את הפעילות היומיומית ואת תכנון לטווח ארוך.
ניהול משולב (ICM)
(היוזמות בעיירות כגון דאלאס, סן דייגו, ו-אפוליס משתמשות במודלים בזמן אמת כדי לתאם פעולות מהירות ואומנותיות.כאשר שפך מזוהה בפריסה, המערכת מתאמת תזמון אותות על טלוויזיות מקבילים כדי להגדיל את הזמן הירוק ליציאה הרמפה, או שהיא משנה את שערי מד רמפות כדי למנוע queuing נוסף.A מחקר על ידי מחלקת התחבורה של 10.com לעומת 10.5% של פעילות לא מקוצרת ל- 15.
ניהול אזורי עבודה
במהלך הבנייה, סגירת נתיבים ליצור צווארי בקבוק עם יכולת מופחתת באופן דרסטי.מודלים Spillback לעזור למהנדסים לתכנן תוכניות בקרת תנועה זמניות הכוללים אורך קלף בשפע ושטחי אחסון עבור שינויים.לדוגמה, המחלקה של התחבורה של קליפורניה (Caltrans) משתמשת סימולציה מיקרוסקופית כדי להעריך תצורה של אזור העבודה לפני יישום, להבטיח כי תורים לא לשפוך בחזרה על שינויים של הזרם.
תגובה של Real-Time
מרכזי ניהול תנועה (TMCs) משתמשים כעת במודלים של תעבורה מקוונים שנתוני הגלאיים המקיפים וחיזוי אבולוציה של שפך במהלך אירועים.מודלים אלה יכולים לצפות תור אורך 15-30 דקות קדימה, ומאפשרים למפעילים להפעיל סימני הודעה משתנים של מסלולים חלופיים, להתאים את שיעור הפחתת הפחתת הפחתת התעריפים, ולפרוס קבוצות תגובה באופן יעיל יותר.
רכב מחובר ואוטומטי (CAV) יישומים
כאשר כלי רכב להיות מצויד תקשורת V2X, מודלים של שפך יעברו מחיזוי פסיבי לשליטה פעילה.רכב מחובר מתקרב לאזור שפך יכול לקבל המלצה לשנות נתיבים או להאט בהדרגה כדי להחליק את גלי הזעזוע.סימולציה מחקרים מציעים כי אפילו נמוך של חדירה מחובר כלי רכב יכול להפחית חומרת שפך על ידי תיאום של deceleration ודפוסי האצה.
אתגרים ב- Spillback Modeling
למרות ההתקדמות, כמה אתגרים נותרו להגביל את הדיוק והאימוץ של מודלים של שפך.
זמינות נתונים ואיכות
מודלים Spillback דורש נתונים לא רק מ גלאי קוליין חינם, אלא גם מ רמפות ואומנות - אזור שבו סוכנויות רבות יש כיסוי ספארי. לולארוס, חיישנים מכ"מים, ו- Bluetooth reidentification יכול לספק מידע חלקי, אבל פערים נשארים.
מודל קליברציה ואימות
קלברת מודל שפך לשחזר את האבולוציה של תור צפה הוא מורכב. פרמטרים כגון צפיפות ריבק, מהירות גל ויכולת השחרור יש להתכוונן עבור כל מיקום וזמן. אימות הוא אפילו יותר קשה כי אירועי שפך הם וידאו נדיר יחסית באיכות גבוהה או נתונים במהלך אירועים הוא לעתים קרובות לא זמין.
המונחים: Scalability
עבור יישומים בזמן אמת, מודל שפך חייב לרוץ מהר יותר מאשר זמן אמיתי תוך כיסוי רשת עירונית גדולה. מודלים Mesoscopic לעתים קרובות לספק דרישה זו, אבל מודלים מקרוסקופיים עשויים להיאבק כאשר גודל הרשת עולה על כמה אלפי קישורים.
המונחים: heterogeneity
נהגים לא תמיד מתנהגים רציונלית במהלך הצפיפות.חלקם עשויים לחתוך באופן אגרסיבי לתור או לבחור מסלולים חלופיים בלתי צפויים.במודלים מיקרוסקופיים, שילוב של שינוי נתיבים סטוצ'יסטי ובחירת נתיב הוא חיוני אבל מגביר את המאמץ הקליר.
כיוונים עתידיים ב-Spllback Modeling
הדור הבא של דגמי שפך ינף את למידת המכונה ואת הנתונים ברזולוציה גבוהה כדי להתגבר על המגבלות הנוכחיות.
Machine Learning for Queue Prediction
החוקרים מפעילים רשתות עצביות עמוקות על נתוני הגלאי ההיסטוריים כדי לחזות את אורך התור ותזמון שפך ללא תיאוריית זרימת התנועה המפורשת.מודלים המונעים על ידי נתונים אלה יכולים להתאים לתנאים המקומיים והם יעילים במיוחד עבור תחזיות לטווח קצר (5-30 דקות קדימה).
אופטימיזציה בזמן אמת עם Reinforcement Learning
סוכני Reinforcement למידה (RL) יכולים ללמוד לשלוט על מ"ר ותזמון אותות באופן מתואמת למזער את ההתפשטות של שפך.בניגוד מערכות מבוססות חוק, סוכני RL לחקור את המרחב הממלכתי ולפתח מדיניות שמצפה לפני שהוא מתרחש. פיילוטים על מסדרונות מדומים בלוס אנג'לס ו- סיאטל מצביעים על הפחתה אפשרית של זמן נסיעה של 5–8%.
שילוב עם פלטפורמות חכמות
כבישים עירוניים הופכים לחלק ממערכות אקולוגיות עירוניות חכמות רחבות יותר, שבהן נתונים מסימנים תנועה, מצלמות, מערכות חניה ומבצעי מעבר מתאספים.מודלים של Spillback שיכולים ליישר את הנתונים העשירים הללו ולספק תובנות ניתנות לפעולה יהפכו למרכז לניהול ניידות בעיר.
מסקנה
דלפק התנועה על כבישים עירוניים היא בעיה מתמשכת ויקרה הדורשת כלים מתוחכמים מודלים.מבין מכניקת הגל הבסיסית לפרוס מערכות בקרה הסתגלות בזמן אמת, מהנדסים התקדמו משמעותית בחיזוי והפחתה של אפקטים של שפך. Macroscopic, מיקרוסקופי, וממודלים mesoscopic כל אחד מציע יתרונות ייחודיים, ובחירת הגישה תלויה בקנה מידה היישום, זמין, נתונים, משאבים חישוביים כמו גם כדי להגדיל את המודל העירוני של ניהול יעיל יותר, לא פחות טוב יותר, הוא להמשיך להיות יעיל יותר, הוא בטוח, לא פחות מטווחי של איסוף נתונים, ולא יעיל יותר, הוא עדיין יעיל יותר, כמו גם כן, הוא בטוח, כמו גם כן, כמו גם מודלים ניהול יעיל יותר, הוא בטוח יותר, כמו גם מודלים ניהול יעיל יותר, הוא בטוח יותר, הוא בטוח, כמו גם כן, יעיל יותר, כמו גם מודלים של ניהול יעיל יותר, כמו גם מודלים של ניהול יעיל יותר, יעיל יותר, יעיל יותר, יעיל יותר, כמו גם מודלים ניהול יעיל יותר, כמו גם מודלים ניהול יעיל יותר, כמו גם מודלים של ניהול יעיל יותר, כמו גם מודלים ניהול יעיל יותר, כמו גם כן, הוא בטוח, כמו גם מודלים של ניהול יעיל יותר, כמו גם מודלים של ניהול יעיל יותר, הוא עדיין, כמו גם מודלים של ניהול יעיל