פיתוח מודלי תנועה המשלבים את יכולת ההתנהגות של ההתנהגות של האדם

מבוא

מודלים התנועה היא חיונית לתכנון מערכות תחבורה בטוחות ויעילות יותר.מודלים מסורתיים מניחים כי נהגים מתנהגים באופן אחיד, אבל במציאות, התנהגות הנהג האנושי משתנה באופן משמעותי על פני אנשים, קונטקסטים, וזמן. יכולת זו נובעת מהבדלים ביכולות קוגניטיביות, תפיסת סיכונים, נורמות תרבותיות ואפילו מקריות הרגעיות.התעלמות מההבדלים הללו מובילה לדגמים שפתרונות של דינמיקה של עולם אמת-החומרה, תוך חיזוי של שיטות של תאים, וכישלונות, וכישלונות של שיטות בקרה מדויקות יותר, וכישלונות של שיטות בקרה וכישלונות של תאים, יכולות לחיקוי, וכישלונות של שיטות בקרה מדויקות יותר.

מאמר זה בוחן מדוע התנהגות הנהג חשובה, השיטות העיקריות המשמשות למודל אותה, את האתגרים שנשארים, ואת ההוראות העתידיות המבטיחות שיעצבו מחדש את האופן שבו אנו מדמיינים ויחלו רשתות דרכים.

החשיבות של התנהגות נהג אנושי במודלים של תנועה

נהגים אנושיים אינם מערכות בקרה זהות.זמני התגובה שלהם, סף קבלה פערים, אפשרויות מהירות ודפוסי שינוי נתיב משתנים באופן נרחב.אפילו אותו נהג מתנהג אחרת בהתאם לעייפות, הסחות דעת, מזג אוויר או דחיפות.הריאציות הללו יוצרות תופעות בולטות כגון גלי הפסקת-נגו, פקקי תנועה phantom, ודפוסי זרימה סימטריים - אשר ניתן לשחזר על ידי מודלים כי לטפל כל הנהגים ההומוגנים כמו סוכנים הומוגניים.

מחקרים מראים כי שילוב של נהג heterogeneity משפר את נאמנות המודל.לדוגמה, מחקרים השוואת מודלים מעקב אחר מכוניות הומוגניים לאלה עם זמני תגובה מבוזרים למצוא כי heterogeneity טוב יותר לשחזר את היכולת טיפות צווארי בקבוק ואת מהירות ההתפשטות של גלי הלם (ראה FLT:0Treiber & Kesting, 2017Falureation מודלים מדויקים יותר עבור בדיקות בטיחות דיוק.

ההשלכות המעשיות הן משמעותיות.מהנדסי התנועה מסתמכים על מודלים כדי לקבוע מגבלות מהירות, תזמון אותות עיצוב, תצורה של נתיבי נתיב, והערכה של ההשפעה של תשתיות חדשות.אם התנהגות הנהג אינה מיוצגת, החלטות אלה עשויות להיות מבוססות על הנחות שגויות, מה שמוביל לתכנון תת-אופטימי או אפילו לא בטוח.

מקורות חשובים של השתנויות התנהגותית

התנהגות הנהג יכול להיות מסווג לכמה ממדים:

• (FLT:0) Experience and Skills: FLT:1 נהגים מתחילים יש יותר זמן תגובה ולקבלת פער עקבית פחות.
• (ב) לסובלנות:0Riskסובלנות: 1:1 כמה נהגים לאמץ ראשיים שמרניים, בעוד אחרים מקבלים פערים קצרים יותר, במיוחד במצבים ממזגים ומשתנים נתיבים.
• (FLT:0) תשומת לב והסחתה: עומס קוגניטיבי:1 משימוש בטלפון, שיחה או תצוגות בתוך-הנפש משנה באופן משמעותי את זמני התגובה ואת הדיוק של שמירת הנתיב.
• (FLT:0) גורמים תרבותיים ותרבותיים: אבולוציה 1: 1 , תרבויות נהיגה אזוריות, גיאומטריה כביש ורשויות אכיפת השפעת על נורמות התנהגותיות כגון עמידה מהירה ותשואות.
• (ב) ⁇ :0) מדינות ממאירות: 1FLT:1 Fatigue, כעס או דחיפות (למשל, ממהר לעבוד) יכול לשנות את התנהגות הנהג באופן זמני.

שיטות לשילוב של שינוי התנהגות

כמה פרדיגמות דוגמנות פותחו כדי ללכוד את הטבע הסטוצ'י והטרוגני של התנהגות הנהג.כל גישה מציעה שינויים מסחריים שונים בין מורכבות, ריאליזם, ודרכיות חישוביות.

מודלים גנובים

מודלים סטוצ'סטיים מציגים אקראיות למשוואות דטרמיסטיות לייצג את חוסר יכולתה של החלטות אנושיות.לדוגמה, במודלים מעקב אחר רכב כמו מודל הנהג החכם (IDM), פרמטרים כגון מהירות הרצויה, פער מינימלי, וניתן לקחת בחשבון האצה מהתפלגות הסתברות ולא ערכים קבועים.זה נותן ספקטרום של התנהגויות בתוך סימולציה.

יישום משותף הוא להשתמש ב- Gaussian או התפלגות רגילה לזמן תגובה, עם משמעות ושונות ⁇ ⁇ ⁇ ⁇ מהנתונים אמפיריים (למשל, באמצעות מחקרים טבעיים נהיגה) מודלים סטוצ'סטיים הם קלים יחסית ויכולים להשתלב בסימולציות מקרוסקופיות או mescopic. עם זאת, הם מניחים כי variability הוא אקראי ולא קשור, אשר עלולים ללכוד הבדלים שיטתיים על פני סוגים.

מחקר שנערך על ידי FLT:0(Ma et al. (2019)FLT:1) הראה כי הוספת זמני תגובה סטוצ'יסטיים למודל אוטומאטון סלולרי שיפרה באופן משמעותי את יכולתה לשחזר את חלוקת אזורי זרימת התנועה.

המונחים: party

במקום להתייחס להתנהגות כקוראטית בלבד, גישה זו אוספת נתונים על מדדים התנהגותיים ספציפיים – זמן פעולה, האצה מקסימלית, ניכוי נוח, סף קבלה פער, משך שינוי נתיב, ומהירות הרצויה - ומקצה פרמטרים נפרדים לשיעורי נהיגה שונים.מקורות נתונים כוללים כלי רכב ממונעים, סימולטורים נהיגה, מחקרים נהיגה טבעיים וחיישנים כביש.

טכניקות קלוסטרינג (למשל, k-means, Gaussian Mix Models) יכולות לקבץ נהגים לפרופילים: "conservative", "נורמלי", ו"אגרסיבי" לכל פרופיל יש ערכי פרמטר משלו וחוקי מעבר.לדוגמה, נהג אגרסיבי עשוי להיות בעל ציר זמן קצר יותר של 0.8 שניות, בעוד נהג שמרני משתמש 2.0 שניות.

שיטה זו משמשת באופן נרחב בכלי סימולציה מיקרוסקופיים (למשל, VISSIM, SUMO) ואומתה נגד נתוני תנועה אמיתיים.ההההקפיד העיקרי שלה הוא הקושי להשיג נתונים התנהגותיים מדויקים בקנה מידה גדול עבור קליברציה.

מודלים מבוססי סוכנים (ABM)

מודלים מבוססי הסוכן לקחת סימולציה ברמה האישית שלה על ידי מתן כל סוכן הנהג קבוצה ייחודית של כללים התנהגותיים, יכולות למידה ותהליכי קבלת החלטות.בניגוד לגישות מצטברות או סטוצ'סטיות, ABMs יכול לשלב התנהגות הסתגלותית - לדוגמה, נהג לומד את תזמון האותות הטיפוסי בצומת ומתאים את האצה בהתאם.

כל סוכן תופס את הסביבה שלו (ההגדרות והמהירויות של כלי רכב הסמוכים, אותות תנועה, גיאומטריה כביש) ומחיל כללים שעשויים להיות ⁇ סטים או פרוביביליסטיים.האינטראקציות בין סוכנים מייצרים תופעות תנועה מסובכות שקשה לשכפל עם מודלים המבוססים על משוואות.ABMs הן בעלות עוצמה במיוחד עבור לימוד תרחישים מורכבים כגון מיזוג על כבישים מהירים, משא ומתן עגול, ואינטראקציות הולכי רגל.

דוגמה בולטת היא המודל החברתי של כוח מותאם לתנועה ברכב, שבו נהגים מושפעים מ"כוחות חברתיים" המייצגים את המהירות הרצויה שלהם ואת ההימנעות של כלי רכב אחרים.על ידי שינוי הכוח של הכוחות האלה על פני סוכנים, heterogeneity הוא הציג באופן טבעי.עם זאת, ABMs הם אינטנסיביים חישובי ודורשים אימות קפדני נגד נתונים אמפיריים כדי להימנע מהתנהגויות מתאימות או לא מציאותיות.

Machine Learning and Data-Driven Approaches

ההתקדמות האחרונה בלמידה של מכונות (ML) מציעה כלים חזקים להתנהגות הנהג למידה, ישירות מהנתונים של נתונים בקנה מידה גדול של מסלול. רשתות עצביות חוזרות ונשנות (RNNs), זיכרון לטווח קצר ארוך (LSTM) רשתות, מודלים של המירר יכולים לחזות טרקטוריות רכב על ידי לכידת דפוסים ברצף היסטורי.מודלים אלה מייצגים באופן מהותי את ההטרוגניות מכיוון שהם שונים בדוגמאות נהיגה.

יתרון מפתח הוא שמודלים ML יכולים ללמוד תלות עדינה, לא לינארית כי מודלים סימטריים מסורתיים מתגעגעים.לדוגמה, LSTM יכול לחזות שניות של הכוונה לשינוי נתיב לפני התמרון על ידי אופטימיזציה של המהירות האחרונה של הנהג ודינמיקה האצה מאוחרת יותר.זה מאפשר סימולציות תנועה לשלב התנהגות מציאותית, רגישה בהקשר.

עם זאת, מודלים ML הם לעתים קרובות ארגז שחור, מה שהופך אותם קשה לפרש ולאמת.הם דורשים כמויות עצומות של נתונים טרקטוריים מתוייגים - באופן חד-משמעי ממכשירים או מקטעי מזל"ט - והם עשויים לא להכלל היטב לגיאת כבישים בלתי נראים או משטרי תנועה.

אתגרים והזדמנויות

למרות היתרונות ברורים, שילוב התנהגות הנהג עמידות למודלי תנועה תפעוליים מציג כמה אתגרים משמעותיים.כתובת אתגרים אלה פותחת הזדמנויות לחדשנות באיסוף נתונים, חיפוי מודל ויישומים בזמן אמת.

איסוף נתונים ופרטיות

מודלים מדויקים דורשים נתונים נהיגה ברזולוציה גבוהה, טבעיים מדגימה גדולה ומגוונת של נהגים.גלאי לולאה מסורתיים ומצלמות ללכוד זרימה מצטברת, אך לא התנהגויות בודדות. מחקרים נהיגה טבעיים (למשל, מסד הנתונים SHRP2) מספקים נתונים לפני-קרש ונורמלי נהיגה, אבל הם יקרים ומוגבלים בהיקף גיאוגרפי.

כלי רכב מחוברים מודרניים וטלמטיות טלפונים חכמים יכולים לייעל נתונים טרקטוריים רצופים, המציעים מקור עשיר לקליטור.עם זאת, חששות הפרטיות ונושאי בעלות נתונים ליצור מחסומים לשיתוף ולתגות נתונים אלה.טכניקות אנונימיזציה ולמידה ממוזמנת יכול לעזור, אך הם מוסיפים מורכבות.ההזדמנות טמונה במסגרות מתפתחות המאפשרות מודלים ליהנות מהנתונים ההתנהגותיים ללא סיבוכים בודדים.

מורכבות

סימל מיליוני סוכנים heterogeneous בזמן אמת הוא תובעני חישובי.מודלים מבוססי פרמטר הם זולים יחסית, אבל מודלים מבוססי סוכן ו-ML-enhanced יכול לדרוש ימים של חישוב עבור סימולציה רשת גדולה.זה מגביל את השימוש שלהם בניהול תנועה בזמן אמת ואופטימיזציה.

הזדמנויות קיימות במינוף מחשוב במקביל, יחידות עיבוד גרפיקה (GPUs), וטכניקות הפחתה מודל. Approximate Bayesian חישוב ומודלים חלופיים יכולים גם להאיץ את ה calibration תוך שמירה על יכולת התנהגותית. as חומרה משתפרת, סימולציות heterogeneous מפורטות יותר יהפכו להיות הסתברות לשימוש מבצעי.

אימות ו-Celbration

קלברלינג מודל עם יכולת התנהגותית מורכב יותר מאשר לחטט אחד הומוגני.מרחב הפרמטר גדל עם מספר כיתות הנהג או דרגות החופש בהתפלגות הסטורית.ללא קלברציה נכונה, מודלים יכולים לייצר ריקנות לא מציאותית - אקראית או מקובצת מדי.

אימות דורש השוואת לא רק אמצעי תנועה מצטברים (זרימה, צפיפות, מהירות) אלא גם מדדים התפלגות כגון השחלות של כבישים, תדרי שינוי נתיב, ואת הצורה של פיזור חד-פעמי במהירות. שיטות מתפתחות כמו הקצאות ללא סבירות אופטימיזציה Bayesian משמשים כדי להתאים באופן אוטומטי התפלגות התנהגותית נתונים.

כיוונים עתידיים

הדור הבא של דגמי התנועה יהיה יותר מסתגל, עשיר בנתונים, ומשולב עם מערכות הבקרה של ערים חכמות וכלי רכב אוטונומיים.

הסתגלות בזמן אמת

במקום להשתמש בפיצויות התנהגותיות סטטיות, מודלים עתידיים יעדכנו כל הזמן את הפרמטרים שלהם בהתבסס על קלטות חיישן בזמן אמת.לדוגמה, אם מרכז ניהול התנועה מזהה דפוס יוצא דופן של גלי הלם, המודל יכול להגדיל באופן זמני את השחלות של זמני התגובה כדי לשקף אירועים אפשריים.מודל הסתגלות זה יאפשר תזמון אותות דינמי, מגבלות מהירות משתנה ומידע מותני המגיב לנהג בפועל בזמן נתון ומיקום.

צוק מחשוב וציוד רכב (V2I) תקשורת הופכת את הדליקה בזמן אמת אפשרי.בקר מיילפוסט יכול לאסוף מסלולים ברכב הסמוך, להעריך את ההפצה הנוכחית של התנהגות הנהג, לשדר מהירויות מומלץ כי חשבון עבור הטרוגניות צפה.

שילוב עם רכבים מחוברים ואוטומיים (CAVs)

בעוד CAVs נכנס זרם התנועה, תערובת של כלי רכב מונעים על ידי אדם ואוטומטיים מוסיפה שכבה חדשה של ניידות התנהגותית.רכבים אוטומטיים פועלים עם אלגוריתמים דטרמיניסטיים, אבל ההתנהגות שלהם תלויה ביכולות התכנות והחיישנים של היצרן.נהגים אנושיים, בתורו, להסתגל לנוכחות של אוטומציה.לדוגמה, כמה נהגים עשויים לזנב כלי רכב אוטומטיים ששומרים על פער קבוע, בעוד שאחרים עליהם יותר.

מודלים עתידיים חייבים לייצג את האינטראקציה בין שתי אוכלוסיות אלה.זה דורש לא רק מודלים של יכולת אנושית אלא גם לאפיין את לוגיקה השליטה של מערכות נהיגה אוטומטיות שונות.הסימולציות המתקבלות יכולות לעזור לעצב אסטרטגיות תיאום אופטימליות, כגון נתיבים ייעודיים עבור כלי רכב אוטומטיים או פרוטוקולי תקשורת המפחיתים את אי הוודאות בתנועה מעורבת.

השלכות על ניהול תנועה ובטיחות

מודלים טובים יותר מובילים להתערבויות טובות יותר.שילוב התנהגות הנהג פנויות יכול לשפר את העיצוב של מערכות תחבורה חכמות (ITS) - משליטה סיטוגטיבית שמתאימה לסגנון של הנהג הבא, כדי להחליש את החשבוניות עבור תוקפנות מקומית.בבטיחות, מודלים שלוכדים התנהגויות נדירות אך בסיכון גבוה (למשל, גירוד פתאומי עקב הסחת דעת) יכולים לעזור לזהות היכן סביר להניח להתנגשות לתאונות דרכים להסלים לתאונות דרכים להסלים.

סימולציה תעבורה תהפוך לכלי אסטרטגי להערכת מדיניות.לדוגמה, לפני פריסת תוכנית תמחור גודש, ערים יכולות להפעיל סימולציות עם תשובות נהיגה הטרוגניות להעריך שינויים בבחירת המסלול, זמן היציאה ושינוי מצב - במקום להסתמך על הנחות של רציונליות מושלמת.המטרה הסופית היא ליצור מערכות תחבורה כי הם גמישים לספקטרום המלא של התנהגות אנושית.

מסקנה

התנהגות הנהג האנושי variability אינה קצבה להיות ממוצעת - היא נכס בסיסי של תנועה כביש כי חייב להיות מיוצג במודלים אם אנו שואפים תחזיות מדויקות וניהול יעיל. מ פרמטרים סטוצ'יסטיים לסימולציות מבוססות הסוכן ולמידה מכונה, השיטות לשלב את הגמישות הזו מתקדמות במהירות.האתגרים הנותרים - נתונים, חישוב, קלמנטציה - מטופלים על ידי שיטות מחקר בין-תחומיות וקידום טכנולוגיות, כמו גם התקדמות אוטומטית של שיטות של שיטות טיפוליות, והשגת שיטות בטיחותיות אנושית.