Introduzione

Modelli tradizionali spesso assumono che i driver si comportano in modo uniforme, ma in realtà, il comportamento del conducente umano varia in modo significativo tra individui, contesti e tempo. Questa variabilità deriva dalle differenze nelle capacità cognitive, dalla percezione del rischio, dalle norme culturali e persino dalle distrazioni momentanee.

Questo articolo esplora perché il comportamento del conducente variabilità conta, i metodi primari utilizzati per modellarlo, le sfide che rimangono, e le promettenti direzioni future che rimodelleranno come simulare e gestire le reti stradali.

L'importanza del comportamento del conducente umano nei modelli di traffico

I tempi di reazione, le soglie di accettazione del gap, le scelte di velocità e i modelli di cambiamento della corsia variano ampiamente, anche se lo stesso driver si comporta in modo diverso a seconda della fatica, della distrazione, del tempo o dell'urgenza. Queste variazioni creano fenomeni emergenti come onde di stop-and-go, ingorghi fantasma e schemi di flusso asimmetrici, che possono essere adeguatamente riprodotti da modelli che trattano tutti gli autisti come agenti omogenei.

La ricerca mostra costantemente che incorporando l'eterogeneità del conducente migliora la fedeltà del modello. Ad esempio, studi comparativi a modelli omogenei di auto-following a quelli con tempi di reazione distribuiti trovano che l'eterogeneità riproduca meglio la capacità di caduta a strozzature e la velocità di propagazione delle onde di shock (vedere ]Treiber & Kesting, 2017confezione]).

Gli ingegneri del traffico si affidano ai modelli per impostare limiti di velocità, tempistiche del segnale di progettazione, configurazioni di corsia di piano e valutare l'impatto di nuove infrastrutture. Se la variabilità del comportamento del conducente non è rappresentata, queste decisioni possono essere basate su ipotesi difettose, portando a progetti subottimi o anche non sicuri.

Fonti chiave della variabilità comportamentale

La variabilità del comportamento del conducente può essere classificata in diverse dimensioni:

  • Esperienza e abilità:[ I driver di dispositivo tendono ad avere tempi di reazione più lunghi e un'accettazione meno coerente del gap.
  • Tolleranza al rischio:[ Alcuni conducenti adottano delle prime provviste conservatrici, mentre altri accettano lacune più brevi, in particolare nelle situazioni di fusione e di cambiamento della corsia.
  • Attenzione e distrazione:[ Il carico cognitivo dall'uso del telefono, dalla conversazione o dal display in-veicolo altera significativamente i tempi di risposta e la precisione di mantenimento della corsia.
  • Fattori ambientali e culturali:[ Le culture regionali di guida, la geometria stradale e i livelli di applicazione influenzano le norme comportamentali come la conformità della velocità e la resa.
  • Stati di nozze:[ La fatica, la rabbia o l'urgenza (ad esempio, correre al lavoro) possono spostare temporaneamente il comportamento del conducente.

Metodi per la variabilità del comportamento incorporante

Diversi paradigmi di modellazione sono stati sviluppati per catturare la natura stocastica ed eterogenea del comportamento del conducente.Ogni approccio offre diversi trade-off tra complessità, realismo e trattabilità computazionale.

Modella stocastica

I modelli stocastici introducono casualità in equazioni deterministiche per rappresentare l'imprevedibilità intrinseca delle decisioni umane. Ad esempio, nei modelli di auto-following come il Modello Driver Intelligente (IDM), parametri come velocità desiderata, distanza minima e l'esponente di accelerazione possono essere disegnati da distribuzioni di probabilità piuttosto che da valori fissi.

Un'implementazione comune è quella di utilizzare distribuzioni Gaussiane o log-normal per il tempo di reazione, con media e varianza calibrata da dati empirici (ad esempio, utilizzando studi di guida naturalistica). I modelli stocastici sono relativamente leggeri e possono essere integrati in simulazioni macroscopiche o mesoscopiche. Tuttavia, si presume che la variabilità sia casuale e non correlata, che non possono catturare differenze sistematiche tra i tipi di driver.

La ricerca di Ma et al. (2019)[]] ha dimostrato che l'aggiunta di tempi di reazione stocastica ad un modello di automaton cellulare ha migliorato significativamente la sua capacità di riprodurre la distribuzione delle posizioni di ripartizione del flusso di traffico.

Parametri comportamentali

Piuttosto che trattare il comportamento come puramente casuale, questo approccio raccoglie dati su specifiche metriche comportamentali — tempo di reazione, massima accelerazione, decelerazione comoda, soglia di accettazione del gap, durata del cambio della corsia, e velocità desiderata — e assegna distinti set di parametri a diverse classi di driver.

Le tecniche di clustering (ad esempio, k-means, modelli di miscele gaussiane) possono raggruppare i driver in profili: “conservativo,” “normale”, “aggressivo”. Ogni profilo ha i suoi valori di parametri e le regole di transizione. Ad esempio, un driver aggressivo potrebbe avere una breve durata di 0,8 secondi, mentre un driver conservatore utilizza 2,0 secondi.

Questo metodo è ampiamente utilizzato negli strumenti di simulazione microscopica (ad esempio VISSIM, SUMO) ed è stato convalidato contro i dati del traffico reale.

Modelli basati sull'agente (ABM)

I modelli basati sull'agente prendono la simulazione a livello individuale al massimo dando ad ogni agente driver un insieme unico di regole comportamentali, capacità di apprendimento e processi decisionali. A differenza di approcci aggregati o stocastici, gli ABM possono incorporare comportamenti adattativi, ad esempio un driver che impara i tempi tipici del segnale ad un incrocio e regola la loro accelerazione di conseguenza.

Ogni agente percepisce il suo ambiente (posizioni e velocità dei veicoli vicini, segnali stradali, geometria stradale) e applica regole che possono essere deterministiche o probabilistiche. Le interazioni tra agenti producono fenomeni di traffico emergente che sono difficili da replicare con modelli basati su equazioni.

Un esempio notevole è il Modello Social Force adattato per il traffico dei veicoli, dove i conducenti sono influenzati da “forze sociali” che rappresentano la loro velocità e l’evitabilità desiderata di altri veicoli. Variando la forza di queste forze attraverso gli agenti, l’eterogeneità è naturalmente introdotta. Tuttavia, gli ABM sono computazionalmente intensivi e richiedono una rigorosa validazione contro i dati empirici per evitare comportamenti emergenti eccessivamente fisse o irrealistici.

Approccio di apprendimento automatico e dati

I recenti progressi nell'apprendimento automatico (ML) offrono strumenti potenti per l'apprendimento della variabilità del comportamento del driver direttamente da dataset di traiettoria su larga scala. Reti neurali ricorrenti (RNN), reti di memoria a breve termine (LSTM) e modelli di trasformatori possono prevedere traiettorie del veicolo catturando modelli in sequenze storiche.

Un vantaggio fondamentale è che i modelli ML possono imparare dipendenze sottili e non lineari che mancano i modelli parametrici tradizionali, ad esempio un LSTM può prevedere la perdita di intenzioni che cambia la rete prima della manovra codificando le dinamiche di velocità e accelerazione laterale del driver, consentendo simulazioni di traffico di incorporare comportamenti realistici e sensibili al contesto.

Tuttavia, i modelli ML sono spesso black-box, rendendoli difficili da interpretare e convalidare. Inoltre richiedono una vasta quantità di dati traiettoria etichettati, in genere da veicoli strumentali o filmati di droni, e non possono generalizzare bene per sbloccare geometrie stradali o regimi di traffico.

Sfide e opportunità

Nonostante i benefici chiari, l'integrazione della variabilità del comportamento del conducente nei modelli di traffico operativo presenta diverse sfide sostanziali: affrontare queste sfide apre opportunità per l'innovazione nella raccolta dei dati, nella calibrazione dei modelli e nelle applicazioni in tempo reale.

Raccolta e Privacy dei dati

I modelli accurati richiedono dati di guida naturalistici ad alta risoluzione, provenienti da un campione di driver di grandi dimensioni e diversificati. I rilevatori di loop tradizionali e le telecamere catturano flussi aggregati ma non singoli comportamenti. Studi di guida naturalistici (ad esempio, il database SHRP2) forniscono dati di guida dettagliati pre-crash e normali, ma sono costosi e limitati nell'ambito geografico.

I moderni veicoli connessi e la telematica per smartphone possono trasmettere dati di traiettoria continua, offrendo una ricca fonte di calibrazione. Tuttavia, le preoccupazioni sulla privacy e le questioni di proprietà dei dati creano barriere per la condivisione e l'aggregazione di questi dati. Le tecniche di anonimizzazione e l'apprendimento federato possono aiutare, ma aggiungono complessità. L'opportunità è nello sviluppo di framework che permettono ai modelli di beneficiare di dati comportamentali crowd-sources senza compromettere la privacy individuale.

Complessità computazionale

La simulazione di milioni di agenti eterogenei in tempo reale è computazionalmente impegnativa. I modelli basati su parametri e stocastici sono relativamente economici, ma i modelli basati su agenti e ML-enhanced possono richiedere giorni di calcolo per una grande simulazione di rete, limitando così l'uso nella gestione e nell'ottimizzazione del traffico in tempo reale.

Esistono opportunità di sfruttare il calcolo parallelo, le unità di elaborazione grafica (GPU), e le tecniche di riduzione dei modelli. La computazione e la modellazione surrogata Bayesiana approssimano possono anche accelerare la calibrazione mantenendo la variabilità comportamentale.

Validazione e calibrazione

La calibrazione di un modello con variabilità comportamentale è più complessa che calibrare un modello omogeneo. Lo spazio dei parametri cresce con il numero di classi di driver o i gradi di libertà nella distribuzione stocastica. Senza una corretta calibrazione, i modelli possono produrre una variabilità irrealistica, sia troppo casuale che troppo ammassata.

La convalida richiede il confronto non solo delle misure di traffico aggregate (flusso, densità, velocità) ma anche delle metriche distributive come la variazione delle headways, le frequenze di cambio della corsia e la forma delle dispersioni di velocità.

Le direzioni future

La prossima generazione di modelli di traffico sarà più adattabile, ricco di dati e strettamente integrato con i sistemi di controllo delle città intelligenti e dei veicoli autonomi.

Adeguamento in tempo reale

Invece di utilizzare distribuzioni comportamentali statiche, i modelli futuri aggiorneranno continuamente i loro parametri in base agli input dei sensori in tempo reale. Ad esempio, se un centro di gestione del traffico rileva un insolito modello di onde ammortizzanti, il modello potrebbe temporaneamente aumentare la varianza dei tempi di reazione per riflettere possibili eventi di distrazione.

La comunicazione di calcolo e di auto-infrastruttura (V2I) consente di effettuare una calibrazione in tempo reale. Un controller milepost potrebbe raccogliere traiettorie di veicoli nelle vicinanze, stimare la distribuzione corrente del comportamento del conducente e trasmettere velocità consigliate che rappresentano l'eterogeneità osservata.

Integrazione con veicoli collegati e autonomi (CAV)

I veicoli automatizzati funzionano con algoritmi deterministici, ma il loro comportamento dipende dalle capacità di programmazione e sensori del produttore. I conducenti umani, a loro volta, si adattano alla presenza di automazione. Ad esempio, alcuni driver possono pedinare veicoli automatizzati che mantengono un gap fisso, mentre altri si fideranno di loro.

I modelli futuri devono rappresentare l'interazione tra queste due popolazioni, che richiede non solo la modellazione della variabilità umana ma anche la caratterizzazione della logica di controllo di diversi sistemi di guida automatizzati. Le simulazioni che ne risultano possono aiutare a progettare strategie di coordinamento ottimali, come corsie dedicate per veicoli automatizzati o protocolli di comunicazione che minimizzano l'incertezza nel traffico misto.

Implicazioni per la gestione del traffico e la sicurezza

I modelli migliori portano a interventi migliori. La variabilità del comportamento del conducente incorporante può migliorare il design dei sistemi di trasporto intelligenti (ITS) - dal controllo di crociera adattativo che si adatta allo stile del conducente seguente, alla misurazione della rampa che rappresenta l'aggressività di fusione locale. In sicurezza, i modelli che catturano comportamenti rari ma ad alto rischio (ad esempio, frenata improvvisa a causa distrazione) possono aiutare a identificare le posizioni in cui i conflitti sono suscettibili di escalare in crash.

La simulazione del traffico diventerà uno strumento strategico per la valutazione delle politiche. Ad esempio, prima di implementare un sistema di prezzi di congestione, le città possono eseguire simulazioni con risposte eterogenee del driver per stimare i cambiamenti nella scelta del percorso, nel tempo di partenza e nel cambio di modalità, piuttosto che affidarsi a supposizioni di perfetta razionalità. L'obiettivo finale è quello di creare sistemi di trasporto che sono resilienti al pieno spettro del comportamento umano.

Conclusioni

La variabilità del comportamento del conducente umano non è un fastidio da mettere in media, è una proprietà fondamentale del traffico stradale che deve essere rappresentato nei modelli se vogliamo predizioni accurate e una gestione efficace. Dai parametri stocastici alle simulazioni basate sull'agente e all'apprendimento automatico, i metodi per incorporare questa variabilità stanno avanzando rapidamente. Le restanti sfide di efficienza, calcolo, calibrazione, sono affrontate dalla ricerca interdisciplinare e dal progresso tecnologico.