Теория движения потока на практике: использование модели зелёных щитов для оценки пропускной способности

Понимание теории движения потока и модели зелёных щитов

Теория транспортного потока обеспечивает математическую и концептуальную основу для понимания того, как транспортные средства движутся по дорожным сетям. В своей основе эта область изучает отношения между тремя фундаментальными переменными трафика: поток (число транспортных средств, проходящих точку за единицу времени), плотность (число транспортных средств на единицу длины дороги) и скорость (скорость, с которой движутся транспортные средства). Фундаментальное соотношение «q=kv» (поток (q) равняется плотности (k), умноженной на скорость (v)) иллюстрируется фундаментальной диаграммой, которая служит краеугольным камнем анализа трафика и оценки пропускной способности.

Фундаментальная диаграмма транспортного потока представляет собой диаграмму, которая дает связь между потоком дорожного движения (транспортные средства/час) и плотностью движения (транспортные средства/км). Макроскопическая модель движения, включающая поток движения, плотность и скорость движения, составляет основу фундаментальной диаграммы. Этот мощный инструмент позволяет инженерам по транспорту прогнозировать производительность дорожного движения, оценивать воздействие мер управления движением и проектировать инфраструктуру, которая эффективно удовлетворяет спрос.

Среди различных моделей, разработанных для описания поведения транспортных потоков, модель Greenshield 1935 года предлагает линейную зависимость между скоростью и плотностью трафика. Несмотря на то, что она была разработана почти 90 лет назад, модель Greenshields остается одной из наиболее широко преподаваемых и применяемых моделей транспортных потоков из-за ее простоты и разумной точности при многих условиях. Хотя модель Greenshields не идеальна, она довольно точна и относительно проста, что делает ее отличной отправной точкой для оценки пропускной способности и анализа трафика.

Математический фундамент модели зелёных щитов

Основные предположения и уравнения

Гриншильд предположил линейную зависимость скорости-плотности в качестве основы для своей модели. Это фундаментальное предположение приводит к прямому математическому представлению, которое может быть выражено как линейное уравнение, связывающее среднюю скорость с плотностью движения. Модель утверждает, что по мере того, как больше транспортных средств занимают проезжую часть (повышающаяся плотность), средняя скорость этих транспортных средств уменьшается пропорционально.

Базовое соотношение скорости и плотности в модели Гриншельда можно записать как: v = v_f — (v_fj_{k, где v представляет среднюю скорость, vf — скорость свободного потока (скорость движения транспортных средств при приближении плотности к нулю), k — плотность трафика, а kj — плотность затора (максимальная плотность при движении транспортных средств от бампера к бамперу и скорость равна нулю).}

где средняя скорость при плотности , есть свободная скорость и плотность затора. Это уравнение элегантно фиксирует интуитивную связь между затором и скоростью: когда плотность становится нулевой, скорость приближается к скорости свободного потока, и наоборот, когда плотность достигает своего максимума (плотность затормаживания), скорость приближается к нулю.

Производя отношения плотности потока и скорости потока

После установления соотношения скорости и плотности потока отношения потока и плотности потока могут быть выведены с использованием фундаментального уравнения q = kv. Заменив линейное уравнение плотности скорости на это соотношение, мы получаем параболическую кривую плотности потока. Это отношение между потоком и плотностью имеет параболическую форму, что имеет важные последствия для понимания пропускной способности дороги.

Параболический характер кривой плотности потока показывает критическое понимание: она показывает максимальный поток трафика с соответствующей оптимальной плотностью движения. Эта максимальная точка представляет пропускную способность дорожного полотна - самый высокий устойчивый расход, который может быть достигнут. При плотности ниже этой оптимальной точки дорога работает в условиях свободного потока; при плотности выше нее, дорога входит в перегруженные условия, где поток фактически уменьшается по мере добавления большего количества транспортных средств.

В q-v-диаграмме существуют два режима, то есть возможно иметь две скорости при одном и том же потоке трафика. По этому поток трафика классифицируется в стабильном и нестабильном режиме. Эта характеристика двойного режима является фундаментальной для понимания пробок и образования заторов.

Ключевые параметры: скорость свободного потока и плотность джема

Для решения численных основ движения требуется два основных параметра • Свободная скорость потока • Плотность джема. Эти два параметра полностью определяют модель Гриншилдса для конкретного сегмента дороги и должны определяться с помощью полевых наблюдений или калибровки.

Скорость свободного потока представляет собой среднюю скорость, с которой транспортные средства будут двигаться, если на проезжей части не будет других транспортных средств, препятствующих их прогрессу. На этот параметр влияют такие факторы, как геометрия дороги, скорость проектирования, условия поверхности и поведение водителя. Плотность джема, с другой стороны, представляет собой теоретическое максимальное количество транспортных средств, которые могут занимать единицу длины проезжей части, когда движение полностью остановлено, как правило, происходит во время сильной загруженности.

Для того чтобы использовать эту модель для любого потока трафика, следует получить граничные значения, особенно скорость свободного потока () и плотность заторов (). Это должно быть получено путем полевого обследования, и это называется процессом калибровки. Процесс калибровки необходим для адаптации общей модели Greenshields к конкретным условиям дорожного движения и местным характеристикам трафика.

Применение модели зелёных щитов для оценки мощности

Сбор данных и полевые наблюдения

Первый шаг в применении модели Гриншельдов для оценки пропускной способности включает в себя сбор эмпирических данных об условиях движения. Модели трафика, обсуждаемые до сих пор, могут использоваться для определения конкретных характеристик, таких как скорость и плотность, при которых происходит максимальный поток, и плотность затора объекта. Обычно это включает сбор соответствующих данных о конкретном объекте, представляющем интерес, и подгонку точек данных, полученных к подходящей модели.

Инженеры по организации дорожного движения обычно используют различные методы сбора данных, в том числе петлевые детекторы, встроенные в тротуар, видеокамеры, радарные датчики и все чаще данные зондирования транспортных средств с помощью GPS-оборудованных транспортных средств.Он впервые провел тесты для измерения потока трафика, плотности и скорости движения с использованием методов фотографического измерения, заложив основу для современных методов сбора данных о движении.

Сбор данных должен охватывать широкий диапазон условий движения, от свободного потока до перегруженных состояний, чтобы обеспечить точную калибровку модели. Наблюдения в пиковые периоды особенно ценны, поскольку они часто выявляют ограничения пропускной способности проезжей части. Измерения скорости и плотности должны проводиться одновременно в одном и том же месте, чтобы гарантировать, что точки данных представляют равновесные условия движения.

Модель калибровки с использованием регрессионного анализа

Хотя точно определить скорость свободного потока и плотность заторов непосредственно из поля сложно, приближённые значения можно получить из ряда наблюдений скорости и плотности и затем подогнать между ними линейное уравнение. Процесс калибровки обычно использует линейный регрессионный анализ для определения параметров модели, наилучшим образом соответствующих наблюдаемым данным.

Подход регрессии рассматривает скорость как зависимую переменную, а плотность как независимую переменную. Нанося наблюдаемые пары плотности скорости и устанавливая линию линейной регрессии через данные, инженеры могут определить наклон и перехват отношения. Перехват представляет скорость свободного потока (скорость, когда плотность равна нулю), в то время как x-перехват (где скорость равна нулю) представляет плотность затора.

Например, для следующих данных о скорости и плотности определяют параметры модели Гриншильдов. Также находят максимальный поток и плотность, соответствующие скорости 30 км/ч. Такие калибровочные упражнения демонстрируют практическое применение модели к реальным данным.

Расчет максимального потока и мощности

После калибровки параметров модели определение пропускной способности дорожного полотна становится простым. Пока отношение между плотностью и скоростью является линейным, можно видеть, что максимальный поток (или пропускная способность потока) происходит при kj/2 и Vf/2. ⁇ Максимальный поток происходит при скорости Vf/2. Это математическое свойство параболической кривой плотности потока означает, что пропускная способность происходит ровно в половине плотности затора и половине скорости свободного потока.

Максимальный поток может быть рассчитан с использованием формулы: q_max = (k_j/2) × (v_f/2) = k_jv_f/4. Например, если проезжая часть имеет калиброванную скорость свободного потока 100 км/ч и плотность затора 150 транспортных средств/км, максимальный поток будет (150×100)/4 = 3750 транспортных средств в час.

Пересечение векторов свободного потока и перегруженности является вершиной кривой и рассматривается пропускная способность проезжей части, которая является состоянием движения, при котором максимальное количество транспортных средств может пройти мимо точки в данный период времени. Это значение пропускной способности представляет собой критический порог, за которым добавление большего количества транспортных средств на проезжую часть фактически снижает пропускную способность.

Интерпретация результатов и определение режимов движения

Модель Гриншильдов делит поток трафика на два различных режима, основанных на точке пропускной способности. Когда плотность лежит ниже плотности пропускной способности kc, мы говорим о свободном потоке. Во время этого режима средняя скорость потока трафика превышает скорость пропускной способности uc. Во время свободного потока скорость транспортных средств остается относительно высокой и стабильной.

В режиме свободного движения движение эффективно работает при минимальных взаимодействиях с транспортными средствами. Водители обычно могут путешествовать на желаемых скоростях, и добавление большего количества транспортных средств на проезжую часть увеличивает общий поток пропорционально. Однако, как только плотность превышает критическую плотность пропускной способности, проезжая часть входит в перегруженный режим, где скорость значительно падает и поток начинает уменьшаться, несмотря на присутствие большего количества транспортных средств.

Верхняя половина кривой потока является неперегруженной, нижняя половина перегружена. Это различие имеет решающее значение для стратегий управления трафиком и управления им, поскольку вмешательства могут значительно различаться в зависимости от того, в каком режиме работает трафик. Понимание этих режимов помогает инженерам определить, когда и где перегруженность, вероятно, сформирует и разработает соответствующие стратегии смягчения последствий.

Практические соображения и реальные приложения

Факторы, влияющие на точность модели

В то время как модель Greenshields обеспечивает полезную основу для оценки пропускной способности, несколько реальных факторов могут влиять на ее точность. Но в области мы вряд ли можем найти такую связь между скоростью и плотностью. Поэтому обоснованность модели Greenshields была поставлена под сомнение, и появилось много других моделей. Предположение о линейной плотности скорости, хотя и математически удобно, представляет собой упрощение фактического поведения трафика.

Поведение водителя значительно варьируется между людьми и в разных контекстах. Некоторые водители поддерживают большие расстояния, в то время как другие ездят более агрессивно. Погодные условия, такие как дождь, туман или снег, могут резко снизить как скорость свободного потока, так и плотность затора. Геометрия дороги, включая оценки, кривые и ширину полосы, также влияет на соотношение скорости и плотности таким образом, что не захватывается простой линейной моделью.

Еще одна проблема связана с составом транспортного средства. Другие факторы влияют - Проектная скорость - Контроль доступа - Наличие грузовых автомобилей - Ограничение скорости - Количество полос движения. Тяжелые транспортные средства, такие как грузовые автомобили и автобусы, имеют различные эксплуатационные характеристики, чем легковые автомобили, что влияет как на скорость, так и на расстояние. Процент тяжелых транспортных средств в потоке движения может значительно повлиять на оценки пропускной способности.

Ограничения линейного предположения

Чрезмерно упрощенные: Предположения часто нарушаются в реальном трафике, что делает модель неточной во многих ситуациях. Постоянные параметры: Предположение о постоянной v0 и α является основным ограничением. Реальный поток трафика часто демонстрирует более сложные отношения между скоростью и плотностью, чем предполагает линейная модель.

Эмпирические наблюдения показали, что соотношение скорости и плотности может быть лучше представлено нелинейными функциями в определенных условиях.Выдающимися среди них являются логарифмическая модель Гринберга, экспоненциальная модель Андервуда, обобщенная модель Пайпа и многорежимные модели.Эти альтернативные модели были разработаны для решения конкретных ограничений модели Гриншильдов, особенно в представлении условий перегруженного потока.

В то время как модель Greenshields предлагает аналитическую тягостность и широко применяется в макроскопическом моделировании транспортных потоков, ее предположение о линейной зависимости скорости и плотности не полностью отражает нелинейные характеристики реального трафика, особенно в условиях перенасыщения. Наш эмпирический анализ, представленный на рисунке 11, показывает, что скорости транспортных средств часто стабилизируются во время перегрузки, а не продолжают снижаться, образуя плоскостную область, которая отклоняется от классической кривой Greenshields. Это наблюдение предполагает, что модель может не адекватно отражать динамику перегруженного потока в плотных городских сетях.

Сочетание результатов модели с эмпирическими данными

Для повышения точности дорожные инженеры часто объединяют теоретические прогнозы моделей с эмпирическими наблюдениями и корректировками. Важнейшим понятием при проектировании дорог и управлении движением является пропускная способность. Оценка эмпирических значений пропускной способности в практических условиях не является тривиальной проблемой; определить пропускную способность однозначно очень сложно. Изучена оценка эмпирической пропускной способности для непрерывных участков проезжей части.

Вместо того, чтобы полагаться исключительно на теоретическую оценку мощности модели Гриншельда, практикующие специалисты могут проверять и корректировать эти оценки с использованием наблюдаемых максимальных потоков в пиковые периоды. Направления, объемы трафика, скорость и плотность - это типы данных трафика, используемые для идентификации четырех групп методов оценки мощности.Множественные подходы оценки могут использоваться параллельно для перекрестного подтверждения результатов и выявления потенциальных расхождений.

Если этот недостаток будет исправлен, перспективными методами практического использования в дорожном машиностроении являются метод предела продукта, метод эмпирического распределения и хорошо известный метод фундаментальной диаграммы, в этом порядке.Фундаментальный метод диаграммы, основанный на модели Гриншилдса, остается ценным при использовании в сочетании с другими методами и когда его ограничения правильно поняты.

Приложения в управлении трафиком и планировании

Несмотря на свои ограничения, модель Greenshields продолжает находить широкое применение в практике транспортного машиностроения. Её простота делает её особенно полезной для предварительного анализа, образовательных целей и ситуаций, когда подробные данные могут быть ограничены. Модель обеспечивает разумные оценки для многих приложений уровня планирования и помогает инженерам развивать интуицию о поведении транспортных потоков.

Одним из основных ссылок, используемых американскими планировщиками, является Руководство по пропускной способности шоссе, опубликованное Исследовательским советом по транспорту, которое является частью Национальной академии наук США.В то время как Руководство по пропускной способности шоссе использует более сложные методы для детального анализа пропускной способности, фундаментальные концепции, воплощенные в модели Гриншилдса, лежат в основе многих из этих подходов.

Инженеры дорожного движения используют оценки пропускной способности, полученные из модели Greenshields, для различных целей, включая определение уровня обслуживания, оценку необходимости улучшения дорожного полотна, разработку планов синхронизации дорожных сигналов и оценку воздействия новых разработок на существующие дорожные сети. Прогнозы модели помогают информировать решения об инвестициях в инфраструктуру и стратегиях управления движением.

Продвинутые темы в моделировании потоков трафика

Фундаментальная схема и ее вариации

Фундаментальная диаграмма — графическое представление отношений между потоком движения, скоростью и плотностью, и долгое время была основой теории потока движения и транспортной инженерии.Модель Гриншильдса производит одну конкретную форму фундаментальной диаграммы, характеризующуюся линейной зависимостью скорости — плотности и параболической кривой плотности потока.

В настоящее время существует два типа графиков плотности потока: параболический и треугольный. Академия рассматривает кривую треугольной плотности потока как более точное представление событий реального мира. Треугольная фундаментальная диаграмма, предполагающая постоянную скорость свободного потока до емкости с последующим линейным снижением перегруженного режима, в последние годы получила преимущество для определенных применений.

Фундаментальные диаграммы (FD), то есть двумерные равновесные отношения потока движения, концентрации и скорости, имеют большое теоретическое и практическое значение. Например, концепция уровня обслуживания для шоссе основана на скорости потока FD. Различные формы фундаментальной диаграммы могут быть более подходящими для различных типов дорог, условий движения или целей анализа.

Способность падать феномен

Одним из важных явлений, не охваченных базовой моделью Greenshields, является падение пропускной способности, которое происходит, когда трафик переходит от свободного потока к перегруженным условиям. увеличивающаяся плотность (начиная со стабильного или свободного потока) достигает более высокого значения пропускной способности ('свободная пропускная способность', qc1), чем поток трафика, начинающийся с перегруженного состояния (в крайнем случае из стоячей очереди), которое заканчивается так называемой "потенциальной пропускной способностью очереди", qc2. Эта идея проиллюстрирована на рис. 4.7, в котором присутствует так называемое "падение пропускной способности".

Явление падения пропускной способности означает, что после образования заторов максимальный поток, который может быть выброшен из узкого места, фактически ниже, чем предвзятая пропускная способность. Этот эффект гистерезиса имеет важные последствия для управления движением, поскольку он предполагает, что предотвращение пробоя более эффективно, чем попытка восстановиться после заторов после его формирования.

Результаты показывают, что как снижение пропускной способности, так и вогнутые выпуклые формы FD изобилуют на практике. Современные исследования транспортных потоков уделяют значительное внимание пониманию и моделированию этого явления, что приводит к более сложным многорежимным моделям, которые могут захватить эту динамику.

Микроскопический и макроскопический подходы к моделированию

Модель Гриншильдов представляет собой макроскопический подход к моделированию транспортных потоков, рассматривая трафик как непрерывный поток, подобный текучей среде, а не фокусируясь на отдельных движениях транспортных средств. Микроскопический поток трафика имитирует поведение отдельных транспортных средств, в то время как макроскопический поток трафика имитирует поведение транспортного потока в целом. Концептуально, казалось бы, микроскопический поток трафика будет более точным, поскольку он будет основан на поведении водителя, чем просто характеристики потока.

Микроскопические модели, такие как модели, следующие за автомобилем и меняющие полосу движения, имитируют поведение отдельных транспортных средств и их взаимодействие с окружающими транспортными средствами. Эти модели могут захватывать более подробные аспекты поведения водителя и динамики транспортного средства, но требуют значительно большего количества вычислительных ресурсов и подробных входных данных. Макроскопические свойства, такие как поток и плотность, являются продуктом индивидуальных (микроскопических) решений. Тем не менее, эти микроскопические лица, принимающие решения, подвержены влиянию окружающей среды, то есть макроскопических свойств трафика.

Выбор между микроскопическим и макроскопическим подходами к моделированию зависит от конкретного применения, имеющихся данных, вычислительных ресурсов и требуемого уровня детализации.Для многих приложений планирования и предварительного проектирования макроскопические модели, такие как модель Гриншильдов, обеспечивают достаточную точность с гораздо более простой реализацией.

Современные источники данных и методы калибровки

Достижения в технологии сбора данных произвели революцию в калибровке и валидации моделей транспортных потоков. В течение десятилетий исследователи и практики обычно измеряют макроскопические переменные транспортных потоков, то есть плотность, поток и скорость, используя временные или пространственные сокращения, а затем строят фундаментальные диаграммы транспортных потоков. С появлением крупномасштабных наборов данных о траектории транспортного средства, часто захватывая 100% динамики транспортного средства, обобщенные определения Эди стали широко признаны наиболее подходящей основой для измерения этих переменных. Однако, хотя формулировка Эди явно требует, чтобы состояние трафика в области измерения было как стационарным, так и однородным, мало указаний о том, как систематически идентифицировать такие квалифицированные области и построить соответствующие фундаментальные диаграммы.

Оборудованные GPS зондированные аппараты, подключенные данные транспортных средств и видеоаналитика высокого разрешения теперь обеспечивают беспрецедентную информацию о характеристиках потока трафика. Данные зонда транспортного средства могут обеспечивать скорость и время движения, но обычно не данные о потоке трафика. Если данные потока необходимы в качестве входных данных для алгоритмов управления движением или других расчетов, то существует необходимость оценить поток из данных о скорости или времени путешествия. Эти новые источники данных позволяют более часто калибровать и проверять модели, потенциально повышая точность оценок пропускной способности.

Методы машинного обучения и искусственного интеллекта все чаще применяются к моделированию потоков трафика и оценке пропускной способности. Эти подходы, основанные на данных, могут дополнять традиционные модели, такие как модель Гриншильдов, путем выявления сложных моделей и отношений, которые могут не быть захвачены простыми параметрическими формами. Однако интерпретируемость и теоретическая основа, обеспечиваемые классическими моделями, остаются ценными для понимания фундаментальных принципов потока трафика.

Пошаговая процедура оценки потенциала

Планирование усилий по сбору данных

Перед началом оценки пропускной способности с использованием модели Greenshields необходимо тщательное планирование усилий по сбору данных. Инженеры должны определить конкретный интересующий сегмент дороги, учитывая такие факторы, как однородность условий, наличие узких мест и типичные схемы движения. Выбранный сегмент должен иметь относительно однородные характеристики (ширина полосы, степень, кривизна), чтобы удовлетворить предположения модели.

Сбор данных должен охватывать несколько дней и включать пиковые периоды, когда ограничения пропускной способности наиболее вероятны. Минимум несколько часов данных в пиковых условиях обычно необходимы для захвата полного диапазона состояний трафика от свободного потока до перегруженных условий. Следует отметить погодные условия, и данные, собранные во время неблагоприятной погоды, могут потребоваться отдельно анализироваться или исключаться, если цель состоит в оценке пропускной способности в нормальных условиях.

Выбор метода сбора данных зависит от имеющихся ресурсов и оборудования. Детекторы петли обеспечивают непрерывный автоматизированный сбор данных, но требуют установки в тротуаре. Видеокамеры обеспечивают гибкость и возможность извлечения нескольких параметров трафика, но могут потребовать ручной или полуавтоматизированной обработки. Данные зондирования транспортного средства из источников GPS обеспечивают хорошую информацию о скорости, но могут иметь ограничения в оценке плотности и потока непосредственно.

Обработка и анализ данных трафика

После сбора данных необходимо обработать их для извлечения фундаментальных переменных трафика: скорости, плотности и потока. Для каждого периода наблюдения (обычно 5-15 минут для агрегированных данных) вычислить среднюю скорость, плотность трафика и скорость потока. Убедитесь, что эти измерения представляют равновесные условия, где связь q = kv удерживает.

Укажите точки данных плотности скорости на графике с плотностью на оси x и скоростью на оси y. Изучите участок рассеяния на предмет явных выпадений или аномальных точек данных, которые могут возникнуть в результате инцидентов, неисправностей детектора или неравновесных условий. Такие точки следует исследовать и потенциально исключить из набора данных калибровки.

Проведите линейный регрессионный анализ данных о плотности скорости для определения наиболее подходящей линии. Уравнение регрессии примет форму v = a - bk, где «а» представляет скорость свободного потока (v _]f ) и отношение a/b представляет плотность затора (k _]j ). Статистические показатели, такие как R-квадрат, должны быть изучены для оценки пригодности и определения того, адекватно ли линейная модель представляет наблюдаемые данные.

Компьютерная мощность и критические параметры

С калиброванными параметрами модели в руке вычислите пропускную способность дорожного полотна с использованием формулы q_max = k_jv_f/4. Это представляет собой максимальную устойчивую скорость потока, предсказанную моделью Гриншилдса. Также вычислите критическую плотность (k_cj/2) и критическую скорость (v_c = v_f/2), при которой происходит этот максимальный поток.

Сравните теоретическую оценку емкости с максимальными наблюдаемыми потоками в наборе данных. Если существует значительное расхождение, исследуйте потенциальные причины, такие как ограничения модели, проблемы качества данных или особые условия в течение периода наблюдения. Теоретическая емкость должна быть в целом близка, но может немного превышать максимальный наблюдаемый поток, поскольку идеальные условия емкости могут не быть захвачены в течение периода наблюдения.

Создать полную фундаментальную диаграмму, показывающую соотношения скорости-плотности, плотности потока и скорости-потока на основе калиброванной модели.Эти диаграммы обеспечивают полную визуализацию характеристик дорожного потока и могут использоваться для различных целей анализа, помимо простой оценки пропускной способности.

Проверка и корректировка результатов

Проверка является критическим шагом в обеспечении достоверности оценок пропускной способности. Если возможно, соберите независимый набор данных из одного и того же места в другое время и сравните наблюдаемое поведение трафика с прогнозами модели. Модель должна разумно предсказать соотношение скорости и плотности для этого набора данных проверки.

Рассмотрим корректировки для факторов, явно не отраженных в базовой модели Greenshields. Например, если на проезжей части имеется значительный процент тяжелых транспортных средств, то мощность может потребоваться скорректировать вниз с использованием эквивалентных факторов легковых автомобилей. Аналогичным образом, если анализ проводится в целях проектирования, консервативные корректировки могут быть уместными для учета неопределенности и обеспечения адекватной маржи пропускной способности.

Документация всех предположений, источников данных, процедур калибровки и корректировок, сделанных в ходе анализа. Эта документация имеет важное значение для прозрачности, воспроизводимости и будущих обновлений оценок пропускной способности по мере появления новых данных или изменения условий.

Примеры тематических исследований и практические применения

Анализ пропускной способности автострады

Автострады представляют собой одно из наиболее распространенных применений модели Гриншельдов для оценки пропускной способности. Проверка набора данных автострады показывает скорость свободного потока 60 миль в час, плотность затора 180 автомобилей на милю на полосу движения и наблюдаемый максимальный поток 2000 автомобилей в час. Определить линейное уравнение скорости для этих условий и определить скорость и плотность при максимальных условиях потока.

В этом примере калиброванная зависимость скорости и плотности будет v = 60 - (60/180)k = 60 - 0,333k. Теоретическая мощность будет (180 × 60)/4 = 2700 транспортных средств в час на полосу, происходящая при плотности 90 транспортных средств на милю на полосу и скорости 30 миль в час. Наблюдаемый максимальный поток 2000 транспортных средств в час несколько ниже теоретической емкости, что может указывать на эффекты падения мощности, ограничения измерения или другие факторы, не улавливаемые простой моделью.

Этот тип анализа помогает транспортным агентствам понять эксплуатационные характеристики своих систем автострад и определить места, где может потребоваться улучшение пропускной способности. Критические значения плотности и скорости также информируют о разработке стратегий управления заторами и алгоритмов управления движением в режиме реального времени.

Оценка городской артериальной мощности

В то время как модель Greenshields была первоначально разработана для бесперебойных транспортных средств, таких как автострады, она также может быть адаптирована для артериальных дорожных путей с соответствующими изменениями. Для CMP был выбран метод расчета на основе V / C. Объемы на каждом сегменте дороги в каждом направлении делятся на пропускную способность, оцениваемую в 1100 автомобилей в час на полосу. Мощность оценивалась на основе скорости потока насыщения 1900 транспортных средств на полосу и предположения, что El Camino Real получит 60 процентов зеленого времени.

Для артерий пропускная способность ограничена сигнальными пересечениями, а не чисто соотношением скорости и плотности. Однако фундаментальный подход к диаграмме все еще может дать представление о характеристиках потока трафика между сигналами. Инженеры должны учитывать прерванный характер артериального потока и влияние времени сигнала на эффективную пропускную способность.

Модель Гриншильдов может применяться к отдельным артериальным сегментам между сигналами, при этом понимается, что общая пропускная способность коридора будет определяться наиболее ограничительным узким местом, которое часто является сигнализированным пересечением, а не сегментом середины блока. Этот сегментированный подход позволяет идентифицировать конкретные места, где улучшения были бы наиболее выгодными.

Рабочая зона и специальное планирование мероприятий

Оценка пропускной способности с использованием модели Гриншильдса особенно ценна для планирования временного управления движением во время рабочих зон или специальных мероприятий.Понимая нормальную пропускную способность проезжей части и то, как она будет уменьшена закрытием полосы движения или другими ограничениями, инженеры могут разработать соответствующие планы управления движением и предсказать степень и продолжительность заторов.

Для рабочих зон модель может быть откалибрована с уменьшенными скоростями свободного потока и плотностью заторов, чтобы отразить ограниченные условия. Полученная оценка пропускной способности помогает определить, может ли рабочая зона быть размещена в течение обычных периодов движения или необходимы непиковые часы для минимизации сбоев. Прогнозы длины очереди на основе модели могут информировать о размещении предупреждающих знаков и степени необходимых мер управления движением.

Специальные мероприятия, которые генерируют значительный спрос на движение, могут быть проанализированы путем сравнения ожидаемого спроса с предполагаемой пропускной способностью.Если прогнозируется, что спрос превысит пропускную способность, модель помогает количественно оценить величину и продолжительность заторов, информируя о решениях о сроках проведения мероприятий, стратегиях парковки и дополнительных транспортных услугах.

Интеграция с современными системами управления трафиком

Мониторинг потенциала в реальном времени

Для оценки состояния трафика используются современные интеллектуальные транспортные системы, которые могут использовать принципы модели Гриншильдов для мониторинга и управления движением в реальном времени. Для оценки состояния движения используется система Mobile Millenium Stockholm (MMS), которая состоит из макроскопической модели потока трафика и фильтрации Калмана Калмана. Отношение между скоростью и плотностью (а также потоком) находится в модели такого рода, описанной с помощью фундаментальной диаграммы. Фундаментальная диаграмма, используемая в этом исследовании, имеет линейную форму во время свободного потока и гиперболическую форму во время заторов.

Благодаря постоянному мониторингу условий движения и сопоставлению наблюдаемых потоков с расчетной пропускной способностью центры управления движением могут определять, когда и где образуется затор. Эта возможность раннего предупреждения позволяет осуществлять такие активные мероприятия, как измерение рампы, ограничение переменной скорости или распространение информации о путешественниках, чтобы помочь предотвратить или смягчить заторы.

Фундаментальные отношения диаграмм, встроенные в модель Гриншильдов, обеспечивают основу для оценки недостающих переменных трафика, когда доступна только частичная информация. Например, если данные о скорости доступны из зондовых транспортных средств, но плотность непосредственно не измеряется, калиброванное соотношение скорости и плотности может использоваться для оценки плотности и последующего потока.

Адаптивные системы управления трафиком

Системы управления сигналами движения могут извлечь выгоду из оценок пропускной способности, полученных из модели Гриншильдов. Понимание емкости подходов к сигнализированным перекресткам помогает оптимизировать время сигнала для максимизации пропускной способности при минимизации задержки. Адаптивные системы управления сигналом, которые реагируют на условия движения в реальном времени, используют фундаментальные отношения диаграмм для прогнозирования последствий изменений времени.

Системы учета пробок на автострадах используют оценки пропускной способности для определения соответствующих скоростей учета, которые предотвращают превышение пропускной способности магистрального потока и разбиение на заторы. Модель Гриншилдса обеспечивает теоретическую основу для понимания того, как измерение может поддерживать движение в эффективном режиме свободного потока, предотвращая превышение плотности критического значения.

Системы с переменным ограничением скорости также полагаются на фундаментальные отношения диаграммы для определения оптимальных скоростных ограничений, которые максимизируют пропускную способность.Понимая взаимосвязь между скоростью, плотностью и потоком, эти системы могут регулировать ограничения скорости, чтобы поддерживать трафик, работающий вблизи точки пропускной способности, где поток максимизирован.

Измерение эффективности и отчетность

Транспортные агентства все чаще используют показатели эффективности своих систем и инвестиций. Использование потенциала, определяемое как отношение фактического потока к расчетной мощности, обеспечивает ключевую метрику для понимания того, насколько эффективно используется дорожная инфраструктура. Модель Greenshields обеспечивает простой метод оценки знаменателя этого соотношения.

Анализ уровня обслуживания, фундаментальный компонент планирования и проектирования перевозок, основан на сравнении объемов движения с пропускной способностью. Выбранный метод LOS для сегментов автострад основан на расчете коэффициентов V/C для каждого направления движения, при этом объем движения для каждого сегмента делится на пропускную способность сегмента. Объемы получаются из подсчетов для существующих условий или из модели прогнозирования движения для будущих условий. Мощность оценивается как количество полос, умноженное на 2200 транспортных средств в час на полосу четырех четырехполосных автострад и 2300 транспортных средств в час на полосу для сегментов с шестью или более полосами. Соотношение V/C рассчитывается и связано с LOS на основе отношений, представленных в стандартных ссылках.

Метрики перегрузки, такие как часы перегрузки, часы задержки транспортного средства и показатели надежности, зависят от понимания, когда спрос превышает мощность.Модель Гриншильдов обеспечивает теоретическую основу для этих расчетов, даже когда для детального анализа используются более сложные методы.

Будущие направления и новые технологии

Подключенные и автоматизированные транспортные средства

Появление подключенных и автоматизированных транспортных средств (CAV) имеет значительные последствия для теории транспортных потоков и оценки пропускной способности. Автоматизированные транспортные средства могут потенциально поддерживать более короткие расстояния и реагировать быстрее, чем водители-люди, что может увеличить как плотность заторов, так и пропускную способность. Фундаментальные отношения, воплощенные в модели Greenshields, возможно, потребуется перекалибровать или переформулировать для учета этих изменений.

Технология подключенных транспортных средств позволяет транспортным средствам обмениваться информацией об их скорости, положении и намерениях, потенциально уменьшая неопределенность и изменчивость, которые способствуют ограничениям пропускной способности.По мере увеличения скорости проникновения CAV поток трафика может стать более однородным и предсказуемым, потенциально делая простые модели, такие как модель Greenshields, более точными, а не менее точными.

Однако смешанные условия движения как обычных, так и автоматизированных транспортных средств создают новые проблемы для оценки пропускной способности. Фундаментальная диаграмма может демонстрировать различные характеристики в зависимости от доли автоматизированных транспортных средств в потоке движения, что требует новых подходов к моделированию, которые могут объяснить эту неоднородность.

Большие данные и приложения машинного обучения

Наличие массивных наборов данных о трафике из различных источников создает новые возможности для оценки пропускной способности и моделирования потоков трафика. Алгоритмы машинного обучения могут выявлять сложные закономерности и взаимосвязи в этих наборах данных, которые могут быть не очевидны с помощью традиционных методов анализа. Подходы глубокого обучения показали многообещающие возможности в прогнозировании состояний трафика и оценке пропускной способности в различных условиях.

Однако чисто основанные на данных подходы не имеют теоретической основы и интерпретируемости физических моделей, таких как модель Гриншильдов. Гибридные подходы, которые сочетают в себе сильные стороны обеих парадигм - с использованием машинного обучения для захвата сложных моделей при соблюдении фундаментальных физических ограничений - представляют собой многообещающее направление для будущих исследований.

Физики-информированные нейронные сети, которые включают уравнения потока трафика в качестве ограничений в процессе обучения, иллюстрируют этот гибридный подход. Эти методы могут использовать большие наборы данных, гарантируя, что прогнозы остаются совместимыми с фундаментальными принципами потока трафика, потенциально обеспечивая более точные и надежные оценки пропускной способности.

Изменение климата и соображения устойчивости

Ожидается, что изменение климата увеличит частоту и тяжесть экстремальных погодных явлений, которые могут существенно повлиять на пропускную способность дорог. Понимание того, как мощность варьируется в разных погодных условиях, становится все более важным для планирования устойчивости. Модель Greenshields может быть откалибрована отдельно для различных погодных условий для количественной оценки этих воздействий.

Наводнения, экстремальная жара и другие климатические воздействия могут влиять как на физическую инфраструктуру, так и на поведение водителя таким образом, чтобы изменить фундаментальные отношения диаграммы. Транспортным агентствам необходимо учитывать эти факторы при оценке потенциала для целей долгосрочного планирования и разработки стратегий адаптации.

Анализ мощности, ориентированный на устойчивость, учитывает не только нормальные условия эксплуатации, но и ухудшенные состояния и траектории восстановления после сбоев. Модель Гриншилдса обеспечивает основу для понимания того, как изменяется емкость при различных сценариях и как быстро нормальная емкость может быть восстановлена после инцидента или события.

Лучшие практики и рекомендации

Когда использовать модель зелёных щитов

Модель Гриншилдса наиболее подходит для предварительного анализа, образовательных целей и ситуаций, когда простота и прозрачность ценятся выше максимальной точности. Лучше всего она работает для относительно однородных сегментов дорожного полотна с непрерывным потоком, таких как участки автострады между крупными развязками. Модель менее подходит для сложных ситуаций, связанных со значительными геометрическими вариациями, процентами тяжелых транспортных средств или условиями прерывания потока.

Для анализа уровня планирования, где оценки порядка величины достаточны, модель Гриншильдса обеспечивает быстрый и оправданный подход.Однако для детального проектирования, оперативного анализа или ситуаций, когда точность имеет решающее значение, следует рассмотреть более сложные модели или эмпирические методы.Модель служит отличной отправной точкой, которую можно уточнить с помощью дополнительного анализа по мере необходимости.

Инженеры должны всегда проверять результаты модели на основе наблюдаемых данных, когда это возможно, и быть прозрачными в отношении предположений и ограничений, присущих подходу.Модель Гриншилдса следует рассматривать как один инструмент в более широком наборе инструментов, а не как универсальное решение для всех проблем оценки мощности.

Обеспечение качества и документация

Для обеспечения качества и будущей справочной информации необходима надлежащая документация процедур оценки потенциала. Все источники данных, методы сбора, периоды времени и погодные условия должны быть четко документированы. Следует сообщать о процедуре калибровки, включая статистику регрессии и показатели соответствия, с тем чтобы другие могли оценить достоверность результатов.

Любые корректировки или модификации стандартной модели Greenshields должны быть четко отмечены и обоснованы. Если оценки мощности корректируются на основе инженерных суждений или местных факторов, обоснование этих корректировок должно быть задокументировано. Эта прозрачность позволяет проводить экспертную оценку и помогает будущим аналитикам понять основу для оценок.

Оценки пропускной способности должны периодически обновляться по мере поступления новых данных или изменения условий. Улучшения на дорогах, изменения в структуре движения или изменения состава автопарка могут со временем влиять на пропускную способность. Регулярная перекалибровка обеспечивает сохранение текущих и точных оценок.

Сообщение результатов лицам, принимающим решения

При представлении оценок потенциала нетехническим аудиториям важно объяснить как результаты, так и их ограничения в доступных терминах. Лица, принимающие решения, должны понимать, что потенциал не является фиксированной, детерминированной величиной, а скорее оценкой, подверженной изменчивости и неопределенности. Диапазон потенциальных значений мощности и факторы, влияющие на этот диапазон, должны быть четко сообщены.

Визуальные презентации фундаментальной диаграммы могут помочь заинтересованным сторонам понять взаимосвязь между переменными трафика и концепцией пропускной способности.Показ того, как поток трафика увеличивается с плотностью до максимальной точки, а затем уменьшается, дает интуитивное объяснение того, почему добавление большего количества транспортных средств за пределами пропускной способности фактически снижает пропускную способность.

Следует подчеркнуть практические последствия оценок пропускной способности. Например, объяснение того, что проезжая часть, работающая на 90% пропускной способности, может испытывать частые перегрузки, помогает лицам, принимающим решения, понять необходимость улучшений или стратегий управления спросом. Подключение технического анализа к реальным результатам делает результаты более значимыми и действенными.

Краткое содержание и ключевые выводы

Модель Гриншильдов остается ценным инструментом для оценки пропускной способности трафика почти через 90 лет после ее введения. Его фундаментальное предположение о линейной зависимости скорости и плотности приводит к простым математическим формулировкам, которые можно легко калибровать с использованием полевых данных. Модель обеспечивает разумные оценки для многих приложений, предлагая важное понимание поведения потока трафика и отношений между скоростью, плотностью и потоком.

Оценка емкости с помощью модели Гриншельда включает в себя сбор данных о скорости и плотности, калибровку линейной зависимости скорости и плотности посредством регрессионного анализа и вычисление максимального потока как одной четверти продукта скорости свободного потока и плотности затора. Эта емкость происходит при половине плотности затора и половине скорости свободного потока, что представляет собой оптимальную рабочую точку, где пропускная способность максимизирована.

Хотя модель имеет ограничения, включая упрощенное линейное предположение, неспособность улавливать явления падения пропускной способности и проблемы с разнородным движением, она продолжает играть важную роль в практике транспортного машиностроения. Модель особенно полезна для предварительного анализа, образовательных целей и ситуаций, когда приоритетами являются простота и прозрачность. В сочетании с эмпирической валидацией и соответствующими корректировками местных условий модель Greenshields обеспечивает прочную основу для понимания и оценки пропускной способности дорог.

По мере развития транспортных систем с новыми технологиями, такими как подключенные и автоматизированные транспортные средства, и по мере расширения доступности данных, фундаментальные принципы, воплощенные в модели Greenshields, останутся актуальными. Простота и теоретическая ясность модели делают ее непреходящим вкладом в теорию транспортных потоков, даже когда разрабатываются более сложные подходы для конкретных применений. Понимание модели Greenshields обеспечивает необходимые базовые знания для любого профессионального транспортного специалиста, работающего с анализом транспортных потоков и оценкой пропускной способности.

Рекомендуемые ресурсы для дальнейшего обучения

Для тех, кто заинтересован в углублении своего понимания теории транспортных потоков и оценки пропускной способности, доступны несколько авторитетных ресурсов. Федеральное управление автомобильных дорог предоставляет обширные технические рекомендации и исследовательские отчеты по анализу транспортных потоков. Руководство по пропускной способности Совета по транспортным исследованиям представляет собой окончательную ссылку для анализа пропускной способности в Соединенных Штатах, включающее десятилетия исследований и эмпирических наблюдений.

Академические учебники по теории транспортных потоков обеспечивают комплексное лечение модели Гриншельдов и альтернативных формулировок. Онлайн-курсы и учебные программы, предлагаемые профессиональными организациями, такими как Институт инженеров транспорта , охватывают практические применения методов оценки пропускной способности. Исследовательские журналы, такие как Transportation Research и Journal of Transportation Engineering, публикуют текущие достижения в моделировании транспортных потоков и анализе пропускной способности.