Анализ моделей заторов: методы сбора и интерпретации данных трафика

Понимание моделей пробок на дорогах становится все более важным для градостроителей, инженеров по транспорту и городских администраторов во всем мире. По мере роста городского населения и роста числа владельцев транспортных средств необходимость в сложных методах сбора, анализа и интерпретации данных о движении никогда не была более насущной. С быстрой урбанизацией уровень пробок резко вырос, что напрямую повлияло на качество городской жизни, окружающую среду и экономику. В этом всеобъемлющем руководстве рассматриваются различные методологии, технологии и аналитические подходы, используемые для понимания и решения проблемы пробок в современных городах.

Важность сбора данных о трафике

Сбор данных о движении является важнейшим методом, который обеспечивает необходимую информацию для улучшения управления движением и инфраструктурных проектов. Благодаря этим данным специалисты по транспорту получают более глубокое понимание различных факторов, таких как количество транспортных средств, их классификация, скорость их движения и многое другое. Информация, собранная посредством сбора данных о движении, служит нескольким критическим целям, которые выходят далеко за рамки простого подсчета транспортных средств.

Для специалистов по транспорту эта информация неоценима для нескольких целей: точное определение требований к транспорту, оценка эффективности транспортных систем, определение автомобильных тенденций и информирование о научно обоснованных решениях в развитии города.Точность сбора данных о движении имеет основополагающее значение в том, что полученные данные служат основой планирования дорожной, дорожной и мостовой инфраструктуры. Без надежных и всеобъемлющих данных о движении города не могут эффективно планировать будущий рост, оптимизировать существующую инфраструктуру или внедрять интеллектуальные транспортные решения.

Развитие интеллектуальных транспортных систем (ИТС) в значительной степени зависит от качества и количества данных о дорожном движении. Современные умные города полагаются на непрерывные потоки точной информации о движении для принятия решений в режиме реального времени, динамичного управления перегрузками и повышения общей эффективности перевозок. Этот подход, основанный на данных, к городской мобильности изменил подход городов к планированию и управлению транспортными перевозками.

Традиционные методы сбора данных о трафике

Механизмы сбора данных о дорожном движении можно разделить на два метода, обычно известные как инвазивный и неинтрузивный метод. Понимание этих фундаментальных категорий помогает специалистам по транспортировке выбирать наиболее подходящий подход к сбору данных для своих конкретных потребностей и обстоятельств.

Ручные дорожные счета

Ручное подсчёт трафика — самый старый, простой и всё ещё надёжный способ сбора данных. Этот метод опирается на наблюдателей-людей, которые либо в режиме реального времени подсчитывают транспортные средства на обочине дороги, либо просматривают видеозаписи позже. Несмотря на трудоемкость, ручное подсчёт остаётся актуальным в конкретных ситуациях, когда автоматизированные системы могут быть непрактичными или экономически эффективными.

Именно здесь обученные наблюдатели собирают данные о движении, которые не могут быть собраны с помощью автоматизированных подсчетов, например, классификации транспортных средств и пешеходов. Ручной подсчет может быть таким же базовым, как и подсчет, который кто-то нажимает на счетчик для каждого проезжающего транспортного средства, или таким же подробным, как запись различных типов транспортных средств и поворотных движений на перекрестке. Гибкость ручных подсчетов делает их особенно ценными для сложных исследований пересечений и ситуаций, требующих подробных поведенческих наблюдений.

Наблюдатели также могут отслеживать велосипеды и пешеходов, делая ручные подсчеты гибкими и адаптируемыми. Эта универсальность особенно важна в городских условиях, где необходим мультимодальный анализ перевозок. Однако ручной подсчет имеет значительные ограничения, включая высокие затраты на рабочую силу, потенциал для человеческой ошибки и риски безопасности, если персонал размещен вблизи быстро движущегося движения.

Из-за этих ограничений ручные подсчеты обычно зарезервированы для краткосрочных исследований, специального анализа пересечений или проверки автоматизированных систем.Проверка данных проводится много раз путем проверки близлежащих перекрестков или проведения ручных подсчетов трафика в том же районе или в точном месте, где собираются данные.Поэтому и ручные, и машинные подсчеты часто предпринимаются одновременно для проверки точности данных машины.

Интрузивные методы обнаружения

Интрузивный метод предполагает размещение датчика и регистратора данных на дороге. Эти методы требуют физической установки внутри или на поверхности дороги, что может нарушить движение во время установки и обслуживания, но часто обеспечивает высокоточные данные.

Пневматические дорожные трубы

Это резиновые трубки, расположенные поперек дорожных полос для обнаружения транспортных средств при движении шин по трубе. Пульс воздуха генерируется, регистрируется и обрабатывается счетчиком, расположенным на обочине дороги. Резиновые трубки, растянутые поперек дороги, регистрируют счет каждый раз, когда шина переворачивается. Они экономичны, портативны и широко используются для краткосрочных исследований.

Пневматические трубы склеиваются на поверхность проезжей части, перпендикулярной потоку движения. Когда транспортное средство проезжает через пневматическую трубку, через трубку высвобождается и отправляется всплеск давления воздуха. Падение давления закрывает воздушный выключатель, который посылает электрический сигнал в счетное программное обеспечение. Трубки питаются от батарей, свинцово-кислотных или гелевых, что облегчает их перемещение между счетными площадками.

Пневматические трубы лучше всего подходят для краткосрочного подсчета и классификации. Для сбора данных о классификации и скорости требуется вторая трубка для сбора количества осей и расстояния. Однако пневматические трубы имеют ограниченное покрытие полосы движения и подходят для идеальной погоды, температуры и условий движения. Хотя они отлично подходят для быстрого развертывания, они могут быстро изнашиваться, бороться на высокоскоростных или больших дорогах и не легко различать типы транспортных средств.

Индуктивные детекторы Loop

Детекторы индуктивных петлей представляют собой «петлю» изолированного провода, установленного в тротуаре. Детекторный блок пропускает электрический ток через петлевой провод, создавая электромагнитное поле. Зацикли фиксируются в дорожных полотнах и производят магнитное поле. Он работает, передавая информацию на счетное устройство, размещенное на обочине дороги.

Провода, встроенные в тротуар, которые обнаруживают транспортные средства путем изменения электромагнитного поля. Петли являются высокоточными, прочными и могут обеспечивать непрерывную информацию 24/7. Это делает их особенно ценными для постоянных установок мониторинга движения в ключевых местах по всей дорожной сети.

Индуктивные петли были стандартной технологией в течение десятилетий и широко используются на сигнализированных перекрестках и на автомагистралях. Экономически осуществимы, особенно если петли уже установлены. Способны эффективно функционировать независимо от освещения или погодных изменений. Передовые или двойные петли могут измерять скорость и обеспечивать классификацию транспортных средств.

Однако эти системы имеют заметные недостатки. Установка может привести к перебоям в движении и потенциальным проблемам безопасности. Уязвимость к повреждению от проникновения воды или регулярных дорожных работ. Неадекватная установка или техническое обслуживание ставит под угрозу точность данных. Кроме того, продолжительность жизни индукционных петель невелика, поскольку их легко разбить тяжелым транспортным средствам. Ограничения в обнаружении транспортных средств с более низким содержанием металла, таких как мотоциклы.

Пьезоэлектрические датчики

Эта передача обычно может включать в себя пневматические дорожные трубы, индукционную или магнитную петлю и пьезоэлектрические датчики. Пьезоэлектрические датчики генерируют электрические заряды при воздействии механического напряжения, что делает их эффективными для обнаружения присутствия и веса транспортного средства. Эти датчики часто встраиваются в тротуар и могут предоставлять ценные данные для применения в движении и классификации транспортных средств.

Неинтрузивные методы обнаружения

Неинтрузивные методы сбора данных трафика включают в себя дистанционные наблюдения. Он состоит из следующих факторных компонентов в сборе данных трафика: ручные подсчеты, пассивный и активный инфракрасный, пассивный магнитный, микроволновый радар, ультразвуковой и пассивный акустический и обнаружение видеоизображений. Эти методы предлагают значительные преимущества с точки зрения простоты установки и требований к техническому обслуживанию.

Неинтрузивные датчики намного проще устанавливать, получать доступ и обслуживать. Это делает их все более привлекательными для современных систем управления движением, особенно при развертывании датчиков в крупных сетях или в местах, где дорожные работы будут разрушительными или дорогостоящими.

Обнаружение видеоизображения

Системы обнаружения видеоизображений используют камеры, установленные над или рядом с проезжей частью, для захвата потока трафика. Передовые алгоритмы компьютерного зрения обрабатывают видеопотоки для извлечения данных о трафике, включая количество транспортных средств, скорости, классификации и заполняемость. Современные системы все чаще включают искусственный интеллект и машинное обучение для повышения точности и расширения возможностей.

Часто они переходят от ручных или аналоговых методов к внедрению искусственного интеллекта для автоматизации своих процедур подсчета. Этот переход представляет собой значительное продвижение в возможностях сбора данных о трафике, что позволяет проводить более сложный анализ и обработку сложных сценариев трафика в режиме реального времени.

Камеры тепловой визуализации

Тепловые камеры, использующие специальные алгоритмы, обнаруживают тепловые сигнатуры и автоматически обрабатывают и собирают данные о движении, когда транспортное средство или пешеход входят в зону их обнаружения.Эти камеры специально разработаны для распознавания и классификации транспортных средств, пешеходов и велосипедов на основе их тепловых сигнатуры и могут даже измерять скорость.

Как и VID, при входе транспортного средства или пешехода в зону обнаружения тепловой камеры данные трафика автоматически обрабатываются и собираются на основе выделенных алгоритмов.Тепловые камеры обнаруживают тепловые сигнатуры, позволяющие точно обнаруживать транспортные средства, пешеходов и велосипеды при измерении скорости.На основании тепловой сигнатуры транспортные средства обнаруживаются и классифицируются соответственно.

В отличие от VID, тепловизионные изображения лучше всего работают ночью и в условиях низкой освещенности, например, когда есть туман или когда пешеходы затенены тенями. Это делает тепловые камеры особенно ценными для мониторинга 24/7 в сложных условиях окружающей среды, где традиционные видеосистемы могут испытывать трудности.

Радарная технология

Радиолокационная технология относительно нова для данных о движении, но она предлагает гораздо больше проницательности и точности, чем предыдущие методы. Существуют два основных типа радаров: доплеровские и FMCW. Доплеровские радиолокационные датчики передают микроволновые сигналы, а при движении транспортного средства частота отраженного сигнала изменяется, позволяя датчикам обнаруживать присутствие и скорость транспортного средства.

РЛС FMCW передают сигнал, а при приеме измеряют различия в фазе или частоте. Радарные датчики способны определять длину транспортного средства и использовать эти данные для точной классификации транспортных средств. Это позволяет радарным датчикам предлагать больше классов, чем предыдущие методы, включая пешеходов и велосипеды.

Существуют две основные технологии РЛС движения: боковое и переднее обжига. Обе используют РЛС для обнаружения присутствия движущихся транспортных средств на дороге и способны классифицировать транспортные средства на основе измерений длины транспортного средства. Боковой обжигающий радар устанавливается на обочине дороги и посылает радиолокационный луч через дорогу, перпендикулярный потоку движения. В то время как боковые обжигающие радары могут собирать данные подсчета и классификации, для сбора данных о скорости необходимы двойные лучи, создавая ловушку скорости.

Инфракрасные датчики

Этот механизм сбора данных о движении использует инфракрасную энергию вокруг зоны обнаружения для регистрации наличия скорости и типа проезжающих мимо автомобилей. Его недостатки включают в себя тот факт, что он не может работать в плохую погоду и имеет ограниченное покрытие полосы движения. Несмотря на эти ограничения, инфракрасные датчики могут быть эффективными в конкретных приложениях, где благоприятные условия окружающей среды.

Магнитные датчики

Магнитные датчики размещаются под или на верхней части дорожного полотна, что позволяет ему подсчитывать количество транспортных средств, скорость и тип транспортного средства. Архитектура системы имеет высокую расширяемость и низкую стоимость установки, обслуживания и эксплуатации, что подходит для мониторинга городского движения. Эти датчики обнаруживают возмущения магнитного поля Земли, вызванные проходящими транспортными средствами, предлагая менее инвазивную альтернативу традиционным индуктивным петлям.

Новые технологии сбора данных о трафике

Транспортные агентства используют многие традиционные методы сбора данных (например, ручные подсчеты, пневматические трубки, датчики на дорогах, радарные датчики), а также новые методы сбора данных (например, беспилотные авиационные системы, данные зондов, обнаружение и обработка видеоизображений) для сбора данных о трафике.

GPS и данные о плавающих автомобилях

В настоящее время сбор данных о трафике с помощью мобильных телефонов и GPS в автомобиле стал альтернативным источником сбора данных, который может обеспечить точную информацию в реальном времени по большой дорожной сети и преодолеть некоторые проблемы, связанные с фиксированными детекторами. Это представляет собой сдвиг парадигмы в том, как собираются данные о трафике, переходя от измерений с фиксированной точкой к охвату всей сети.

Обычно информация о движении, такая как скорость транспортного средства или поток движения, собирается через стационарные детекторы, размещенные вдоль дорожной сети в стратегических точках. Однако эти стационарные детекторы обеспечивают только ограниченное пространственное покрытие. Напротив, системы на основе GPS могут непрерывно отслеживать транспортные средства по всей дорожной сети, обеспечивая всестороннее покрытие без необходимости обширной инфраструктуры установки.

Этот подход особенно хорошо приспособлен для предоставления относительно точной информации в городских районах (где данные о трафике наиболее необходимы) из-за более низкого расстояния между антеннами. Инфраструктура сотовой сети, которая поддерживает сбор данных на основе мобильных телефонов, уже широко используется в городских районах, что делает этот подход весьма экономически эффективным для городов.

В этом исследовании используется метод Floating Car Data для определения пробок на дорогах и степени, в которой наблюдаемые кластеры заторов являются значимым представлением моделей заторов в более обширной городской дорожной сети. Данные о плавающих автомобилях оказались особенно ценными для понимания моделей заторов в крупных географических районах.

Автоматическое распознавание номерных знаков (ANPR)

ANPR или LPR - это специализированная технология, которая использует оптическое распознавание символов для автоматического считывания и интерпретации регистрационных номеров транспортных средств. В сфере сбора данных о движении ANPR играет жизненно важную роль. Эта технология выходит за рамки простого подсчета транспортных средств, чтобы обеспечить сложные возможности отслеживания и анализа.

ANPR в сборе данных о движении служит двойной цели. Помимо простого подсчета транспортных средств, он обеспечивает уникальную возможность идентифицировать отдельные транспортные средства через их регистрационные номера. Эта идентификация позволяет проводить углубленный анализ, такой как определение частоты присутствия конкретного транспортного средства в конкретном месте. Следовательно, можно определить, включает ли трафик новые транспортные средства каждый раз или представляет собой повторяющиеся модели, предлагая понимание регулярности и привычек в движении транспортных средств.

Системы ANPR позволяют проводить исследования происхождения, измерять время в пути между точками и идентифицировать обычных пассажиров в сравнении с случайными путешественниками. Этот детальный уровень данных поддерживает сложные приложения анализа трафика и планирования, которые были бы невозможны с традиционными методами подсчета.

Подключенные данные автомобиля

Urban SDK помогает агентствам модернизировать сбор данных о трафике, сочетая традиционные подсчеты с GPS-ориентированными данными о подключенных транспортных средствах. Этот гибридный подход обеспечивает надежное покрытие по всем дорожным сетям - без затрат или ограничений только ручных методов. Технология подключенных транспортных средств представляет собой будущее сбора данных о трафике, используя сами транспортные средства в качестве мобильных датчиков.

Ручные подсчеты остаются полезным инструментом для определенных ситуаций, но автоматизированные технологии трансформируют то, как агентства контролируют объемы трафика. От простых счетчиков трубок до передовых данных подключенных транспортных средств, правильное сочетание методов обеспечивает точность, эффективность и масштабируемость. Интеграция нескольких источников данных создает более надежное и всестороннее понимание условий движения, чем любой один метод мог бы обеспечить в одиночку.

Методы интерпретации и анализа данных

Сбор данных о трафике — это только первый шаг в понимании моделей перегрузок. Реальная ценность возникает благодаря сложному анализу и интерпретации собранной информации. Современный анализ трафика использует широкий спектр статистических, вычислительных и визуализационных методов для извлечения значимых идей из необработанных данных.

Методы статистического анализа

Основу TCP заложили методы статистического анализа. Они предоставляют ресурсы для моделирования и прогнозирования закономерностей движения транспорта. Эти методы используют прошлые данные для поиска сезонности, тенденций и других значимых тенденций в ИТС. Статистические методы остаются фундаментальными для анализа трафика, несмотря на появление более совершенных вычислительных методов.

Предсказание транспортных потоков является важной областью исследований с 1970-х гг. Ранние усилия по прогнозированию заторов на дорогах в основном основывались на статистических (или параметрических) моделях, в связи с их простотой и интерпретацией. Эти модели с фиксированной структурой использовали эмпирические данные для обучения своих параметров. Анализ временных рядов, регрессионные модели и другие статистические подходы продолжают обеспечивать ценную информацию, особенно для понимания долгосрочных тенденций и сезонных моделей.

Кластеризация и распознавание шаблонов

Для разработки эффективных стратегий управления необходим анализ изменяющихся во времени моделей заторов движения. В качестве мощных инструментов для выявления и классификации различных типов заторов из больших наборов данных появились методы кластеризации.

В настоящем документе рассматриваются модели заторов движения в городской дорожной сети на основе индекса эффективности движения (ИПД) за 699 дней в 2018, 2019 и 2021 годах в Пекине. Метод самоорганизующихся карт (СОМ), усовершенствованный с помощью алгоритма автоматического определения кластерных чисел, предлагается для кластерных моделей заторов на основе изменяющегося во времени ИПД.

Кластерный анализ, неконтролируемый метод машинного обучения, использовался для объединения сегментов дорог в группы на основе их скоростных моделей. Это исследование направлено на обработку скоростного шаблона на основе 24-часового набора данных, пытаясь отразить тенденцию волатильности путем кластеризации. Предложена аналитическая структура, объединяющая метод кластеризации и пространственную регрессию, чтобы покрыть дефицит двойной трансформации для заторов и количественного анализа.

Даты с одинаковыми характеристиками изменения заторов определяются как имеющие один и тот же шаблон заторов в данной работе. Из-за регулярности поездок жителей пробки можно разделить на типичные ограниченные шаблоны. Паттерн заторов можно определить, проанализировав изменяющееся во времени правило заторов в дорожной сети между разными днями.

Подходы машинного обучения и глубокого обучения

Это позволяет применять машинное обучение (ML) и глубокое обучение (DL), которые являются передовыми подходами, обеспечивающими повышенную надежность при создании и генерации прогнозов транспортных потоков. Следовательно, признание и прогнозирование основных моделей пробок на дорогах стали важными, а прогнозирование заторов трафика (TCP) становится все более важной областью исследования. Достижения в машинном обучении (ML) и искусственном интеллекте (AI), а также улучшения в технологиях датчиков Интернета вещей (IoT) сделали исследования TCP решающими для развития интеллектуальных транспортных систем (ITSs).

Используя ряд методов и методов, прогнозирование заторов трафика (TCP) направлено на прогнозирование будущих моделей трафика. Информация, предоставляемая этими прогнозами, имеет решающее значение для лиц, принимающих решения в нескольких отраслях, включая бизнес, правительство, коммунальные услуги и умные города (SCs). Есть много эффективных способов прогнозирования заторов трафика и получения наилучшей прогнозирующей производительности, причем большинство из них используют либо модель DL, такую как рекуррентная нейронная сеть (RNN), либо модель ML, такую как подход на основе дерева.

Мы предлагаем эффективные алгоритмы общегородского масштаба: (i) анализ структуры пробок на основе обработки изображений (TCPIP) и (ii) сеть прогнозирования индекса перегрузок на основе глубокого сверточного автокодера (CIPNet). В этой статье мы предлагаем (i) недорогой и эффективный алгоритм анализа шаблонов пробок на основе обработки изображений, который идентифицирует группу дорог в сети, которая страдает от повторяющихся перегрузок; (ii) архитектура глубоких нейронных сетей, сформированная из сверточного автокодера, которая изучает как пространственные, так и временные отношения из последовательности данных изображения для прогнозирования индекса перегрузки сети в масштабах города.

3D карты скорости и пространственно-временной анализ

В этой статье мы представляем алгоритм, который непосредственно распутывает динамику трафика как в пространстве, так и во времени. Для этого мы сначала определяем, какой метод кластеризации наиболее эффективен для кластеризации всех зависящих от времени наблюдений скорости связи в 3D-карты скорости, где мы рассматриваем внутрикластерную однородность и межкластерные критерии несходства, а также вычислительное время для определения оптимального количества кластеров.

В этой статье мы исследуем повседневную регулярность городских перегрузок. Сначала мы разбиваем данные о скорости передачи данных каждые 10 минут на 3D-кластеры, которые предлагают скромный набросок импульса перегрузки. Затем мы собираем дни с аналогичными шаблонами и используем методы кластеризации консенсуса для создания уникальной глобальной картины, которая подходит для нескольких дней, раскрывая повседневную регулярность.

Мы показываем, что сеть Амстердама за 35 дней может быть синтезирована только в 4 согласованных 3D-карты скорости с 9 кластерами. Это прокладывает путь для передового систематического метода прогнозирования времени в пути в городах. Сопоставляя текущее наблюдение с историческими согласованными 3D-картами скорости, мы разрабатываем эффективный метод в реальном времени, который успешно прогнозирует 84% поездок с погрешностью ниже 25%.

Причинно-следственный анализ на основе графов

В этой статье представлена новая структура для интерпретируемого представления и настраиваемого извлечения моделей заторов трафика с использованием графиков причинно-следственных связей, которая использует многие из этих возможностей. Интегрируя знания домена с инновационными методами управления данными, мы решаем проблемы эффективного обработки и извлечения растущего объема данных трафика для различных аналитических целей. Рамка использует причинные графы для кодирования моделей заторов трафика, захвата фундаментальных явлений и их пространственно-временных отношений, что облегчает интерпретируемый высокоуровневый взгляд на динамику трафика.

Типичные явления трафика включают узкие места заторов, переходный трафик, колебания трафика (волны остановки и движения), однородные заторы и т. Д. Понимание этих фундаментальных явлений трафика и их причинно-следственных связей позволяет более сложный анализ и прогнозирование моделей заторов.

Динамическая кластеризация для анализа в реальном времени

Для решения этой задачи предлагается методология динамической кластеризации данных автомобильных траекторий, которая может обеспечить точное представление состояния движения. Данные были собраны для города Сан-Франциско, применен алгоритм динамической кластеризации и затем применен индикатор для идентификации районов с загруженностью движения.

Методология динамической кластеризации превосходит свою способность адаптироваться к изменениям в распределении данных. Рисунок 8а показывает, как гипербокс был гибко и точно скорректирован для охвата сегментов дороги, эффективно фиксируя изменения плотности и формы кластеров по мере развития данных, как это видно на Рисунке 8b. Кроме того, эта методология продемонстрировала явное преимущество в выборе сегментов дороги, подверженных изменениям в потоке транспортных средств и плотности трафика.

Понимание типов шаблонов заторов

Заторы на дорогах проявляются в различных формах в зависимости от времени суток, дня недели, сезонных факторов и особых событий. Признание и классификация этих моделей имеет важное значение для разработки эффективных стратегий управления.

Временные модели заторов

Узоры понедельников и перегруженных будни имеют заметный утренний пик, в то время как узоры пятниц, обычных будни и будни зимних и летних каникул имеют заметный вечерний пик. Субботы, воскресенья и фестивали менее перегружены, чем будни. Эти временные изменения отражают основное поведение городского населения и должны учитываться в стратегиях управления движением.

Путешественники, как правило, учитывают режим поездки и время в пути больше, чем маршрут в мультимодальной транспортной системе. Состояние пробок в зоне назначения или даже вся дорожная сеть является важной справочной информацией для путешественников. На фоне различных целей поездок в будние дни, выходные и праздничные дни ежедневные пробки представляют собой различные характеристики.

Повторяющиеся vs. неповторяющиеся заторы

Алгоритм TCPIP генерирует схему карты заторов в масштабах города для любого периода (например, утренний или вечерний час пик, полдень и т. Д.); Он показывает вероятность возникновения пробок на каждой дороге в транспортной сети, отслеживая закономерности из исторических данных. Различие между повторяющимися заторами (предсказуемые модели на основе регулярных поездок) и неповторяющимися заторами (вызванными инцидентами, погодой или специальными событиями) имеет решающее значение для соответствующих стратегий реагирования.

Мы разрабатываем эффективный алгоритм общегородского трафика заторов на основе обработки изображений. Алгоритм генерирует карту, которая показывает части дорожной сети, страдающие от повторяющихся заторов. Идентификация мест с повторяющимися заторов позволяет активные улучшения инфраструктуры и управления движением вмешательства.

Классификация тяжести заторов

Разработана комплексная система показателей классификации, включающая в себя обильную степень дорожной сети, движение транспорта, скорость и заполняемость, которая разделила состояние движения на свободное состояние, базовое свободное состояние, небольшие заторы, умеренные заторы и тяжелые заторы на основе усовершенствованного метода кластеризации FCM. Стандартизированные системы классификации позволяют последовательно общаться об условиях движения и поддерживать автоматизированное принятие решений в интеллектуальных транспортных системах.

Разделили дорожные статусы на серьезные заторы, умеренные заторы, легкие заторы и отсутствие заторов на основе индекса времени очередей (QTI), и пороги для разных уровней были получены с использованием метода кластерного анализа для описания дорожного статуса сигнализированного перекрестка. Различные показатели и пороги могут быть подходящими для различных контекстов, таких как автострады против городских артерий против перекрестков.

Применение анализа данных трафика

Конечная ценность сбора и анализа данных о дорожном движении заключается в его практическом применении для улучшения транспортных систем и городской мобильности. Современное управление движением использует данные, основанные на знаниях, через несколько временных горизонтов и областей применения.

Краткосрочное управление трафиком

Данные трафика в реальном времени позволяют динамические стратегии управления, которые реагируют на текущие условия. Центры управления трафиком отслеживают прямые каналы данных из различных источников для обнаружения инцидентов, выявления развивающихся заторов и реализации ответных мер.

Сбор данных о движении - это процесс сбора, изучения, интерпретации, а затем хранения информации о сегментах дорог и автомагистралей. Существует четыре основных способа использования сбора данных о движении. Эти приложения охватывают от немедленных оперативных решений до долгосрочного стратегического планирования.

Изучение того, как движение транспорта проходит через определенные районы и условия превышения скорости на определенных участках дорог, помогает учреждениям вносить коррективы в целях снижения риска и скорости аварий. Например, в районе с регулярным, тяжелым транспортным потоком и в тех случаях, когда сигнализированное пересечение является проблематичным, данные о движении могут помочь определить, будет ли круговая развязка наиболее полезным и безопасным решением.

Оптимизация времени сигнала

Данные о количестве транспортных средств и их классификации предоставляют дорожным агентствам ценную информацию об использовании и заполняемости автомобильных дорог. Знание того, сколько транспортных средств используют автомобильные дороги и в какое время они имеют жизненно важное значение для планирования движения и операций, таких как время сигнала. Данные классификации позволяют агентствам понять, как транспортные средства используют автомобильные дороги, такие как районы с большим движением грузовиков или автобусов, и планировать дорожные пути на основе пользователей.

Адаптивные системы управления сигналами используют данные трафика в реальном времени для непрерывной корректировки времени сигнала на основе текущего спроса, максимизации пропускной способности и минимизации задержек.Исторический анализ данных помогает установить базовые планы времени для разных времен дня и дней недели, в то время как корректировки в реальном времени реагируют на изменения от типичных моделей.

Планирование и проектирование инфраструктуры

Мы проводим подсчет трафика по просьбе местного правительства для обследования существующих условий движения. Эта информация об опросе собирается на регулярной основе для правительства, чтобы понять, как растет или уменьшается трафик вдоль дорог. Эта информация используется для составления долгосрочных прогнозов по улучшению дорог, для восстановления дорог, возмещаемых федеральным правительством из доходов от налога на газ.

Долгосрочные данные о движении транспорта поддерживают решения по планированию движения капитала о том, где строить новые дороги, добавлять полосы движения, строить развязки или осуществлять другие крупные улучшения инфраструктуры. Понимание тенденций роста и прогнозов будущего спроса имеет важное значение для экономически эффективных инвестиций в инфраструктуру.

Исследования скоростных зон и анализ безопасности

DOT, муниципальные органы власти и правоохранительные органы используют сбор данных о движении, чтобы сделать высокоскоростные районы более безопасными для автомобилистов и пешеходов. Исследования скоростных зон собирают данные, чтобы помочь определить проблемы безопасности дорожного движения, а затем установить соответствующие ограничения скорости для конкретных сегментов этих дорог. Собранные данные могут включать, но не ограничиваться, сообщениями о несчастных случаях, количеством транспортных средств, проходящих через этот сегмент в течение определенного периода времени, вариациями скорости и другими точками движения.

Анализ безопасности объединяет данные об объеме трафика с записями о дорожно-транспортных происшествиях для выявления мест повышенного риска и оценки эффективности мер по обеспечению безопасности. До и после исследований измеряется влияние таких мероприятий, как новые сигналы, улучшенные вывески или геометрические модификации.

Прогнозирование времени в пути и информация о путешественниках

Исследования MTTCP демонстрируют временные горизонты от 30 минут до нескольких часов, и их цель состоит в том, чтобы помочь в стратегиях управления движением, управлении заторами и распределении ресурсов.По сравнению с STTCP, MTTCP требует баланса между временным разрешением и вычислительной эффективностью, при этом реализация модели требует учета временных моделей и, возможно, ежедневных циклов трафика.В целом MTTCP использует гибридные модели, сочетающие статистические методы с ML, пространственно-временные модели и некоторые методы DL.

Точные прогнозы времени в пути позволяют путешественникам принимать обоснованные решения о времени отправления, выборе маршрута и режиме. Навигационные приложения полагаются на условия движения в реальном времени и прогнозируемые условия движения, чтобы обеспечить оптимальные рекомендации по маршрутизации. Общественные информационные системы отображают ожидаемое время в пути по основным коридорам, чтобы помочь водителям планировать свои поездки.

Долгосрочная политика и планирование

Временной горизонт LTTCP колеблется от нескольких часов до дней или даже недель.Цель LTTCP — поддержка планирования инфраструктуры, разработки политики, планирования мероприятий и долгосрочных стратегий управления трафиком. Характеристики LTTCP включают низкое временное разрешение с акцентом на более широкие тенденции, а не на немедленные колебания.Кроме того, часто требуется учитывать такие переменные, как сезонные тенденции, экономические факторы и запланированные события.

Этот метод полезен для управления движением с точки зрения принятия решений в соответствии с различными моделями заторов.Понимание долгосрочных тенденций поддерживает политические решения о землепользовании, транзитных инвестициях, управлении парковками и других стратегических инициативах, которые формируют городские транспортные системы на протяжении десятилетий.

Проблемы и соображения в сборе данных о трафике

Современные технологии сбора данных о трафике предлагают беспрецедентные возможности, но они также представляют собой различные проблемы, которые необходимо решить для обеспечения качества данных и эффективного использования.

Качество и точность данных

Данные хороши настолько, насколько хорош метод, который использовался для их сбора. Ничто не может быть более правдивым, когда речь идет о трафике. Обеспечение точности данных требует тщательной калибровки датчиков, регулярного обслуживания и проверки на соответствие измерениям наземной правды.

Хотя существуют различные методы сбора этих данных, они сильно различаются по сбору и точности. Различные технологии имеют разные сильные и слабые стороны, и понимание этих компромиссов имеет важное значение для выбора соответствующих методов для конкретных применений.

Оптимальной практикой является использование комбинации методов, чтобы города имели лучший профиль того, кто и что использует их дороги. Суть в том, что нет одного идеального метода сбора данных - некоторые методы более подходят для определенных условий и приложений, чем другие. Мультимодальный подход к сбору данных обеспечивает избыточность и позволяет перекрестную валидацию между различными источниками.

Расходы на установку и техническое обслуживание

Это наиболее традиционные (и традиционные) способы сбора данных о трафике. Проблема в том, что они дорогостоящие и разрушительные для установки и обслуживания, а некоторые из них могут быть некорректными или неработоспособными в любое время. Тем не менее, они являются важной частью сбора данных о трафике, на которую по-прежнему полагаются многие города.

Интрузивные датчики, особенно учитывая, что объемы трафика со временем увеличились, не являются будущим мониторинга трафика и сбора данных. Их очень много предстоит пройти с точки зрения налогоплательщика и местного водителя для не столь высокого качества данных с точки зрения муниципалитета. Однако до инноваций последних 20 лет эти датчики были всем, что у нас было. Переход к неинтрузивным и основанным на зондах методам сбора данных отражает как технологический прогресс, так и экономические соображения.

Охват и масштабируемость

Фиксированные объекты, такие как индуктивные петли, системы наблюдения за движением и микроволновые радары, обычно используются для обнаружения дорожного движения и сбора различных данных, включая скорость движения, объем движения, плотность и классификацию транспортных средств. Однако такие объекты дороги и в основном обслуживают только перекрестки или автострады. Разреженная сенсорная сеть затрудняет выявление проблемных звеньев в режиме реального времени.

Для достижения всеобъемлющего охвата сети традиционными фиксированными датчиками потребуются непомерные инвестиции. Методы сбора данных на основе зондов предлагают решение, используя существующие мобильные устройства и подключенные транспортные средства для обеспечения покрытия по всей дорожной сети без выделенной инфраструктуры в каждом месте.

Экологические и эксплуатационные ограничения

Однако большие многополосные дороги имеют недостатки, поскольку придорожные датчики не смогут обнаруживать движение в более дальних полосах. Это особенно верно, когда большие полупроводники используют крайнюю полосу и препятствуют линии обзора датчиков. Вообще говоря, чем выше расположен датчик, тем ниже окклюзия и тем лучше обзорная точка, с которой он должен контролировать движение.

Погодные условия, изменения освещения и физические препятствия могут повлиять на производительность датчиков. Надежные системы мониторинга трафика должны учитывать эти факторы окружающей среды и использовать технологии, подходящие для местных условий. Излишние источники данных помогают обеспечить непрерывность обслуживания даже при компрометации отдельных датчиков.

Обработка и хранение данных

далеко не тривиальны, поскольку предполагает реконструкцию дороги и сотовой сети в рамках цифровой картографической системы и обработку большого объема информации.Современные системы мониторинга движения генерируют огромные объемы данных, которые необходимо обрабатывать, хранить и анализировать эффективно.

Одним из недостатков этой технологии является то, что непрерывная передача скорости большого числа транспортных средств создает значительную тяжелую нагрузку на каналы передачи и, следовательно, является значительным фактором затрат при использовании платной системы связи.По этой причине было бы предпочтительнее передавать сжатые данные, а не отдельные значения в центр, отвечающий за сбор и процесс данных о трафике.Эффективные сжатие данных, протоколы передачи и архитектуры хранения имеют важное значение для масштабируемых систем мониторинга трафика.

Лучшие практики для программ сбора данных о трафике

Успешные программы сбора данных о дорожном движении требуют тщательного планирования, надлежащего выбора технологий и постоянного управления качеством. Транспортным агентствам следует учитывать несколько ключевых принципов при разработке или расширении своих возможностей сбора данных.

Определите четкие цели

Сбор данных является критическим шагом в процессе анализа. Знание того, что собирать, когда собирать, как долго собирать, где собирать и как управлять данными, должно быть рассмотрено до начала сбора. Различные приложения требуют разных типов данных с различными уровнями пространственного и временного разрешения.

Прежде чем инвестировать в инфраструктуру сбора данных, агентства должны четко определить свои аналитические потребности и варианты использования. Будут ли данные поддерживать операции в режиме реального времени, исследования планирования, анализ безопасности или измерение производительности? Ответы на эти вопросы определяют стратегии выбора и развертывания технологий.

Внедрение процедур обеспечения качества

Регулярная калибровка, валидация и техническое обслуживание необходимы для обеспечения качества данных с течением времени. Автоматизированные проверки качества могут отмечать аномальные данные для проверки, в то время как периодическая ручная валидация подтверждает, что автоматизированные системы работают правильно.

Сравнение данных из нескольких источников помогает выявить и исправить ошибки.Когда возникают расхождения между различными методами измерения, исследование может выявить неисправности датчиков, проблемы калибровки или другие проблемы, требующие внимания.

Использование нескольких источников данных

Даже если дальнейшие разработки все еще необходимы, оба типа источников - фиксированные и мобильные - в настоящее время широко используются несколькими поставщиками услуг по всему миру для предоставления пользователям высококачественной информации о трафике в режиме реального времени.Объединение традиционных фиксированных датчиков с новыми источниками данных на основе зондов создает более всеобъемлющую и устойчивую систему мониторинга.

Различные источники данных дополняют сильные стороны друг друга и компенсируют слабые стороны. Фиксированные датчики обеспечивают высокоточные точечные измерения, в то время как данные зондов обеспечивают широкий пространственный охват. Интеграция этих источников с помощью методов слияния данных дает лучшие результаты, чем один из источников.

Инвестирование в инфраструктуру управления данными

Данные собираются центрами управления дорожным движением, уточняются и распространяются среди пользователей центрами информации о дорожном движении в большинстве стран ЕС.Эффективное управление данными требует надежных систем сбора, хранения, обработки, контроля качества и распространения данных.

Облачные платформы все чаще поддерживают управление данными о трафике, предлагая масштабируемость, доступность и расширенные аналитические возможности. Интерфейсы прикладного программирования (API) позволяют обмениваться данными с партнерскими агентствами, исследователями и сторонними разработчиками приложений, максимизируя ценность собранных данных.

План долгосрочного устойчивого развития

Программы сбора данных о трафике требуют постоянного финансирования для обслуживания, замены и модернизации оборудования. Технологии быстро развиваются, и системы, развернутые сегодня, могут устареть в течение десятилетия. Агентства должны разрабатывать долгосрочные финансовые планы, которые учитывают затраты на жизненный цикл, а не только первоначальные капитальные инвестиции.

Не менее важны обучение персонала и управление знаниями.По мере изменения персонала с течением времени институциональные знания о системах и процедурах сбора данных должны сохраняться посредством документации, учебных программ и процессов передачи знаний.

Будущие тенденции в сборе и анализе данных о трафике

Сфера сбора данных о дорожном движении и анализа заторов продолжает быстро развиваться, чему способствуют технологические инновации и меняющиеся парадигмы перевозок. Будущее этой области, вероятно, будет определяться рядом новых тенденций.

Искусственный интеллект и продвинутая аналитика

Машинное обучение и искусственный интеллект трансформируют возможности анализа трафика. Модели глубокого обучения могут извлекать сложные шаблоны из массивных наборов данных, позволяя более точные прогнозы и более глубокое понимание динамики трафика. Достижения компьютерного зрения позволяют автоматизированное извлечение подробной информации из видеопотоков, включая типы транспортных средств, пешеходные движения и события, близкие к промаху.

По мере развития этих технологий они позволят использовать все более сложные приложения, такие как автоматическое обнаружение инцидентов, прогнозное обслуживание транспортной инфраструктуры и персонализированные информационные услуги для путешественников, адаптированные к индивидуальным предпочтениям и шаблонам путешествий.

Подключенные и автономные транспортные средства

Растущее развертывание подключенных транспортных средств создает новые возможности для сбора данных о движении. Транспортные средства, оснащенные возможностями связи между транспортными средствами (V2I) и транспортными средствами (V2V), могут обмениваться информацией в режиме реального времени об их скорости, местоположении и условиях эксплуатации.

По мере того, как автономные транспортные средства будут становиться все более распространенными, они будут генерировать еще более богатые потоки данных о дорожных условиях, структуре движения и производительности инфраструктуры. Эти данные могут поддерживать как немедленные оперативные решения, так и долгосрочное планирование и усовершенствование конструкции.

Интеграция с платформами Smart City

Сбор данных о дорожном движении все более интегрируется с более широкими инициативами в области умных городов, которые объединяют информацию из нескольких городских систем.Интеграция данных о дорожном движении с информацией о общественном транспорте, парковке, погоде, специальных мероприятиях и других факторах позволяет более целостно управлять городской мобильностью.

Инициативы в области открытых данных делают информацию о движении доступной для исследователей, предпринимателей и граждан, способствуя инновациям в сфере услуг и приложений в области мобильности. Эта демократизация данных создает возможности для новых решений, которые могут быть получены из различных источников, помимо традиционных транспортных агентств.

Сбор данных, сохраняющих конфиденциальность

По мере того, как сбор данных о трафике становится все более детальным и всеобъемлющим, вопросы конфиденциальности становятся все более важными. Будущим системам необходимо будет сбалансировать преимущества подробного сбора данных с соответствующей защитой конфиденциальности для отдельных лиц.

Такие методы, как анонимизация данных, агрегация и дифференциальная конфиденциальность, могут обеспечить ценный анализ трафика при одновременной защите конфиденциальности отдельных лиц. Прозрачные политики управления данными и вовлечение общественности помогают укрепить доверие и социальное признание систем мониторинга трафика.

Мультимодальный анализ перевозок

Традиционный сбор данных о движении был сосредоточен в основном на моторизованных транспортных средствах, но всесторонний анализ городской мобильности требует понимания всех видов транспорта, включая ходьбу, езду на велосипеде, общественный транспорт и новые виды транспорта, такие как электронные скутеры и совместное использование поездок.

Будущие системы сбора данных будут все чаще охватывать мультимодальную деятельность, что позволит анализировать взаимодействие различных режимов и конкуренцию за ограниченное пространство на дорогах. Эта целостная перспектива поддерживает более эффективную политику поощрения устойчивого транспорта и сокращения заторов.

Тематические исследования и реальные приложения

Изучение реальных реализаций сбора данных о трафике и анализа заторов дает ценную информацию о практических проблемах и успешных стратегиях.

3D-анализ карты скорости Амстердама

В этой статье мы поставили под сомнение регулярность ежедневных моделей мобильности на макроскопическом уровне. Глобальный анализ данных о скорости связи Амстердама за 35 дней показывает высокую степень регулярности при сравнении моделей суточной загруженности. В нашем случае четырех согласованных 3D-карт скорости, связанных с четырьмя группами дней, достаточно для описания ежедневной динамики движения в масштабе города. Это замечательно, учитывая тот факт, что эти согласованные 3D-карты скорости очень компактны: для нашего тематического исследования они состоят только из 9 кластеров (сборник ссылок и идентификатор времени), каждый из которых характеризуется одним средним значением скорости.

Это исследование демонстрирует, как сложные аналитические методы могут перегонять огромные объемы данных о трафике в простые, действенные модели.Способность характеризовать динамику движения всего города всего с четырьмя типами шаблонов имеет значительные последствия для прогнозирования трафика и управления им.

Анализ индекса эффективности трафика в Пекине

Степень загруженности в 2021 году увеличивается на 7,15% в часы пик и уменьшается на 7,50% в непиковые часы по сравнению с 2019 годом из-за COVID-19. Этот вывод иллюстрирует, как серьезные социальные нарушения могут фундаментально изменить модели трафика и как комплексный сбор данных позволяет количественно оценить эти изменения.

Использование Пекинским исследованием самоорганизующихся карт для выявления различных моделей заторов в разных типах дня демонстрирует ценность неконтролируемых методов обучения для обнаружения структуры в сложных данных о трафике.

Сеульский подход к глубокому обучению

Мы разработали стратегии движения и провели тематическое исследование с использованием данных о реальном движении из Сеула (Южная Корея) для оценки их возможностей в сокращении повторяющихся заторов на дорогах. Наши обширные эксперименты по сети городского транспорта Сеула демонстрируют эффективность и действенность предлагаемых подходов.

Реализация Сеулом глубокого обучения для прогнозирования заторов демонстрирует, как передовые вычислительные методы могут быть применены в масштабе города для поддержки активного управления трафиком и стратегий снижения заторов на стороне спроса.

Заключение

Сбор данных о движении и анализ моделей заторов резко эволюционировали от простых ручных подсчетов до сложных систем, использующих искусственный интеллект, подключенные транспортные средства и массивные потоки данных. Современные транспортные агентства имеют доступ к беспрецедентному набору технологий и аналитических методов для понимания динамики движения.

Успех в этой области требует не только развертывания передовых технологий. Эффективные программы обработки данных о трафике сочетают в себе надлежащий выбор технологий с четкими целями, надежное управление качеством, квалифицированный персонал и устойчивое финансирование. Интеграция нескольких источников данных - от традиционных фиксированных датчиков до новых методов на основе зондов - создает более всеобъемлющие и устойчивые возможности мониторинга, чем любой один подход.

По мере того, как города продолжают расти, а транспортные системы становятся все более сложными, важность высококачественных данных о трафике будет только возрастать. Представления, полученные в результате анализа данных о трафике, поддерживают критические решения на разных временных горизонтах, от корректировки времени сигнала в реальном времени до долгосрочных инвестиций в инфраструктуру на сумму в миллиарды долларов.

В перспективе сближение подключенных транспортных средств, искусственного интеллекта и платформ «умного города» обещает еще большие возможности для понимания и управления городской мобильностью, однако эти достижения должны быть сбалансированы с соответствующим вниманием к конфиденциальности, справедливости и вовлечению общественности, чтобы гарантировать, что системы мониторинга трафика служат более широким общественным интересам.

Специалисты по транспорту, градостроители и политики, которые инвестируют в создание надежных возможностей сбора и анализа данных о дорожном движении, позиционируют свои сообщества для принятия более обоснованных решений, оптимизации существующей инфраструктуры и создания более эффективных, устойчивых и пригодных для жизни городов в будущем.

Дополнительные ресурсы

Для тех, кто стремится углубить свое понимание сбора данных о дорожном движении и анализа заторов, доступны многочисленные ресурсы. Федеральное управление по управлению дорожным движением (FLT:0) предоставляет обширные рекомендации по инструментам анализа трафика и методам сбора данных. Академические журналы, такие как Transportation Research и Journal of Intelligent Transportation Systems, публикуют передовые исследования по технологиям мониторинга движения и аналитическим методам.

Профессиональные организации, включая Институт инженеров транспорта (ITE) и Совет по исследованиям транспорта (TRB), предлагают учебные программы, конференции и публикации, которые поддерживают практикующих в курсе развивающихся лучших практик. Онлайн-платформы, такие как Coursera и edX , предоставляют курсы по транспортной инженерии, науке о данных и машинному обучению, которые создают соответствующие навыки для современного анализа трафика.

Программные средства и наборы данных с открытым исходным кодом позволяют осуществлять практическое обучение и эксперименты. Такие платформы, как GitHub, предоставляют многочисленные проекты по анализу трафика, в то время как города все чаще публикуют данные о трафике через порталы открытых данных, создавая возможности для исследований и инноваций.

Используя эти ресурсы и продолжая работать в быстро развивающейся области сбора и анализа данных о дорожном движении, специалисты по транспорту могут продолжать развивать опыт, необходимый для решения проблем мобильности, стоящих перед городами во всем мире.