Введение

Моделирование трафика имеет важное значение для разработки более безопасных и эффективных транспортных систем. Традиционные модели часто предполагают, что водители ведут себя равномерно, но на самом деле поведение водителя значительно варьируется в зависимости от людей, контекстов и времени. Эта изменчивость проистекает из различий в когнитивных способностях, восприятии риска, культурных нормах и даже кратковременных отвлекающих факторах. Игнорирование этих различий приводит к моделям, которые искажают реальную динамику трафика - недооценивая серьезность заторов, переоценивая пропускную способность и неспособность захватить модели предшественников, которые предшествуют несчастным случаям. Включая изменчивость поведения водителя человека в модели трафика, инженеры и планировщики могут достичь более точных прогнозов, проектировать адаптивные системы управления движением и в конечном итоге уменьшить аварии и задержки.

В этой статье рассматриваются причины, по которым важна изменчивость поведения водителя, основные методы, используемые для его моделирования, проблемы, которые остаются, и перспективные будущие направления, которые изменят то, как мы моделируем и управляем дорожными сетями.

Важность поведения водителя в моделях дорожного движения

Водители-люди не являются идентичными системами управления. Их время реакции, пороги пропуска, выбор скорости и модели изменения полосы движения сильно различаются. Даже один и тот же водитель ведет себя по-разному в зависимости от усталости, отвлечения внимания, погоды или срочности. Эти изменения создают возникающие явления, такие как волны остановки и движения, фантомные пробки и асимметричные модели потока, ни один из которых не может быть адекватно воспроизведен моделями, которые рассматривают всех водителей как однородные агенты.

Исследования последовательно показывают, что включение неоднородности водителя улучшает точность модели. Например, исследования, сравнивающие однородные модели, следующие за автомобилем, с моделями с распределенным временем реакции, показывают, что неоднородность лучше воспроизводит падение емкости при узких местах и скорость распространения ударных волн (см. Treiber & Kesting, 2017 ). В анализе безопасности модели, которые учитывают изменчивость в принятии рисков, могут идентифицировать зоны с высоким уровнем конфликтов более точно, чем детерминированные подходы.

Практические последствия значительны. Инженеры дорожного движения полагаются на модели для установления ограничений скорости, определения времени сигнала, планирования конфигурации полосы движения и оценки воздействия новой инфраструктуры. Если изменчивость поведения водителя не представлена, эти решения могут основываться на ошибочных предположениях, что приводит к неоптимальным или даже небезопасным конструкциям.

Ключевые источники поведенческой изменчивости

Вариабельность поведения водителя можно разделить на несколько измерений:

  • Опыт и навыки: Опытные водители, как правило, имеют более длительное время реакции и менее последовательное принятие разрыва. Опытные водители могут проявлять более агрессивные, но более плавные маневры.
  • Терпимость к риску: Некоторые водители придерживаются консервативных подходов, в то время как другие принимают более короткие пробелы, особенно в ситуациях слияния и изменения полосы движения.
  • Внимание и отвлечение: Когнитивная нагрузка от использования телефона, разговора или дисплеев в автомобиле значительно изменяет время отклика и точность обслуживания полосы движения.
  • Экологические и культурные факторы: Региональные культуры вождения, геометрия дорог и уровни правоприменения влияют на поведенческие нормы, такие как соответствие скорости и урожайность.
  • Непосредственное состояние: Усталость, гнев или срочность (например, спешка на работу) могут временно изменить поведение водителя.

Методы включения переменности поведения

Для того чтобы уловить стохастическую и неоднородную природу поведения водителя, было разработано несколько парадигм моделирования, каждый из которых предлагает различные компромиссы между сложностью, реализмом и вычислительной тягостностью.

Стохастическое моделирование

Стохастические модели вводят случайность в детерминированные уравнения, чтобы представить присущую непредсказуемость человеческих решений. Например, в моделях, следующих за автомобилем, таких как модель интеллектуального водителя (IDM), параметры, такие как желаемая скорость, минимальный разрыв и показатель ускорения, могут быть взяты из распределений вероятностей, а не из фиксированных значений. Это дает спектр поведения водителя в моделировании.

Общей реализацией является использование гауссовских или логарифмических нормальных распределений для времени реакции, со средним и дисперсией, откалиброванными из эмпирических данных (например, с использованием натуралистических исследований вождения). Стохастические модели относительно легкие и могут быть интегрированы в макроскопические или мезоскопические симуляции. Однако они предполагают, что изменчивость случайна и некоррелирована, что может не фиксировать систематические различия между типами водителей.

Исследования, проведенные Ma и др. (2019) , показали, что добавление времени стохастической реакции к модели клеточного автомата значительно улучшило ее способность воспроизводить распределение мест разрушения потока трафика.

Поведенческие параметры

Вместо того, чтобы рассматривать поведение как чисто случайное, этот подход собирает данные о конкретных поведенческих показателях - времени реакции, максимальном ускорении, комфортном замедлении, пороге пропуска, продолжительности смены полосы движения и желаемой скорости - и присваивает различные наборы параметров различным классам водителей. Источники данных включают инструментальные транспортные средства, тренажеры вождения, натуралистические исследования вождения и датчики на дорогах.

Методы кластеризации (например, k-средства, модели гауссовой смеси) могут группировать драйверов в профили: «консервативные», «нормальные» и «агрессивные». Каждый профиль имеет свои значения параметров и правила перехода. Например, агрессивный драйвер может иметь более короткий временной интервал 0,8 секунды, в то время как консервативный драйвер использует 2,0 секунды. Моделирование затем присваивает каждому агенту профиль из распределения кластера, соответствующий наблюдаемой смеси в популяции.

Этот метод широко используется в инструментах микроскопического моделирования (например, VISSIM, SUMO) и был проверен на реальных данных трафика. Его основным недостатком является сложность получения точных, крупномасштабных поведенческих данных для калибровки.

Агент-базированные модели (ABM)

Модели на основе агентов максимально полно используют моделирование на индивидуальном уровне, предоставляя каждому агенту водителя уникальный набор поведенческих правил, возможностей обучения и процессов принятия решений.В отличие от совокупных или стохастических подходов, ПРО могут включать адаптивное поведение - например, драйвер, который изучает типичные временные интервалы сигнала на перекрестке и соответствующим образом корректирует их ускорение.

Каждый агент воспринимает свою среду (положения и скорости близлежащих транспортных средств, дорожные сигналы, геометрия дороги) и применяет правила, которые могут быть детерминированными или вероятностными. Взаимодействия между агентами порождают возникающие явления движения, которые трудно воспроизвести с помощью моделей на основе уравнений. ПРО особенно мощны для изучения сложных сценариев, таких как слияние на шоссе, переговоры вокруг окольной дороги и взаимодействия пешеходов и транспортных средств.

Заметным примером является модель социальных сил, адаптированная для движения транспортных средств, где водители находятся под влиянием «социальных сил», представляющих их желаемую скорость и избегание других транспортных средств. Изменяя силу этих сил у разных агентов, естественно вводится неоднородность. Однако ПРО являются вычислительно интенсивными и требуют строгой проверки эмпирических данных, чтобы избежать переобучения или нереалистичного поведения.

Машинное обучение и подходы, основанные на данных

Последние достижения в области машинного обучения (ML) предлагают мощные инструменты для изучения изменчивости поведения водителя непосредственно из крупномасштабных наборов данных о траекториях. Рекуррентные нейронные сети (RNN), сети с длинной кратковременной памятью (LSTM) и модели трансформаторов могут прогнозировать траектории транспортных средств, захватывая закономерности в исторических последовательностях. Эти модели по своей сути представляют неоднородность, потому что они обучены на различных примерах драйверов.

Ключевым преимуществом является то, что модели ML могут изучать тонкие, нелинейные зависимости, которые упускают традиционные параметрические модели. Например, LSTM может предсказать изменение направления движения за секунды до маневра, кодируя прошлую скорость водителя и динамику бокового ускорения. Это позволяет симуляциям трафика включать реалистичное, контекстно-чувствительное поведение.

Тем не менее, модели ML часто являются черными ящиками, что затрудняет их интерпретацию и проверку. Они также требуют огромного количества маркированных данных о траектории - обычно из инструментальных транспортных средств или отснятых беспилотников - и могут не обобщать хорошо невидимые дорожные геометрии или режимы движения. Гибридные подходы, которые сочетают физические ограничения, связанные с автомобилями, с уровнями классификации ML, появляются в качестве многообещающего направления (см. ] Чжоу и др., 2021 ].

Проблемы и возможности

Несмотря на очевидные преимущества, включение изменчивости поведения водителя в модели оперативного трафика представляет собой несколько существенных проблем. Решение этих проблем открывает возможности для инноваций в сборе данных, калибровке моделей и приложениях в режиме реального времени.

Сбор данных и конфиденциальность

Точные модели требуют данных о движении с высоким разрешением, натуралистических данных от большой и разнообразной выборки водителей. Традиционные детекторы петлей и камеры фиксируют совокупные потоки, но не индивидуальное поведение. Натуралистические исследования вождения (например, база данных SHRP2) предоставляют подробные данные о доаварийном и нормальном вождении, но они дороги и ограничены в географическом охвате.

Современные подключенные транспортные средства и телематика смартфонов могут передавать непрерывные данные о траектории, предлагая богатый источник для калибровки. Однако проблемы конфиденциальности и вопросы владения данными создают барьеры для обмена и агрегирования этих данных. Методы анонимизации и федеративное обучение могут помочь, но они добавляют сложность. Возможность заключается в разработке фреймворков, которые позволяют моделям извлекать выгоду из краудсорсинговых поведенческих данных без ущерба для индивидуальной конфиденциальности.

Вычислительная сложность

Моделирование миллионов гетерогенных агентов в реальном времени требует вычислительных усилий. Стохастические и основанные на параметрах модели относительно дешевы, но модели на основе агентов и ML-улучшенные модели могут потребовать нескольких дней вычислений для большого сетевого моделирования. Это ограничивает их использование в управлении трафиком в реальном времени и оптимизации.

Возможности существуют в использовании параллельных вычислений, графических процессоров (GPU) и методов сокращения моделей. Приблизительные байесовские вычисления и суррогатное моделирование также могут ускорить калибровку, сохраняя при этом поведенческую изменчивость. По мере улучшения оборудования более подробные гетерогенные моделирования станут возможными для оперативного использования.

Проверка и калибровка

Калибровка модели с поведенческой изменчивостью сложнее калибровки однородной. Пространство параметров увеличивается с количеством классов драйверов или степеней свободы в стохастическом распределении. Без надлежащей калибровки модели могут производить нереалистичную изменчивость — либо слишком случайную, либо слишком кластеризованную.

Валидация требует сравнения не только совокупных показателей трафика (поток, плотность, скорость), но и метрик распределения, таких как дисперсия траекторий движения, частоты смены полосы движения и форма разбросов плотности скорости. Для автоматического соответствия поведенческих распределений наблюдаемым данным используются новые методы, такие как вывод без вероятности и байесовская оптимизация. Возможность заключается в создании стандартизированных эталонов валидации, которые поощряют сопоставимость между подходами моделирования.

Будущие направления

Модели движения следующего поколения будут более адаптивными, богатыми данными и тесно интегрированными с системами управления умными городами и автономными транспортными средствами.

Адаптация в реальном времени

Вместо использования статических поведенческих распределений будущие модели будут непрерывно обновлять свои параметры на основе входов датчиков в реальном времени. Например, если центр управления движением обнаружит необычный рисунок ударных волн, модель может временно увеличить дисперсию времени реакции для отражения возможных событий отвлечения. Это адаптивное моделирование позволит динамические синхронизации сигналов, ограничения переменной скорости и персонализированную информацию о путешественнике, которая реагирует на фактическое население водителя в заданное время и место.

Контроллер милепоста может собирать близлежащие траектории транспортного средства, оценивать текущее распределение поведения водителя и транслировать рекомендуемые скорости, которые учитывают наблюдаемую неоднородность.

Интеграция с подключенными и автономными транспортными средствами (CAV)

По мере того, как CAV входят в поток трафика, сочетание управляемых человеком и автоматизированных транспортных средств добавляет новый уровень поведенческой изменчивости. Автоматизированные транспортные средства работают с детерминированными алгоритмами, но их поведение зависит от возможностей программирования производителя и датчиков. Человеческие водители, в свою очередь, адаптируются к наличию автоматизации. Например, некоторые водители могут хвостовой опережение автоматизированных транспортных средств, которые поддерживают фиксированный разрыв, в то время как другие будут доверять им больше.

Будущие модели должны представлять взаимодействие между этими двумя группами населения. Для этого требуется не только моделирование изменчивости человека, но и характеристика логики управления различных автоматизированных систем вождения. Полученные модели могут помочь разработать оптимальные стратегии координации, такие как выделенные полосы для автоматизированных транспортных средств или протоколы связи, которые минимизируют неопределенность в смешанном движении.

Последствия для управления трафиком и безопасности

Более совершенные модели приводят к лучшим вмешательствам. Включение изменчивости поведения водителя может улучшить дизайн интеллектуальных транспортных систем (ITS) - от адаптивного круиз-контроля, который адаптируется к следующему стилю водителя, до измерения рампы, которое учитывает местную агрессию слияния. В безопасности модели, которые фиксируют редкое, но рискованное поведение (например, внезапное торможение из-за отвлечения), могут помочь определить места, где конфликты могут перерасти в аварии.

Моделирование движения станет стратегическим инструментом для оценки политики. Например, перед развертыванием схемы ценообразования на перегруженность города могут запускать моделирование с разнородными ответами водителя для оценки изменений в выборе маршрута, времени отправления и смене режима, а не полагаться на предположения о совершенной рациональности. Конечной целью является создание транспортных систем, которые устойчивы к полному спектру человеческого поведения.

Заключение

Вариабельность поведения человека-водителя не является неприятностью, которую нужно усреднять — это фундаментальное свойство дорожного движения, которое должно быть представлено в моделях, если мы стремимся к точным прогнозам и эффективному управлению. От стохастических параметров до агентного моделирования и машинного обучения методы для включения этой изменчивости быстро развиваются. Остальные проблемы — данные, вычисления, калибровка — решаются междисциплинарными исследованиями и технологическим прогрессом. По мере того, как мы переходим к более автоматизированным и подключенным транспортным сетям, модели, которые добросовестно фиксируют поведение человека и машины, будут иметь важное значение для достижения безопасности, эффективности и справедливости на дорогах завтрашнего дня.