Trafik Modeli Neden Hiç Daha Fazla Önemlidir

Kentsel topluluklar büyümeye devam ediyor, ulaşım altyapısı üzerinde muazzam baskıya yer veriyor. Trafik sıkışıklığı, yıllık% 90 oranında artan verimlilik, yakıt kaybı ve çevresel hasarlar. Doğru trafik modelleri sadece akademik egzersiz değildir; şehirler hareketliliği yönetmek, emisyonları azaltmak ve yaşam kalitesini tahmin edebilen 15 dakikalar.

Ancak bu tür modelleri inşa etmek ve sürdürmek her zaman zor olmuştur. Trafik sistemleri doğrusal olmayan, kaotik ve büyük kamu toplantılarına hava olaylarından sayısız dış faktörden etkilenmektedir. Sadece tarihsel ortalamalara veya statik kökenlere dayanan yaklaşımlar hızla sabitlenir.Bu, verileri sürekli olarak canlı gözlemlere ve doğru bir şekilde genişletir ve modeli içsel duruma doğrulayın.

Data Assimilasyon Nedir? A detailed Look

Veri assimilasyon sayısal hava tahmininde ortaya çıktı, uydu görüntülerini birleştirmek için on yıllardır kullanılmış, hava istasyonu okumaları ve atmosferik modeller doğru tahminlere dayanıyor.Aynı temel ilkeler trafik için geçerlidir.Analarında, veriler mükemmel olmayan model tahminleri, mevcut sistemin durumunu en uygun bir tahmin etmek için mükemmel bir tahminlerle birleştirir.

Trafik açısından, "devlet", araç yoğunluğu, ortalama hız, kuyruk uzunluğu ve her yol segmentinde akış oranları gibi değişkenler içerir. Model, trafik zaman içinde nasıl geliştiklerini tanımlayan bir dizi denklemdir - makroskobik veya mikroskopik trafik akış teorilerine dayanmaktadır. gözlemler farklı bir sensör ekosisteminden gelir: Yol yüzeylerinde gömülü döngüler, radar ve kamera tabanlı araç dedektörleri, GPS radyo simülasyonları, navigasyon uygulamaları ve yolculuk paylaşım filoları, Bluetooth ve Wi-Fi tarayıcıları.

Assimilasyon süreci normal aralıklarla çalışır ( saniyeden dakikaya kadar) ve üç adımla döngüleri:

  1. [FONT:0)Forecast[[Dönetici:0) - önceki analiz devletinden mevcut zamana kadar ileriye doğru yola çıkarak modeli çalıştırın.
  2. [FONT:0)Observation[[[Dönetici: 1 ) - mevcut tüm sensör verilerini toplamak ve kaliteli kontrol etmek.
  3. [FONT:0]Anized[[Dönetici:0)[[Döneticiler)[Döneticiler)[Döneticiler tarafından ağırlıklandırılan yeni, düzeltmeli bir devletle hesaplayın.

Bu döngü tekrarlanır, modelin gerçeklerden çok uzak durmasını sağlar. Sonuç, hem fiziksel olarak tutarlı hem de canlı koşullarla güncellenen yol ağının bir gösterimidir.

Data Assimilation Direkt Olarak Trafik Modellerini Nasıl Geliştirir

İlk gelişme belirsizliği azaltmaktan gelir. Her model eksik fizik, parametre basitleştirmeler veya yalnızca gözlemler nedeniyle hataya sahiptir.

Uygulamada, bu birkaç ölçülebilir fayda sağlar:

  • [FONT:0] Olayların hızlı bir şekilde tespit edilmesi.[[Dönetici:0) Bir kaza gerçekleştiğinde, model tahminleri gözlemlenen hızlardan aniden bir ayrılacaktır. Data assimilation bu yanlış bir eşleşmeyi bir veya iki analiz döngüsü içinde alır, blokajı yansıtacak şekilde devletin güncellenmesini sağlar. Trafik yönetimi merkezleri, daha sonra manuel raporları beklemeden ve uyarıları dakikalar önce ayarlayabilir.
  • [FONT:0) Talep dalgalanmalarının üstesinden gelmek.[[Dönetici: 1) Konserler, spor maçları veya tatil seyahat seyahatleri gibi etkinlikler, olağandışı talep modelleri yaratır. Tarihsel modeller mücadele; gerçek zamanlı hacimler ve seyahat süreleri, modelin tepkisini dinamik olarak sağlar, reaktif yönetimden ziyade proaktif hale getirir.
  • [FONT:0]Enhanced kısa vadeli tahminler.[DÜT:1] Çünkü model durumu şu anda doğru, önümüzdeki 15-60 dakikalar için tahminleri de geliştiriliyor. Bu, dinamik mesaj işaretleri, navigasyon uygulama yenidenrouting ve adaptif trafik kontrol sistemleri için temel.
  • [FONT:0] Model parametrelerinin hesaplanması.[[Dönetici:0)[Dönetici:0) Model parametrelerinin bir parçası olarak, standartta kullanım çerçevesi geçici olarak azaltıldığında bile daha güvenilir hale getirmek.

Beton Örnek: Bir Şehir Freeway'de Olay

Bir kesintinin 5:15 PM'de orta şeritte gerçekleştiği altı serbest bir şekilde düşünün. Veriler assimilasyon olmadan, modelin tahmin edilen ve gözlemlenen hızlara dayanan normal akışı devam edecek, 70mph hızlarını gösteren ilk sorun işareti geri dönüştebilir ve 18 PM ile trafik kazalarını azaltabilecektir.

Anahtar Veri Assimilasyon Teknikleri Genişledi

Orijinal makale üç büyük aileden söz ederken, her biri belirli bir trafik uygulaması için uygunluğunu belirleyen farklı özellikler ve ticaret-offlara sahiptir.

Kalman Filtre ve Variants

Klasik Kalman filtresi Gaussian gürültü ile lineer sistemler için en uygun olanıdır. Trafik modelleri, doğrusal olmayan devlet dağılımına (toplama, trafik dalgalarına ve kapasiteye göre) Envan Kalman Filtre (EKF) Mevcut durumdaki birçok şehir onu 100-200 ene üye ile ayrıntılı bağlantıda kullanır.

Parçacık Filtreleri

Parçacık filtreleri tamamen doğrusal olmayan ve on-Gaussian değildir, binlerce kişinin ihtiyaç duyduğu bir dizi ağırlıkta olduğu gibi, en yüksek çözünürlükte 10-100 kat daha ağır olabilir. Ancak, sistem rejimler arasında geçişler yapabileceğiniz durumlarda başarılı olabilirler.

Variational Yöntemler (3D-Var, 4D-Var)

Variational yöntemler, modelin kendisini zamanında ileri götürmek için bir optimizasyon problemini çözmüş durumda. 4D-Var bu penceredeki tüm gözlemlere uyması gereken bir zaman içinde, 4D-Varlıktaki gözlemleri tek seferde, 4D-Varlıklı hesaplar tekrarlanabilir (zamanlı yüksek kaliteli tarihi veri kümeleri) veya çok yüksek bir alanda (örneğin, kritik bir koridorda) çok yüksek doğruluk gerekli olan durumlarda kullanmak için genellikle çevrimdışı olarak kullanılır.

Trafik Yönetiminde Veri Assimilasyon Faydaları

Genel yararların ötesinde, belirli operasyonel alanlar açık sayısal kazanımlar göstermektedir.

Gerçek zamanlı Adaptive Signal Control

Veriyi uyarlanmış bir sinyal kontrolü ile bütünleştirmek (örneğin SCATS veya RHODES gibi) sinyallerin sadece yerel döngü verilerine tepki vermemesine izin verir, ancak birkaç Avrupa kentinde tutarlı bir durum tahminine varır, örneğin, sinyal kontrolü ile birlikte bir kuyruktaki geçişin, sadece yukarı şeritte engelleyici bir şekilde uzatılabilir.Bu tarafın yeşil zamana kadar erken uzatılabilir.

Dinamik Yol Rehberliği ve Navigation

Google Maps ve Waze gibi navigasyon uygulamaları, radyo ağları için fiziksel tutarlılığı zorunlu olarak uygulamaz. Bazı şehirler kendi veri temizleme sistemi ile tutarlı olan, üçüncü taraf uygulamaları kendi kurtarmalarını sağlar.

Planlama ve Altyapı Yatırımı

Farklı senaryolar tarafından üretilen doğru tarihsel yeniden yapılanmalar, projenin şerit kapanışları ile ilgili planlayıcılar ve maliyetle ilgili analizlerin yeni yollar veya geçiş hatları için nasıl işlediği konusunda zengin bir anlayışla karşılanabilirler. Örneğin, projedeki şerit kapanışları ile bir inşaat projesinin etkisini karşılaştırabilirler.

Pratik Uygulama: Gerçek Dünya Vaka Çalışmaları

California'nın PeMS ve Data Assimilation

California Performansı Sistemi (PeMS), devlet ücretsiz ağı üzerindeki 40.000 döngü dedektörlerinden veri toplar. Birkaç araştırma grubu, PeMS verisinin gerçek zamanlı hız ve akış haritalarını üretmek için en çok benzeyen karma filtreleri uyguladı. Sistem şimdi Kaliforniya Ulaştırma Bakanlığı (Caltrans) tarafından kullanılan 15 dakikalık bir tahmin sunuyor.

Singapur'un Land Transport Authority

Singapur taksilerden GPS verilerini bir kombinasyonunu kullanır, ERP (konuşma fiyat) gantry sayar ve video analizleri. Land Transport Authority, Işıkhill-Whitham-Richards (LWR) modeline göre bir parçacık filtresi ile birlikte bir veri görselleştirme sistemi kullanır.Bu sistem her beş dakikayı günceller. Şehir dinamik fiyatlandırma ve adaptif sinyal kontrol stratejileri için temel olarak hizmet eder ve en yüksek yük altında zaman tutarlılığı sağlar.

Data Assimilation with Machine Learning

Klasik veriler, açık fiziksel bir trafik akışı modeline dayanıyor. Makine öğrenimi (ML) güçlü desen tanıma yetenekleri sunar, ancak çoğu zaman fiziksel tutarlılık sağlar. Örneğin, bir sinir ağı bir koridorun hız modellerini haritalamak için eğitilmiş olabilir ve sonra çıktısı önyargılar veya sürüklenme için doğru bir şekilde yapılır.

Araştırmacılar ayrıca, model devletinden sensör ölçümlerine (örneğin kamera görüntü özelliklerine yönelik yoğunluktan) haritayı haritalayan "öğrenme" gözlem operatörleri geliştirdiler. Bu, CCTV görüntü trafiği gibi uygunsuz veri kaynaklarının toplanması veya sosyal medya olayı raporları gibi, bu deneysel kalır.

Meydanlar ve Mitigations

Onun gücüne rağmen, trafikte veri, birçok gerçek dünya engeli ile karşı karşıya.

Data Quality and Latency

Gözlemler zamanında ve güvenilir olmalıdır. Bir döngü demüresel ölçümler, bir sensör şüpheli değerlerin şüpheli olduğunu tahmin etmek için bir uyarıda bulunacaktır. Güçlü kalite kontrolü (konsistency checks, hard bounds on values, outlier detect) temeldir. Bazı sistemler bir sensör şüpheli değerlerin uyarlanabilir bir enflasyonu kullanır.

C ⁇ Maliyet

Binlerce bağlantı ile bir metropol ağı için gerçek zamanlı olarak önemli bir hesaplama kaynağı gerektirebilir. Ensemble Kalman filtre çekicidir, çünkü paralel olarak birçok trafik yönetimi merkezleri artık bulut altyapısı veya özel GPU kümeleri üzerinde bu tür modelleri çalıştırıyor.

Sparse ve Heterojen Gözlemler

Her yol bir sensöre sahip değil. Veri assimilasyon, model dinamikleri aracılığıyla gözlemlenen bağlantıların bilgilerini ortaya çıkarabilir - bu, temel güçlü yönlerinden biridir. Ancak modellemenin önemli özelliklerini çok dikkatli bir şekilde sunmak gerekir.Eğer bu yanlışsa, assimilasyon onları düzeltmeden ziyade hataları yayılabilir.

Future: The Next Decade of Traffic Data Assimilation

Dijital Twins ve Sürekli Öğrenme

Birkaç şehir ulaşım ağlarının "dijim ikizleri" inşa ediyor. Data assimilasyon, modeli sürekli olarak fiziksel sistemle senkronize eden motordur. Zamanla ikizler ağ geliştirme özelliklerini öğrenir (örneğin, yeni dönüm kısıtlamaları, hız limitleri) ve parametrelerini otomatik olarak günceller.

Connected ve A Özerk Araç Data

Bağlantılı araçlar yeni gözlemlerin bir selini sağlayacaktır: Doğru GPS trajektörleri, sert frenleme olayları ve yol yüzeyi sürtünme verileri. Sorun, her 1-10 saniyeye kadar veri gönderiyor (bu gelecekteki asimilasyon sistemlerinin üstesinden gelmeleri gereken iki yönlü etkileşimler oluşturmak için).

Edge Computing Low Latency için

Geçim için, bir merkezi sunucudaki verileri değiştirmek gibi hassas uygulamalar çok yavaş olabilir. Edge Computing nodes (bir kesişimler, yol tarafı birimleri) yerel alan için hafif bir asimilasyon filtresi çalıştırabilir ve bölgesel bir koordinatörü ile paylaşabilirsiniz.Bu hiyerarşik tasarım, küresel modellerin tutarlılığıyla yerel işleme hızını birleştirir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Veri assimilasyon, meteorolojide bir niş teknikten, modern trafik yönetimi sistemlerinin temel bir bileşenine taşındı. Fiziksel olarak tabanlı trafik modelleriyle gerçek dünya sensör gözlemlerini kullanarak, doğru, yüksek tarihlerde temsil eder ve daha bağlantılı olarak, şehirler uzun vadeli altyapı planlamada her şeyin önemli olduğu gibi, daha verimli, daha güvenli, daha az kirletici yöntemleri olan ulaşım sistemlerinin daha verimli ve daha az koordinasyonunu sağlayacaktır.

Daha fazla araştırmak isteyenler için, [[0)Wikipedia'nın verileri hakkında bilgilendirilmesi) sağlam bir genel bakış sağlar, ancak [[Döneticileri için bir kaynak olarak, bu araştırma kağıtları [DDDDDDDDDDDDDDDöneticileri Ulaşımda ayrıntılı bir anket sunar. Practitioners ayrıca değer bulabilir.