Hücresel Automata Modellerini Simulate Pedestrian ve Araç Etkileşimlerini Uygulamalı

Hücresel Automata Modellerine Giriş

Hücreler otomatik olarak otomatik olarak (CA) uzayı düzenli bir hücre olarak temsil eden ayrı matematiksel modellerdir, her biri son derece karmaşık ve ortaya çıkan davranışlardan birilerini oluşturur.Yerel etkileşimlerin küresel desenler ürettiği zaman zaman zaman zaman ilerlemeleri. Şehir trafiği ve ya da simülasyona göre, CA modelleri, aksi takdirde hesaplamalı pahalı ajan tabanlı veya akışkan-dinamik yaklaşımlara ihtiyaç duyan etkileşimlerin basitleştirilmesi için uygun bir şekilde verimli bir şekilde verimli bir şekilde verimli bir şekilde çalışır.

O zamandan beri, CA, Stanisław Ulam ve John von Neumann'a geri döndü, ancak bu yaklaşım Conway'in Yaşam Oyunu ile geniş bir tanıma kazandı. O zamandan beri, CA, fizik, biyoloji ve sosyal bilimlere uygulandı. Ulaşım mühendisliğinde, CA modelleri ilk olarak 1990'larda Nagel-Schreckenberg modeli ile tek yönlü trafik simülasyonları kazandı.

Bu makale, her ajan tipi için temel modelleme ilkeleri, özel kural setlerini ve her ikisini tek bir simülasyona entegre etme konusundaki sorunları araştırmak için hücresel otomat modellerinin yaya ve araç etkileşimlerinin nasıl uygulandığını araştırıyor.

Trafik ve Crowd Simulator için Hücre Automata'nın Temelleri

Grid Structure and State Representation

Tipik bir trafik veya ya da ya da CA modelinde, simülasyon alanı iki boyutlu bir ağ haline bölünmüştür. Her hücre bir aracı temsil etmek için yaklaşık 5 metre uzunluğundaki bir araç uzunluğuna kadar boş veya meşgul olabilir (vehicle veya yaya) Ek devlet bilgileri, seyahat, hız veya gelecekteki bir hareket yönünden yön verebilir.

Güncelleme Kuralları ve Senkron Evrim

Her seferinde (tipik olarak araç için 1 saniyeyi temsil eder ve yaya için 0.2-0.5 saniye), tüm ajanlar aynı anda hareket kurallarına göre güncellenir. Aynı hücreyi isteyen birçok ajanlar oldukça çözülebilir veya öncelikli bir mantıkla çözülebilir.

Neighborhood Tanımları

Yaya ve araç CA modellerinde mahalle değişir. araçlar için mahalle genellikle asimetrik: yol boyunca (bir boyutlu) yol boyunca bakmak ve araba takip etmek için, artı bir ve daha sonra bölge aşırılık için. Forlicks, a Moore mahallesi (eight around cells) veya bir von Neumann mahallesi (dört veya dördüncü ya datogonal hücreler) bazen engeller yakalamayı beklemek için daha büyük bir yarıça ile.

Hücresel Automata ile Pedestrian Davranışı Modeling Pedestrian behavior with Cellular Automata

Pedestrians benzersiz bir modelleme zorluk sunuyor çünkü hareketleri araçlardan daha az kısıtlanıyor: hızla yön değiştirebilir, durabilir ve kalabalık yoğunluğu ve kişisel tercihlere dayanan hızları ayarlamalıdır. CA modelleri Forlicks, bu eğilimler için hesaplamalı olarak verimliyken dikkate almalıdır.

Pedestrians için Core Movement Kuralları

Pedestrianlar genellikle bir varış noktasına ulaşmaya çalışan ajanlar olarak modellenir (örneğin, bir çıkış, bir geçiş durdurma) engeller ve diğer yayalardan kaçınırken.

Kompleks Davranışlar için hazırlıklar

Gelişmiş ya da CA modelleri, izlemeden önce bir geçişte (örneğin, ), grup kohesion (bir araya gelen gerçekçi paniğe veya arkadaşlarına karşı yürümek için) ve yeniden planlayıcı ile rota seçimi. Örneğin, [[Şeytan ve Schadschneider modeli[Dönlendirmek için)[Döneticileri kullanmak, yerel bir zemin alanı ve sürtünmeye dayalı davranışlar üretmek için bir zeminde kullanmak.

Pedestrian CA Modellerinin Geçerliliği

Ampirik verilere karşı doğrulama önemlidir. Video gözetim veya kontrollü deneylerden gelen Trajektör verileri (örneğin, [[0)Pedestrian Dynamics) daha hızlı yürüyüşçülere izin vermek gibi hassas insan fenomenlerini hafife alabilir (bir koridor, yoğunluk-hücretsiz ilişkiler yoluyla) ve mikroskopik özellikler (daha hızlı ilişkilerde).

Hücre Automata ile araç hareket modelleme

Araç CA modelleri daha uzun bir geçmişi var ve hızları nedeniyle trafik akış simülasyonu için yaygın olarak kullanılıyor ve kongestasyon kalıpları yeniden üretebilme yeteneği.

Nagel-Schreckenberg (NaSch) Model

1992 yılında tanıtıldı NaSch modeli, birçok araç CA simülasyonları için temeldir. Hücrelerin bir boyutlu latticesinde çalışır (her hücre bir yol segmentini temsil eder). Her seferinde, her araç hızını ve konumunu dört kurallara göre güncelleştirir:

  1. Başarılama: Mevcut hız < v max, 1 (bir sonraki kuralla sınırlı değil).
  2. [FONT:0)Deceleration[[Dönetici: 1 ): Aracın önünde çarpışmadan kaçınmak için hız azaltın (velocity = açığının eksi 1).
  3. [FONT:0]Randomization): Olasılıkla p (genellikle 0.1-0.3) hız 1, sürücü tereddüt veya gürültüyü temsil eden 1 tarafından azaltılır.
  4. [FONT:0)Movement[Dönetici: Mevcut pozisyona yeni hız ekleyerek Güncelleme pozisyonu.

Bu basit model dur-ve-go dalgalarını, metastable ücretsiz akışı ve trafik akışının temel diyagramını yeniden üretir.İki-lane yollarına kadar uzatmalar, genellikle boşluk eşleri ve hız arzuları temel olarak simetrik veya asimetrik kurallar kullanarak.

Intersection ve Junction Modeling

Eğlenceler için CA modelleri çatışma alanları olarak geçiş noktalarına yol açıyor: Bir bağlantıya giden araçlar standart bir arabadan daha küçük bir ağ haline geldiğinde kontrol etmeli ve trafik sinyallerine veya veri işaretlerine göre doğru yola çıkabilirler. Multi-lane kesişen protokollerine dayanan rezervasyon protokollerine dayanan ortak bir yaklaşım, bağlantıyı standart bir araçla bölmeli, araçların birden fazla hücre işgal etmesine izin verebilir.

Geçerlilik ve Kalibrasyon

Araç CA modelleri, döngüsel ölçümleme verileri veya GPS trajektörleri kullanarak kalibre edilir. NaSch modelinin parametreleri (maksimum hızı, rastgeleleştirme olasılığı) gözlemlenen kapasiteleri ve dalga hızlarını eşleştirmek için ayarlanır. Daha gerçekçi davranış için, sofistike modeller anticipatif frenleme veya akıllı sürücü modeli (IDM)-nespired CA kuralları, gerçekçi olmayan sert frenlemeleri pürüzsüz hale getirir.

Pedestrian –Vehicle Interactions

Kritik meydan okuma, hem ajan türleri birbirine karıştığı ve birbirlerini etkileyen tek bir simülasyonda yaya ve araç CA modellerine bağlıdır. Bu, çapraz yürüyüşler, paylaşılan sokaklar, otoparklar ve otobüs durakları için önemlidir.

Çatışma Bölgesi ve Öncelik Kuralları

Interactions tipik olarak belirlenmiş (örneğin, çapraz asansörler) veya tasarımlanmamış (örneğin, jaywalking) çatışma bölgelerinde meydana gelir. paylaşılan bir ağda, hem araçlar hem de yayalar da işgal hücreleri. Örneğin, bir dizi etkileşim kuralının hangi ajanın hangi verim verdiğini tanımlaması gerekir.

En büyük balık Davranışlarını Araç Hareketine Getirin

Araçlar yaya hareketlerini tahmin etmelidir. Gelişmiş CA modelleri mağazaya veya niyet (örneğin, biraya göre araç hızını azaltır) ve bir sonraki araç en azından belirli bir mesafeyi geçse veya bir araç, bir sonraki birkaç kez hücreyi geçerken devam ederse, sadece bir yaya geçebilecek bir araçla devam edecektir.

Vaka Çalışmaları ve Gerçek Dünya Uygulamaları

Araştırmacılar, yüksek performanslı bir geçiş veya sığınma adalarında farklı sinyal zamanlama stratejileriyle ilgili olarak, daha uzun veya daha düşük çatışmaları bulmak için iki boyutlu CA'yı değerlendirmelerini sağladılar.[Dönetici:2).[Dönetici:2)[Dönergeler, yüksek riskli çatışma noktaları ve en uygun zaman geçişleri karşılaştırmak için iki boyutlu CA’yı tanımlamaya yardımcı olur.

Hücre Automata'nın karma-Traffic Simülasyonu için Faydaları

C ⁇ Verimliliği

CA modelleri doğal olarak paralel ve hesaplamalı hafiftir. Birçok zaman adım boyunca binlerce ajan hazırlamak, standart donanım üzerinde birkaç dakika içinde yapılabilir, sürekli ajan tabanlı modeller kullanarak farklı olarak, bu, online trafik yönetim sistemleri veya büyük ölçekli senaryo analizi için uygun hale getirir (örneğin, tahliye planı).

Sik ve Transparency

CA'nın kural tabanlı doğası, modeli anlamak, debug ve değiştirmek için kolaylaştırır. Şehir planlayıcıları gibi kişiler mantığı derin matematiksel uzmanlık olmadan kavrayabilirler.

Gelişen Emlak Yeniden Üretme

Sadece yerel kurallar kullanmaya rağmen, CA modelleri, ora kalabalıklarında şerit oluşumu gibi ortaya çıkıyor, phantom trafiği reçelleri ve kendi örgütlü alternating flows at dar şişencks.Bu ortaya çıkan modeller, kentsel güvenlik ve verimlilik analizi için ilginin tam olarak davranışları.

Sınırlamalar ve Zorluklar

Spacial Discretization and Decision

Sonlu hücre büyüklüğü, karar ve hesaplama maliyeti arasında bir ticaret-off getiriyor. Foryas, 0,5 m hücreler ince ayak hareketlerini veya bir kenara adım atmıyor; bu tür hücrelerin kullanılması doğal olmayan adım modelleri veya gerçekçi olmayan bloklar üretmek olabilir.

İnsan Davranışının Fazlası

CA modelleri genellikle ajanlar öğrenme, hafıza veya stratejik planlama olmadan belirsiz veya rastgele yönetim setlerini takip eder. Gerçek insan sürücüleri ve ya da sergi adaptasyon, risk alma ve sosyal normlar. Örneğin, bir sürücü baskıya veya rastgele bir kuralla ilerlemeyi takip edebilir, basit bir verileme kurallarıyla yakalanmaz. daha gerçekçi davranış modelleri mevcuttur.

Kalibrasyon ve Geçerlilik Data Scarcity

Araç yörünge verileri bol olsa da, kombine ya da-vehicle etkileşimi veri setleri nadir, özellikle tehlikeli veya yakın izinli olaylar için. Bu, kaslibrate etkileşim kurallarının ve model tahminlerinin doğrulanması yeteneğini sınırlandırır.

Parametre Hassasiyeti ve Uncertainty

Interaction parametreler (örneğin, boşluk kabul eşleri, olasılık) güçlü bir şekilde simülasyon sonuçları olmadan, farklı parametre seçenekleri, geçiş güvenliği veya sinyal zamanlamaları hakkında tam tersine sonuçlara yol açabilir. Hassasiyet analizi önemlidir, ancak çoğu zaman underutilized.

Future Yol ve Gelişmiş Dahililer

Hybrid Modeller

CA'yı sürekli veya ajan tabanlı modeller her birinin güçlülerini kullanabilir. Örneğin, hibrit bir model yüksek kişilik ya da kalabalıklar için bir CA çerçevesi kullanabilir, ancak düşük ücretli bir geçiş için sürekli bir modele geçiş yapabilir.Bu tür yaklaşımlar araştırma gruplarında geliştirilir:0).Berkeley Ulaşım Sistemleri).

Gerçek Zamanlı Veri ile entegrasyon

CA modelleri canlı sensör verileri ile çiftleştirilebilir (örneğin, kameralardan, kapaklı veya akıllı telefonlardan) mevcut trafik koşullarını gerçek zamanlı simülasyonlar oluşturmak için. Bu, ajanların veya uyarlanabilir sinyal kontrolüne olanak sağlar.

Makine Öğrenme Artırılmış

Araştırmacılar, CA simülasyonlarında araçlar için en iyi verimleme politikaları elde etmek veya video verilerinin kabul edilmesini öğrenmek için destek öğreniyorlar. Bu, gerçek dünya davranışını daha iyi yansıtan veri odaklı karar modelleri ile el sanatlarılı kurallar değiştirebilir. 2023 çalışması, bir sinir ağının CA araç güncelleştirme kuralına gömülürken yüksek doğrulukla yaya geçiş kararlarını tahmin edebileceğini göstermiştir.

Inclusivity ve Davranış Çeşitliliği

Future CA modelleri daha geniş bir yaya yeteneklerini temsil etmelidir (örneğin, tekerlekli sandalyeler veya yürüyüşçüler kullanan kişiler) ve yaş grupları, bu etkiler hız ve etkileşim kalıpları gibi. Benzer şekilde, farklı boyutlardaki araçlar (örneğin, kamyonlar, bisikletler) farklı hücre boyutları ve hareket kuralları gerektirir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Hücreler otomatik modeller, trafik yönetimi ve güvenlik analizi için kritik olan güçlü, verimli ve şeffaf bir yöntem sunar.Kental alanlarda ya da araçlar arasındaki karmaşık etkileşimleri ifade ederek, uzayı kural olarak takip eden hücreler olarak temsil ederek, CA yakalama modelleri ortaya çıkıyor ve ulaşım mühendisliğinde CA'nin uygulanabilirliğini genişletiyor.

Uygulamacılar için CA modelleri, özellikle de çapraz yerleştirme, sinyal zamanlamasını değerlendirmek ve paylaşılan uzay konfigürasyonları için pratik bir araç sağlar. Araştırmacılar için, davranışsal hipotezleri test etmek ve daha sofistike entegre simülasyon sistemlerini geliştirmek için temel bir platform olarak hizmet ederler. Kentsel ortamlar daha karmaşık büyürken, yüksek uzaysal ve zamansal çözünürlükle etkileşimler güvenli, verimli ve kapsayıcı ulaşım sistemleri oluşturmak için giderek daha hayati öneme sahip olacaktır.