Giriş Giriş Giriş

Trafik modellemesi daha güvenli ve daha verimli ulaşım sistemleri tasarlamak için önemlidir. Geleneksel modeller genellikle sürücülerin düzgün bir şekilde davrandığını varsayar, ancak gerçekte insan sürücüsü davranışları bireyler, bağlamlar ve zaman boyunca önemli ölçüde değişir. Bu değişkenlik, bilişsel yeteneklerdeki farklardan kaynaklanıyor, risk algılaması, kültürel normlar ve hatta anlık rahatsız edici davranışlar, trafik modellerine dahil ederek, mühendisler ve planlayıcıları daha doğru bir şekilde kontrol edebilir - eninde sonunda kesintiye uğratabilir ve en yüksek gecikmeleri azaltır.

Bu makale, sürücü davranışının neden önemli olduğunu araştırıyor, birincil yöntemler bunu modellemek için kullanılan, kalan zorluklar ve yol ağlarını nasıl benzeyeceğimizi yeniden şekillendirecek gelecek yollar.

İnsan Sürücü Davranışının Trafik Modellerinde Önemi

İnsan sürücüleri aynı kontrol sistemleri değildir. tepki süreleri, boşluk kabul eşleri, hız seçimleri ve şerit değiştirme kalıpları yaygın olarak değişir. Aynı sürücü tüm sürücülerin bozulmasına, havaya veya acil durumlara bağlı olarak farklı davranır. Bu varyasyonlar, stop-and-go dalgaları, phantom trafik sıkışıklıkları ve asimetrik akış kalıpları gibi ortaya çıkıyor - bunların biri tüm sürücülerin homojen ajanlar olarak yeniden üretilebilmesi için yeterli şekilde yeniden üretilebilen modeller tarafından yeterince yeniden üretilebiliyor.

Araştırma sürekli olarak sürücü heterojenliği dahil etmek model sadakatini geliştirir. Örneğin, homojen araba takip eden modelleri, dağıtılmış tepki süreleri ile dağıtan modeller, heterojenliği daha iyi yeniden üretebilme kapasitede yüksek çözünürlükte yüksek çözünürlükte bölgeleri daha doğru bir şekilde tanımlayabilmeli (bakınız:0).Treiber & Kesting, 2017).

Pratik etkiler önemlidir. Trafik mühendisleri hız limitlerini belirlemek için modellere güveniyor, sinyal zamanlamalarını, plan şerit yapılandırmalarını tasarlar ve yeni altyapının etkisini değerlendiriyor.Eğer sürücü davranışı varyan edilebilirlik temsil edilmezse, bu kararlar altoptimal veya hatta güvensiz tasarımları yönlendirmek için temellenebilir.

Davranışsal Variability

Sürücü davranışı değişkenliği birkaç boyuta kategorize edilebilir:

  • [FONT=0]Experience ve beceriler:[Dönetici:[Dönetici:0))) ] Novice sürücüleri daha uzun reaksiyon süreleri ve daha az tutarlı boşluk kabul etme eğilimindedir. Deneyimli sürücüler daha agresif ama daha yumuşak manevralar gösterebilir.
  • [FONT:0]Risk toleransı:[Dönetici:[Dönetici: 1 ) Bazı sürücüler muhafazakar kafa yollarını kabul ederken, diğerleri daha kısa boşlukları kabul ederken, özellikle de para ve şerit değiştirme durumlarında.
  • [FONT:0)Attention ve dikkat:[Dönetici:[Dönetici: 1) Telefon kullanımı, konuşma veya in-vehicle, yanıt süreleri ve şerit tutma doğruluğu önemli ölçüde değiştirir.
  • [FONT:0)Environmental ve kültürel faktörler:) Bölgesel sürüş kültürleri, yol geometrisi ve uygulama seviyeleri hız uyum ve verim gibi davranışsal normları etkiler.
  • [FONT:0]Momentary devletler: [Dönem: [Düzg: 1) Fatigue, öfke veya aciliyet (örneğin, işe acele) bir sürücünün davranışını geçici olarak değiştirebilir.

Davranışların Aklılaştırılması için yöntemler

Çeşitli modelleme paradigmaları, sürücü davranışının stochastic ve heterojen doğasını yakalamak için geliştirildi. Her yaklaşım karmaşık, gerçekçilik ve hesaplamalı kanallar arasında farklı ticaret-offlar sunuyor.

Stochastic Modeling

Stochastic modeller, istenen hız, minimum boşluk ve hız gibi modellerin takip edilmesi gibi araç takiplerinde, olasılık dağıtımlarından sabit değerlerden ziyade çekilmesini sağlar. Örneğin, Akıllı Sürücü Modeli (IDM), arzu edilen hız, minimum boşluk ve hız gibi parametreler, olasılık dağıtımlarından sabit değerlerden ziyade çizilebilir.

Yaygın bir uygulama Gaussian veya log-normal dağıtımları reaksiyon zamanı için kullanmak, yani ve variance, amplibrasyonel verilerden (örneğin, doğal sürüş çalışmaları kullanarak) Stochastic modelleri nispeten hafiftir ve makroskooskopik veya mesooskopik simülasyonlara entegre edilebilir. Ancak, varyan edilebilirliğin rastgele ve tartışılmaz olduğunu varsayıyorlar.

Araştırma:0)Ma ve al. (2019)), bir hücresel otomatik modele sayısız tepki kataraktın trafik akışlarının dağıtım yerini yeniden üretebilme yeteneğini önemli ölçüde artırdığını gösterdi.

Davranış Parametreleri

Davranışı tamamen rastgele tedavi etmek yerine, bu yaklaşım belirli davranışsal ölçümler üzerinde veri toplar - zaman, maksimum ivme, rahat decelerasyon, boşluk kabul eşi, şerit değiştirme süresi ve istenen hız - ve farklı parametre sınıflarına uygundur. Data sources include enstrümaned tools, drive Simulators, naturalistic sürüş çalışmaları ve yol kenarı sensörleri.

Kombinasyon teknikleri (örneğin, k-means, Gaussian karışım modelleri) profillere grup sürücüleri verebilir: “korunma”, “normal” ve “agretif” her profilinin kendi parametre değerleri ve geçiş kuralları vardır. Örneğin, agresif bir sürücü 0.8 saniye daha kısa bir süre boyunca, muhafazakar bir sürücü 2.0 saniye kullanırken, her bir ajandayı küme dağıtımından bir profil tayin eder ve nüfusundaki karışımı eşleştirir.

Bu yöntem mikroskopik simülasyon araçları (örneğin, VISCI, SUMO) yaygın olarak kullanılmaktadır ve gerçek trafik verilerine karşı onaylanmıştır. ana dezavantajı, kalibrasyon için doğru, büyük ölçekli davranışsal veriler elde etmenin zorluğudur.

Ajan-Based Modeller (ABM)

Ajan tabanlı modeller her sürücü ajanına bir dizi davranış kuralı, öğrenme yetenekleri ve karar verme süreçleri vererek bireysel düzeyde simülasyonu yapabilir.ABMs, adaptif bir davranış dahil edebilir - örneğin, bir kesişimdeki tipik sinyal zamanlamalarını öğrenen bir sürücü ve buna göre hızlandırmalarını sağlar.

Her ajan çevresini algılar ( yakındaki araçların, trafik sinyalleri, yol geometrisi) ve otoyollarda para kazanmak gibi karmaşık senaryolar için özellikle zor olan ürünlerdir ve ya da olasılıksal etkileşimlerin ortaya çıkmasını sağlar.

Önemli bir örnek, araç trafiği için uyarlanan Sosyal Kuvvet Modeli, sürücülerin istenen hızı ve diğer araçların kaçınılması için “sosyal güçler” tarafından etkilendiği ve heterojenlik arasındaki bu güçlerin gücünü farklı olarak tanıtıldığı, ABM'ler doğal olarak yoğun bir şekilde genişletilir ve gerçekleştirilmiş davranışlardan kaçınmak için doğrulanabilir.

Makine Öğrenme ve Data-Driven Yaklaşımları

Makine öğrenimindeki son gelişmeler (ML), sürücü davranışını öğrenmek için güçlü araçlar sunar, doğrudan büyük ölçekli yörünge veri kümelerinden yararlanırlar. Recurrent sinir ağları (RNNs), uzun kısa süreli bellek (LSTM) ağları ve dönüştürücü modeller, tarihsel dizilerdeki kalıpları ele alarak araç trajektörlerini tahmin edebilir. Bu modeller doğal olarak çeşitli sürücü örnekleri üzerinde eğitilmiştir.

Anahtar bir avantaj, ML modellerinin ince, doğrusal olmayan bağımlılıkları geleneksel parametrik modellerin kaçırıldığı anlamına gelir. Örneğin, bir LSTM, sürücünün geçmiş hızını ve daha sonra hız dinamiklerini kullanarak manevradan önce şerit değiştirme niyeti saniyelerini tahmin edebilir.

Bununla birlikte, ML modelleri genellikle siyah-box, onları yorumlamak ve doğrulamak için zor hale getirmektir. Ayrıca, büyük miktarda etiketli yörünge verileri gerektirir - enstrümanlı araçlar veya drone görüntülerinden - ve hala yanlış yol geometrilerine veya trafik rejimlerine iyi bir şekilde genellemez. Hybrid, bu da, fizik tabanlı araba takip eden kısıtlamaları birleştiren kısıtlamalar umut verici bir yön olarak ortaya çıkmaktadır (bakınız:0)Zhou et al.

Meydanlar ve Fırsatlar

Açık faydalara rağmen, sürücü davranışının operasyonel trafik modellerine dahil edilmesi birkaç önemli zorluk sunar. Bu zorluklarla ilgili olarak veri toplama, model kalibrasyon ve gerçek zamanlı uygulamalar için fırsatlar açıyor.

Data Collection and Privacy

Doğru modeller yüksek çözünürlüklü, doğal olarak sürücülerin büyük ve çeşitli örneklerinden veri gerektirir. Geleneksel döngü dedektörleri ve kameralar toplu akışları yakalamaz, bireysel davranışlar değildir. Doğal sürüş çalışmaları (örneğin, SHRP2 veritabanı) ayrıntılı ön-crash ve normal sürüş verileri sağlar, ancak coğrafi kapsamında pahalı ve sınırlıdır.

Modern bağlantılı araçlar ve akıllı telefon iletişimleri sürekli yörünge verilerini yayınlayabilir, kalibre için zengin bir kaynak sunabilir. Ancak, gizlilik kaygıları ve veri sahipliği sorunları bu verileri paylaşma ve agreating this data. Anonymization teknikleri ve beslenmek öğrenme yardımcı olabilir, ancak karmaşıklaştırma modellerinin bireysel mahremiyetten ödün vermeden yararlanmasına izin veren çerçeveler içinde yer almasını sağlar.

C ⁇ Kompleksiity

Gerçek zamanlı olarak milyonlarca heterojen ajanlar dağıtın. Stochastic ve parametre tabanlı modeller nispeten ucuz, ancak ajan tabanlı ve ML-enhanced modeller büyük bir ağ simülasyonu için günlerce zorlanabilir. Bu, gerçek zamanlı trafik yönetimi ve optimizasyonunda kullanımlarını sınırlar.

Fırsatlar paralel hesaplama, grafik işleme birimleri (GPU) ve modelleme teknikleri. Approximate Bayesian hesaplama ve ek modelleme, davranışsal yetimleri korumak için kalibrasyonu hızlandırabilir. Donanım geliştirirken, daha ayrıntılı heterojen simülasyonlar operasyonel kullanım için mümkün olacaktır.

Geçerlilik ve Kalibrasyon

Davranışsal yetim ile bir model kurmak, homojen bir tane kalibre etmekten daha karmaşıktır. parametre alanı, sürücü sınıflarının veya stoklama olmadan özgürlük derecesiyle büyür.

Geçerlilik sadece toplam trafik önlemleri (giriş, yoğunluk, hız) değil aynı zamanda baş yolları, şerit değiştirme frekansları ve hızdaki boşlukların şekli gibi dağıtım yöntemleri otomatik olarak veri tespit etmek için kullanılıyor.

Future Yol Tarifi

Bir sonraki trafik modelleri daha uyarlanabilir, veri zengini ve akıllı şehirlerin ve özerk araçların kontrol sistemleri ile yakından entegre olacaktır.

Gerçek- AdaptTimeation

Statik davranışsal dağıtımları kullanmak yerine, gelecekteki modeller, gerçek zamanlı sensör girişlerine dayanan parametreleri sürekli olarak güncelleyecek ve belirli bir zamanda gerçek sürücü nüfusuna yanıt veren kişiselleştirilmiş bir bilgi için, model olası dikkat olayları yansıtacak şekilde tepki süresini geçici olarak artırabilir.

Edge Computing ve araç-to-infra structure (V2I) iletişim, gerçek zamanlı kalibrasyon mümkün kılar. Bir milepost kontrolörü yakındaki araç trajektörlerini toplayabilir, mevcut sürücü davranışının dağılımını tahmin edebilir ve gözlemlenen heterojenliği için önerilen hızlar önerir.

Connected ve A Özerk Araçları (CAVs) ile entegrasyon

CAVs trafik akışına girerken, insan odaklı ve otomatik araçların karışımı, sabit bir boşluk koruyan yeni bir otomatik araç ekler, diğerlerinden daha fazla güvenecektir.

Gelecek modelleri bu iki popülasyon arasındaki etkileşimi temsil etmelidir. Bu, sadece insan değişkenliği modellemek değil, aynı zamanda farklı otomatik sürüş sistemlerinin kontrol mantığını da karakterize edebilir. Sonuçlar, otomatik araçlar veya iletişim protokolleri için özel şeritler gibi optimal koordinasyon stratejileri tasarlamaya yardımcı olabilir.

Trafik Yönetimi ve Güvenliği için Implikasyonlar

Daha iyi modeller daha iyi müdahalelere yol açıyor.Incorporating sürücüsü davranışı değişkenlik nadiren ancak yüksek riskli davranışlar (örneğin, dikkatsizlik nedeniyle) aşağıdaki sürücülerin tarzına adapte olan konumlarını tespit edebilir.

Trafik simülasyonu politika değerlendirme için stratejik bir araç haline gelecektir. Örneğin, bir sıkışıklık fiyat programı dağıtmadan önce, şehirler rota seçimi, kalkış zamanında ve mod değişimi tahmin etmek için heterojen sürücü yanıtlarıyla simülasyonlar çalıştırabilir - mükemmel rasyonelliğin varsayımlarına güvenmekten daha sonra.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

İnsan sürücü davranışı değişkenliği ortalama olarak uzak olmak için bir nuisance değildir - bu varyanlılığı dahil etmek için temel bir yol trafiğidir - disiplinler arası araştırma ve teknolojik ilerlemeyi hedeflemek durumunda modellerde temsil edilmelidir.Daha otomatik ve bağlantılı ulaşım ağları, bu değişkenliği dahil etmek için yöntemler hızla ilerliyor.