Kentsel ücretsiz yollar metropol ulaşım ağlarının arka kemiği oluşturur, günlük milyonlarca yolcu ve mal taşır. Ancak şehirler genişliyor ve araç hacmi büyüyor, bu arterler genellikle en yoğun dönemlerde bile, özellikle de yüksek trafik akışı içinde en yıkıcı fenomenler arasında akıp gidiyorlar.0spillback[Dönderler ve araçlarda artışlar)[Dönder; güvenli bir şekilde trafik tasarımı ve hatta güvenli bir şekilde optimize etmek için güvenli bir şekilde geri dönüş için gerekli olan bir koşuldur.

Şehir Freeways'de Trafik Spillback Doğası

Trafik yayılımı, bir şişenck'in talebinin kapasitesinden geçtiğinde, araçların yukarı doğru sıraya düşmesine neden oluyor. Serbest bir şehir içinde bulunan bir kazadan farklı olarak, koridorda ve sonra bir çıkış rampasına neden olabilir; dakikalar içinde, rampalar, bir cascade gecikmeler yaratabilir. Örneğin, iki şeritli bir şehir serbest bırakma aracının iki şeritten farklı olarak, bir çıkış rampaları kapatabilir.

Sonuçlar rahatsızlıkların ötesine geçer. Spillback, Federal Otoyol Yönetimi'nden () yapılan araştırmanın tüm koridorların etkili kapasitelerini artırır ve özellikle de olay kaynaklı gecikmeler sırasında meydana gelen artışlar için serbest yollardan geri çekilme riskini artırır.

Spillback'i bir Modeling Context'de Tanımlamak

Trafik akışı teorisinde, yayılma, yüksek akıştan, düşük akışa doğru bir şekilde yayılan bir şok dalgası olarak tanımlanır, bir linke girildiğinde, bu dalga uçunu nasıl temsil edebilir.Bu, yüksek akıştan ne kadar hızlı bir şekilde yayılmak için doğru bir şekilde ele alınacaktır - rampalar ve yüzey caddeleri dahil.

Spillback Neden Kentsel Freeway Yönetimi için Kritik

Onun açık etkilerine rağmen, döküntü tarihsel olarak geleneksel trafik tahmin ve simülasyon araçları altında temsil edilmiştir. Birçok planlama düzeyinde makroskobu model bu eksiklikleri ücretsiz olarak ele alır: bu boşluk çevreleyen ağ ile etkileşimleri basitleştirir.Bu boşluk, kuyruk uzunluğu, kusurlu sinyal zamanlama planlarını ve etkisiz hale getirir.

  • [FONT=0) Sıra tahminlerini geliştirmek:[Dönlendirme:0) Doğru dökülen model, şişenin ötesinde ne kadar büyük bir sıkışıklık ve arteral depolama alanı tasarımının daha iyi bir tasarımını sağlayacaktır.
  • [FONT:0) Entegre koridor yönetimine giriş: Serbest ve arter işlemleri birlikte modellenirken, yayılma rampaları, sinyal zamanlaması ve olay tespiti ile engellenebilir.
  • [FONT:0) Gerçek zamanlı uyarlanabilir kontrole destek: Geri dönen dinamikleri yakalamak, boş bir kavimden önce zamanlamaları ayarlayan uyarabilen uyarlanabilir sinyal kontrol sistemlerine beslenebilir.
  • [FONT:0)Geçmiş altyapı yatırımını:[Döneticiler yardımcı şeritlerin faydalarını değerlendirmek için geri dönüşüm simülasyonlarını kullanırlar, genişletilmiş alanları birleştirir veya not-parlanan interchanges.

Trafik Spillback Modelleme Yaklaşımları

Trafik modellemeleri, her biri farklı güçlü ve veri gereksinimlerine bir yaklaşım hiyerarşisi kullanıyor. Üç ana aile - mikroskobik, mikroskobik ve mesooskopik - her türlü ayrı şekillerde yayılmayı hedefliyor.

Makrooskopik Modeller

Makrooskopik modeller sürekli bir sıvı olarak trafik tedavi eder, 1990'larda Carlos Daganzo tarafından geliştirilen, aparatlı hücrelere bölünmüştür ve her hücrede tasarruf yasalarına göre araç sayısını kolayca günceller.

Makrooskopik modellerin güçlüleri, hesaplama verimliliğini içerir - büyük ölçekli ağ simülasyonu ve optimizasyonu için uygun hale getirir - ve analitik yolability. Ancak, bireysel araç etkileşimleri veya karmaşık interchanges ayrıntılı geometrisini yakalayamazlar.

Mikrooskopik Modeller

Mikrooskopik modeller her aracı bireysel olarak araba takip eden, şerit değiştiren ve boşluk algılayıcı kurallarla simüle eder.Ücretsiz modeller, 0,0)SUMO (Kent MObilitenin Açıklaması)[FLT 1: 1 ve VISMATİK), en yüksek seviyedeki geometrik tasarım alternatifleri (örneğin, alt hücredeki bir araç tam olarak durdurup beklemez ve beklemeye neden olur.

İlk dezavantaj hesaplama maliyeti: Çok fazla saat boyunca büyük bir kentsel ağ üzerinden on binlerce araç basitleştirmek önemli bir işlem süresini gerektirir. Kalibrasyon ayrıca kafa dağıtımları ve şerit değiştirme parametreleri de dahil olmak üzere geniş alan verilerini talep eder.

Mesooskopik Modeller

Mesooskopik modeller, gruplama araçlarıyla paketlere ya da olasılıksal dağıtımları kullanarak, bazı bireysel davranışların seviyesini korurken, yüksek çözünürlükte ve alt uçlu uçlarda, geçiş zamanı fonksiyonlarını kullanarak, bu hesapta doğru bir simülasyona yol açıyor. LTM hala hücrelere yol açıyor; bunun yerine, her bağlantının üst düzeyini ve alt uçlarını hesaplıyor.

Mesooskopik modeller genellikle hızın önemli olduğu gerçek zamanlı trafik yönetim platformlarında da hızın önemli olduğu bölgesel planlama ajansları için seçim aracıdır.

Etkileyici Spillback Propagation

Etkili bir geri dönüş modeli, ne kadar hızlı ve ne kadar sıkışıklık yayıldığını belirleyen faktörleri doğru şekilde temsil etmelidir: Bunlar şunları içerir:

  • [FONT:0]Traffic talep modelleri: Üst dönemler boyunca şişeye gelen araçların hacmi doğrudan kuyruk uzunluğuna etkiler. Modeller, gerçek komünleme kalıpları yansıtan zamana bağlı olarak kalibre edilmelidir.
  • [FONT=0]Bottleneck kapasitesi: [Dönetici: [Dönetici] Serbest alanın kapasitesi, rampalar ve kesişim yaklaşımları, başlangıç alanlarının birincil belirleyicisidir, olaylar veya hava olayları geçici olarak daha fazla yayılmayı tetikler.
  • [FONT:0]Ramp metre ve kontrol stratejileri: Ramp metre, ana hat hacmini kapasitenin altında tutmak için serbest alana giren akışı düzenler.Ne zaman metre etkili çalışır, dökülen depolama alanı yetersizse, araçlar arterlere geri dönebilir.
  • [FONT:0)Ortak kavşaklarda zamanlama: Sık sık sık sık sık ilk indük kurbanları haline gelir.Eğer bir yeşil aşama sona erdiğinde, kuyruk genel trafik şeritlerine geçebilir.
  • [FONT=0)Geometrik kısıtlamalar: [DFLT:1] Sharp eğrileri, kısa bir birleşme bölgeleri ve sınırlı rampa depolama uzunluğu, bir kuyrukın bu geometrik ayrıntıları nasıl ayırabileceğine dair tüm etkiler.
  • [FONT:0)Incident management yanıt süreleri: Bir olay daha hızlı temizlenir, daha kısa sürede azaltılan kapasite süresi ve daha az yayılma propagates. Olay süresine dahil olan modeller daha gerçekçi dökücü senaryolar üretir.

Alanda Spillback Modeling Uygulamaları

Dünyanın dört bir yanındaki ulaşım ajansları günlük operasyonları ve uzun vadeli planlamayı geliştirmek için geri dönüşüm modellerini dağıtıyor.

Bütünleşik Koridor Yönetimi (ICM)

Dallas, San Diego gibi şehirlerdeki girişimler ve Minneapolis, daha fazla queuing'i koordine etmek için gerçek zamanlı modeller kullanıyor.Ağuk bir şekilde, sistem, yolcunun çıkışını artırmak için paralel olarak sinyal zamanlamalarını ayarladı veya daha fazla kesintiye uğramamak için hızlanıyor.A study by the spreadback is detected at the beginning)

İş Bölgesi Trafik Yönetimi

İnşaat sırasında, şerit kapatmaları büyük ölçüde azaltıcı kapasiteye sahip şişenler oluşturur. Spillback modeller mühendislere kuyruklar için geniş bant genişliği ve depolama alanları içeren geçici trafik kontrol planlarını tasarlamalarına yardımcı olur. Örneğin, Kaliforniya Ulaşım Bakanlığı (Caltrans) uygulamadan önce iş bölge yapılandırmalarını değerlendirmek için mikroskobik simülasyon kullanır, bu kuyrukların dönüşümleri geri dökmemesini sağlar.

Gerçek Zaman Olayı Yanıt

Trafik yönetim merkezleri (TMCs) şimdi, deney verilerinin en büyük ve tahmin edilen dönüşüm evrimlerini olaylar sırasında tahmin eden online trafik modellerini kullanıyor. Bu modeller kuyruk uzunluğu 15-30 dakika önceden tahmin edebilir, operatörlerin alternatif rotalar uyarısını etkinleştirebilmelerine izin verir, tahmin edilen ölçüm hızlarını ayarlamaya ve olay yanıtlarını daha etkili bir şekilde dağıtmaya olanak sağlar.

Bağlantılı ve Otomatik Araç (CAV) Uygulamaları

Araçlar V2X iletişim ile donatılmış hale geldiğinde, yayılma modelleri aktif kontrol için pasif bir tahminden geçer. Bir yayılma bölgesine yaklaşan bir araç, şeritleri değiştirmek veya yavaş yavaş yavaş yavaş yavaş yavaş şok dalgası temizlemek için bir öneri alabilir. Simülasyon çalışmaları, bağlı araçların düşük bir penetrasyonunun bile şiddet azaltabileceğini önerir.

Spillback Modeling

İlerlemelere rağmen, birkaç zorluk, geri dönüşüm modellerini sınırlamak ve kabul etmek.

Veri Erişilebilirliği ve Kalite

Spillback modelleme, yalnızca ücretsiz analine dedektörleri değil, aynı zamanda rampalar ve arterlerden de veri sağlama gerektirir; birçok kurumun da sparse kapsaması vardır. Loop dedektörleri, radar sensörleri ve Bluetooth reidentification kısmi bilgi sağlayabilir, ancak boşluklar devam ediyor.

Model Kalibrasyon ve Geçerlilik

Gözlemlenen kuyruk evriminin tekrarlanması için bir geri dönüş modelinin oluşturulması karmaşıktır. Rekreasyon yoğunluğu, dalga hızı ve deşarj kapasitesi her yer ve zaman süresi için ayarlanmalıdır. Validation daha da zordur, çünkü yayılma olayları genellikle nadir ve yüksek kaliteli video veya dektörler verileri değildir.

C ⁇ Scalability

Gerçek zamanlı uygulamalar için, bir geri dönüşüm modeli büyük bir kentsel ağ kapsayan zamankinden daha hızlı koşmak zorundadır. Mesooskopik modeller genellikle bu gereksinimi karşılar, ancak makrooskopik modeller ağ boyutunun birkaç bin bağlantı geçtiğinde mücadele edebilir. Dağıtılmış hesaplama ve GPU hızlandırmaları aktif araştırma alanlarıdır.

Davranışsal Heterojenite

Sürücüler her zaman kongestion sırasında rasyonel davranmıyorlar. Bazıları sıraya agresif bir şekilde kesebilir veya beklenmedik alternatif rotalar seçebilirler.Toksik modellerde, stochastic şerit değiştirme ve rota seçimi dahil olmak önemlidir, ancak kalibrasyon çabasını artırır.

Future Path in Spillback Modeling

Bir sonraki yayılma modelleri, mevcut sınırlamaların üstesinden gelmek için makine öğrenimi ve yüksek çözünürlüklü verilerden yararlanacaktır.

Queue Prediction için Makine Öğrenme

Araştırmacılar tarihsel dedektörleri üzerinde derin bir sinir ağları eğitimi alıyor ve açık trafik akışı teorisi olmadan kuyruk süresini tahmin etmek için.Bu verilere dayalı modeller yerel koşullara adapte olabilir ve özellikle kısa vadeli tahminler için (5-30 dakika önceden). Hybrid, bir makine öğrenme düzeltme terimiyle ilgili bir model bir araya getirerek umut verici sonuçları son zamanlardaki çalışmalarla birleştirir:0).Transportasyon Araştırma Bölüm C).

Gerçek Zamanlı Optimizasyon Öğrenme ile Zamanlı Optimizasyon

Dondurma öğrenme (RL) ajanları, Los Angeles'ta simülasyon yapan koridorlar üzerinde rampaları kontrol etmeyi ve sinyal zamanlamalarını en aza indirmek için koordineli bir şekilde kontrol etmeyi öğrenebilirler.Sistem bazlı sistemlerden farklı olarak, RL ajanları devlet alanını araştırıyor ve ortaya çıkan politikaları geliştirebilirler. Pilot uygulamaları Los Angeles'ta simülee eden koridorlar ve Seattle% 5–8'in potansiyel seyahat zaman azaltımı göstermektedir.

Smart City Platforms ile entegrasyon

Kentsel ücretsiz yollar, trafik sinyalleri, kameralar, park sistemleri ve transit operasyonların bir araya geldiği daha geniş akıllı şehir ekosistemlerinin bir parçası haline geliyor.Bu zengin verileri en büyük ölçüde destekleyen Spillback modelleri ve eylem edilebilir içgörüler, şehir planlama ve işlemleri için merkezi hale getirecek. Open-source simülasyon çerçeveleri )SUMOMATSim)

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Kentsel serbest yollara trafik yayılımı, karmaşık modelleme araçları talep eden kalıcı ve pahalı bir problemdir. Gerçek zamanlı uyarlanmış kontrol sistemleri dağıtmak için temel dalga mekaniğini anlamaktan, mühendisler tahmin ve azaltıcı etkileri konusunda önemli ilerleme kaydettiler. Makrooskopik, mikroskopik ve mesooskopik modeller her bir özel avantaj sunar ve yaklaşım seçimi uygulama ölçeğine, mevcut verileri ve hesaplama kaynaklarına bağlıdır.