低渗透率车辆轨迹数据下信号交叉口的交通状态估计和不确定性量化

核心概念

本文提出了一种基于贝叶斯方法的交通状态估计方法,可以在低渗透率车辆轨迹数据下,同时估计实时交通状态和未知的交通参数,并量化由于数据有限而导致的估计不确定性。

要約

本文研究了在信号交叉口使用低渗透率车辆轨迹数据进行交通状态估计的问题。现有的许多研究提出了不同的方法来估计未知的交通状态和参数(如渗透率、队长等),但大多数只提供了点估计,而没有量化这些估计值的不确定性。量化由于数据有限导致的估计不确定性很重要,因为它可以明确告诉我们当前数据是否足以满足所需的估计精度。
为了解决这个问题,本文将部分可观测系统建模为隐马尔可夫模型(HMM),基于最近提出的概率时空(PTS)模型。PTS模型是一种专门用于建模信号交叉口附近交通流动态的随机交通流模型。基于HMM公式化,提出了一个单一的递归程序,用于贝叶斯估计交通状态和参数。作为一种贝叶斯方法,所提出的方法提供了分布式的估计结果,并直接量化了估计的不确定性。
本文通过仿真研究验证了所提出的方法,并展示了其在实际车辆轨迹数据中的适用性。主要贡献包括:1)基于PTS模型,采用贝叶斯方法估计信号交叉口的实时交通状态和潜在交通参数;2)通过贝叶斯方法,所提出的方法可以提供分布式的估计结果,明确量化了由于数据有限而导致的不确定性。

統計

在信号交叉口,观测到的车辆到达时间和停车位置可以用来估计实时的交通状态。

引用

无

抽出されたキーインサイト

Traffic State Estimation and Uncertainty Quantification at Signalized Intersections with Low Penetration Rate Vehicle Trajectory Data

by Xingmin Wang... 場所 arxiv.org 04-16-2024

https://arxiv.org/pdf/2404.08667.pdf

深掘り質問

如何进一步提高基于低渗透率车辆轨迹数据的交通状态估计精度

本文提出的方法可以进一步提高基于低渗透率车辆轨迹数据的交通状态估计精度。一种方法是结合其他数据源，如检测器数据，来辅助估计。通过将车辆轨迹数据与其他数据源进行整合，可以提供更全面和准确的信息，从而改善交通状态估计的精度。例如，可以利用检测器数据提供的实时交通流量信息来校准车辆轨迹数据中的缺失信息，从而提高估计的准确性和可靠性。

例如,是否可以利用其他数据源(如检测器数据)来辅助估计

如果一些参数，如饱和流率、拥塞密度等，也是未知的，可以采用类似的贝叶斯方法来进行估计。首先，需要对这些未知参数进行先验分布的设定，然后利用观测数据和模型进行参数估计。可以通过类似的递归算法来估计这些未知参数，同时利用贝叶斯方法得到参数的后验分布。在估计过程中，可以结合不同的数据源和模型来提高参数估计的准确性和稳定性。

本文假设了一些参数(如饱和流率、拥塞密度等)是已知的,那么如果这些参数也是未知的,该如何进行估计

除了交通状态估计，车辆轨迹数据还可以用于许多其他交通应用。例如，车辆轨迹数据可以用于交通控制和优化。通过分析车辆轨迹数据，可以更好地理解交通流量的分布和变化规律，从而优化信号配时、交通流量调控等交通控制策略。此外，车辆轨迹数据还可以用于交通预测、事故分析、道路规划等领域，为交通管理部门提供更多的决策支持和信息参考。通过充分利用车辆轨迹数据，可以实现智能交通系统的建设和优化，提高交通运行效率和安全性。