کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6935853 1449656 2018 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A generic data assimilation framework for vehicle trajectory reconstruction on signalized urban arterials using particle filters
ترجمه فارسی عنوان
چارچوب جذب داده های عمومی برای بازسازی مسیر مسیریابی در شریانی های شهری سیگنال با استفاده از فیلترهای ذرات
کلمات کلیدی
بازسازی مسیر تراکتور، داده های حسگر پر سر و صدا، تخمین تجمع خودرو، شبیه سازی ترافیک میکروسکوپی، تسریع داده ها، فیلترهای ذرات
ترجمه چکیده
با داده های مسیری، یک تصویر کامل میکروسکوپی و ماکروسکوپی از عملیات جریان ترافیک می تواند بدست آید. با این حال، داده های مسیریابی به دلیل محدودیت های عملی، فنی و مالی دشوار است که در ناحیه های فضایی و مادری بزرگ به ویژه در مناطق شهری مشاهده شود. بهترین چیز بعدی این است که مسیرهای قابل قبول را از هر داده ای در دسترس قرار دهیم. این مقاله یک چارچوب جذب داده های عمومی را برای بازسازی چنین مسیرهای قابل اعتماد بر روی شریانهای سیگنالینگ شهری با استفاده از مدل های جریان ترافیکی میکروسکوپی و داده های حلقه ها (گذرگاه های فردی و به تبع آن تعداد خودرو) ارائه می دهد. اطلاعات کنترل ترافیک؛ و (اندازه گیری های جزئی) زمان سفر از هر منبع در دسترس است. مشکل اصلی ما این است که حلقه ها از کمبود و بیش از حد رنج می برند، که منجر به خطاهای ناخواسته در تجمعات وسیله نقلیه می شود و بازسازی مسیر را بسیار مشکل ساز می کند. چارچوب ما این دو مشکل را حل می کند. اول، ما خطای سیستماتیک در تجمع وسایل نقلیه را با تلفیق شمارنده ها با زمان های سفر در دسترس در دسترس اصلاح می کنیم. دوم، چارچوب پیشنهادی با استفاده از فیلتر ذرات و یک طرح مجدد مجدد سلسله مراتبی نوین، که به طور موثر در مورد توزیع خطای باقی مانده ادغام می شود، نتیجه مسیرهای قابل قبول است. چارچوب جذب اطلاعات پیشنهادی با استفاده از داده های شبیه سازی شده مورد آزمایش و اعتبار قرار می گیرد. آزمایشات و تجزیه و تحلیل حساسیت گسترده نشان می دهد که روش پیشنهادی برای خطاهای هر دو در مدل و در اندازه گیری ها قوی است و تخمین خوبی برای تجمع خودرو و مسیرهای وسیله نقلیه با کیفیت سنسور متوسط ​​است. چارچوب محدودیتی بر نوع مدل های میکروسکوپی استفاده نمی شود و می تواند به طور طبیعی گسترش یابد تا ویژگی های مسیریابی اضافی مانند مقصد و مسیر را در بر بگیرد و داده های موجود برای جذب در دسترس باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
چارچوب جذب داده های عمومی برای بازسازی مسیر مسیریابی در شریانی های شهری سیگنال با استفاده از فیلترهای ذرات
چکیده انگلیسی
With trajectory data, a complete microscopic and macroscopic picture of traffic flow operations can be obtained. However, trajectory data are difficult to observe over large spatiotemporal regions-particularly in urban contexts-due to practical, technical and financial constraints. The next best thing is to estimate plausible trajectories from whatever data are available. This paper presents a generic data assimilation framework to reconstruct such plausible trajectories on signalized urban arterials using microscopic traffic flow models and data from loops (individual vehicle passages and thus vehicle counts); traffic control data; and (sparse) travel time measurements from whatever source available. The key problem we address is that loops suffer from miss- and over-counts, which result in unbounded errors in vehicle accumulations, rendering trajectory reconstruction highly problematic. Our framework solves this problem in two ways. First, we correct the systematic error in vehicle accumulation by fusing the counts with sparsely available travel times. Second, the proposed framework uses particle filtering and an innovative hierarchical resampling scheme, which effectively integrates over the remaining error distribution, resulting in plausible trajectories. The proposed data assimilation framework is tested and validated using simulated data. Experiments and an extensive sensitivity analysis show that the proposed method is robust to errors both in the model and in the measurements, and provides good estimations for vehicle accumulation and vehicle trajectories with moderate sensor quality. The framework does not impose restrictions on the type of microscopic models used and can be naturally extended to include and estimate additional trajectory attributes such as destination and path, given data are available for assimilation.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 92, July 2018, Pages 364-391
نویسندگان
, , ,