Traffic state estimation using stochastic Lagrangian dynamics

این مقاله یک مدل تصادفی جدید از دینامیک ترافیک در مختصات لاگرانژی ارائه می دهد. منبع عدم اطمینان ناهمگونی در رفتار رانندگی است، که با استفاده از روابط فاصله-فاصله مخصوص راننده، یعنی عدم قطعیت پارامتری، گرفته شده است. این نیز در مسیرهای مسطح وسیله ای در یک زمینه تصادفی منجر می شود که با دینامیک ترافیک دنیای واقعی همخوانی دارد و به این ترتیب، مسائل مربوط به نوسان تهاجمی را که معمولا در مسیرهای نمونه ای از مدل های جریان ترافیکی مشاهده می شود، غلبه می دهد. ما از تکنیک های فیلترینگ گروه برای جمع آوری داده ها استفاده می کنیم (اما تخمین وضعیت ترافیک)، اما میانگین پویایی و کوواریانس را به دست می آوریم به این ترتیب که اندازه گروه به بی نهایت می رسیم، در نتیجه، نیاز به نمونه برداری از توزیع پارامتر در هنگام برآوردن وضعیت ترافیک دور می شود. در نتیجه، الگوریتم برآورد فقط یک الگوریتم کلامن-بوکی استاندارد است که رویکرد پیشنهادی را قادر می سازد تا با استفاده از داده های بازگشتی قابل استفاده در برنامه های زمان واقعی باشد. نمونه های آماری داده ها انجام می شود و نتایج ما نشان می دهد که توافق خوب با داده های خارج از نمونه.