[論文レビュー] A comparison of data-fitted first order traffic models and their second order generalizations via trajectory and sensor data

Shimao Fan, Benjamin Seibold|arXiv (Cornell University)|Aug 2, 2012

Traffic control and management参考文献 17被引用数 8

ひとこと要約

本研究は、軌跡データおよびセンサデータを用いて、データに適合した一次LWRモデルと二次ARZモデルを比較し、追加のフィッティングパrameterが存在しないにもかかわらず、ARZモデルがLWRモデルの精度を常に上回ることを示している。主な発見は、ARZモデルが境界からの独立した情報量を増やすことで、特に適合度の高いフリックス関数を組み合わせることで予測性能が向上することである。

ABSTRACT

The Aw-Rascle-Zhang (ARZ) model can be interpreted as a generalization of the first order Lighthill-Whitham-Richards (LWR) model, possessing a family of fundamental diagram curves, rather than a single one. We investigate to which extent this generalization increases the predictive accuracy of the models. To that end, a systematic comparison of two types of data-fitted LWR models and their second order ARZ counterparts is conducted, via a version of the three-detector problem test. The parameter functions of the models are constructed using historic fundamental diagram data. The model comparisons are then carried out using time-dependent data, of two very different types: vehicle trajectory data, and single-loop sensor data. The study of these PDE models is carried out in a macroscopic sense, i.e., continuous field quantities are constructed from the discrete data, and discretization effects are kept negligibly small.

研究の動機と目的

• 実世界のデータにフィットさせた場合、二次交通モデル（特にARZ）が一次LWRモデルよりも予測精度が向上するかどうかを評価すること。
• Greenshields関数および三パラメータ適合関数という異なるフリックス関数が、多様なデータタイプにおけるモデル性能に与える影響を調査すること。
• 軌跡およびセンサから得られる連続的場のデータに対して、PDEに基づく交通モデルを比較するための、マクロスコピックで離散化フリーなフレームワークを確立すること。
• ARZモデルが可変波速度および非一様な基本図を扱える能力が、実世界条件下でLWRモデルよりも優れた予測をもたらすかどうかを特定すること。
• カルマンフィルタのようなオンラインキャリブレーション技術との統合に適した、堅牢なマクロスコピックモデルの選定基盤を提供すること。

提案手法

• 離散的な車両軌跡および単一ループセンサデータを、密度、速度、フローといった連続的空間時間場の量に変換し、マクロスコピックモデルの比較を可能にする。
• 歴史的フリックス図（FD）データに基づく最小二乗最適化を用いて一次LWRモデルをフィッティングし、フリックス関数としてGreenshieldsおよび三パラメータ形式を定義する。
• LWRの一般化として、圧力に類似した項を導入することで、単一の曲線ではなく、基本図の族を許容する二次ARZモデルを構築する。
• マクロスコピックな三検出器問題テストを実施：測定データからの境界条件を用いて内部状態をシミュレートし、モデル出力と実際の測定値を比較する。
• 最小限の離散化誤差を持つ高解像度数値スキームを用いることで、モデル誤差とデータ誤差を分離し、結果が本質的なモデル性能を反映することを保証する。
• 空間的および時間的領域におけるL¹およびL²型誤差積分を用いてモデルの精度を測定し、予測された場の量と観測値を比較する。

実験結果

リサーチクエスチョン

• RQ1 同じ歴史的フリックス図データにフィットさせた場合、二次ARZモデルは一次LWRモデルを一貫して上回るのか？
• RQ2 フリックス関数の選択（Greenshields対三パラメータ）が、異なるデータタイプにおけるLWRおよびARZモデルの予測精度にどのように影響するか？
• RQ3 センサおよび軌跡データにおける測定ノイズおよびデータ再構築誤差が、LWRおよびARZモデルの相対的性能にどの程度影響を及えるか？
• RQ4 なぜARZモデルは特定の日にはLWRモデルよりも著しく性能が劣ることがあるのか、その原因は何か？
• RQ5 ARZモデルの改善された性能は、数学的構造が示唆するように、境界を介してより多くの独立した情報を伝える能力に起因するのだろうか？

主な発見

• Greenshieldsフリックス関数を用いたARZモデル（ARZQ）は、対応するLWRモデル（LWRQ）を一貫して上回り、非混雑な日には誤差が1.4倍小さくなっている。
• より適合度の高い三パラメータフリックス関数を用いた場合、ARZとLWRモデルの性能差は縮小するが、大多数の日においてARZモデルがより正確である。
• 38日目には、境界条件に起因する波速度がほぼゼロに近づいたため、データが内部センサに到達する前に遅延し、ARZモデルが大きな誤差を示した。
• 単一ループセンサデータのノイズレベルが高かろうとも、ARZQはLWRQを上回った。これは、この文脈においてARZモデルが測定誤差に対して頑健であることを示している。
• ARZモデルの向上した予測能力は、追加のフィッティングパrameterではなく、境界を介してより多くの独立した情報を伝える能力に起因する。
• 本研究では予想に反する結果が明らかになった：非混雑な日においてARZQはLWRおよびARZの両方の誤差を小さくしているが、その理由については現在のところ説明がつかない。