[論文レビュー] Flow and Density Reconstruction and Optimal Sensor Placement for Road Transportation Networks

Enrico Lovisari, Carlos Canudas de Wit+1 more|arXiv (Cornell University)|Jul 25, 2015

Traffic control and management参考文献 27被引用数 3

ひとこと要約

本稿では、固定センサデータと浮動車両データ（FCD）を統合するデータ統合アルゴリズムを提案し、マクロスコピックセルベースモデルを用いて、道路網における交通フローおよび密度を再構築する。90%のタイムセルペアで20台/km未満の推定誤差を達成し、最適で費用対効果の高いセンサ配置を実現するためのバーチャル分散に基づくヒューリスティックを導入。グローヌの環状道路で実証された。

ABSTRACT

This paper addresses the two problems of flow and density reconstruction in Road Transportation Networks with heterogeneous information sources and cost effective sensor placement. Following standard macroscopic modeling approaches, the network is partitioned in cells, whose density of vehicles changes dynamically in time according to first order conservation laws. The first problem is to estimate the flow and the density of vehicles using two sources of information, namely standard fixed sensors, precise but expensive, and Floating Car Data, less precise due to low penetration rates, but already available on most of the main roads. A data fusion algorithm is proposed to merge the two sources of information for observing density and flow of vehicles. The second problem is to place the sensors in the network by trading off between cost and performance. A relaxation of the problem is proposed based on the concept of Virtual Variances. The efficiency of the proposed strategies is shown on a synthetic regular grid and in the real world scenario of Rocade Sud in Grenoble, France, a ring road 10.5 km long.

研究の動機と目的

• 異種のデータソースを用いて、道路網における交通フローおよび密度を再構築する課題に対処すること。
• 性能と設置コストのバランスを取るコスト効果的なセンサ配置戦略を開発すること。
• 正確ではあるが疎な固定センサデータと、やや不正確ではあるが広く利用可能な浮動車両データ（FCD）の統合。
• 交通制御やドライバ情報システムなどの応用を想定し、正確なリアルタイム交通状態推定を可能にすること。
• バーチャル分散に基づく緩和を用いて、費用制約下での再構築誤差を最小化するセンサ配置最適化。

提案手法

• 道路網を、一次保存則に従う動的車両密度を持つセルの集合としてモデル化する。
• セル伝送モデル（CTM）による離散化されたライトヒル＝ウィットハム＝リチャーズ（LWR）モデルを用いて、フローおよび密度の動的挙動を記述する。
• 観測データに一致させるために、基本図の勾配降下法によるキャリブレーションを実装する。
• 固定センサの測定値とFCDの速度推定値を統合するデータ統合オブザーバーを適用し、フローおよび密度を再構築する。
• センサ配置問題を緩和するためのバーチャル分散の概念を導入し、ヒューリスティック最適化により最適な配置をガイドする。
• 質量保存に基づく状態推定と測定値統合を実現するカルマンに類似したオブザーバーフレームワークを用いる。

実験結果

リサーチクエスチョン

• RQ1 固定センサと浮動車両データ（FCD）を併用することで、道路網におけるフローおよび密度をどのように正確に再構築できるか？
• RQ2 再構築精度を最大化し、コストを最小化するための固定センサの最適配置は何か？
• RQ3 低精度のFCDと高精度の固定センサを統合することで、全体の交通状態推定にどのように寄与するか？
• RQ4 バーチャル分散に基づくヒューリスティックは、大規模ネットワークにおいて最適なセンサ配置をどの程度効果的に近似できるか？
• RQ5 推定誤差は、自由流れや混雑といった異なる交通状態や、出口（ラムプ）などの異なる場所でどのように変動するか？

主な発見

• 提案されたデータ統合アルゴリズムは、75%のタイムセルペアで平均絶対誤差が11台/km未満、90%のペアで23台/km未満を達成した。
• フロー推定に関しては、75%のペアで1～2台未塔、90%のペアで2～3台未塔の誤差を示した。
• エイバンズ出口では、FCDがラムプ前後における交通状態を区別できないため、密度が過剰に推定される不一致が生じた。
• 一次保存則モデルおよびオブザーバー設計のローパassing効果により、生の測定値よりも滑らかなフローおよび密度が再構築された。
• 完全な流出および混雑状態の知識を持つオラクルでも、75%のペアで5.8台/kmの誤差を示しており、10～20台/kmの誤差は、定性的な交通ダイナミクスを捉える上で許容可能であることを裏付けた。
• バーチャル分散ヒューリスティックは、少数の固定センサを設置した場合でも、性能の著しい低下を伴わず、効果的なセンサ配置を実現した。