[論文レビュー] Joint Estimation of Multi-phase Traffic Demands at Signalized Intersections Based on Connected Vehicle Trajectories

Chaopeng Tan, Jiarong Yao+3 more|arXiv (Cornell University)|Oct 19, 2022

Traffic Prediction and Management Techniques被引用数 5

ひとこと要約

本稿では、信号交差点におけるマルチフェーズ交通需要を、接続車両（CV）の軌道データを用いてサイクル単位で共同推定する手法（JO-MAP）を提案する。共同重み付き尤度関数を定式化し、履歴CVデータを事前分布として統合することで、不十分な状態および過飽和状態の両方で推定精度が向上し、実証的検証では12.73%のMAPEを達成し、高水準のCV浸透率に依存しなくなる。

ABSTRACT

Accurate traffic demand estimation is critical for the dynamic evaluation and optimization of signalized intersections. Existing studies based on connected vehicle (CV) data are designed for a single phase only and have not sufficiently studied the real-time traffic demand estimation for oversaturated traffic conditions. Therefore, this study proposes a cycle-by-cycle multi-phase traffic demand joint estimation method at signalized intersections based on CV data that considers both undersaturated and oversaturated traffic conditions. First, a joint weighted likelihood function of traffic demands for multiple phases is derived given real-time observed CV trajectories, which considers the initial queue and relaxes the first-in-first-out assumption by treating each queued CV as an independent observation. Then, the sample size of the historical CVs is used to derive a joint prior distribution of traffic demands. Ultimately, a joint estimation method based on the maximum a posteriori (i.e., the JO-MAP method) is developed for cycle-based multi-phase traffic demand estimation. The proposed method is evaluated using both simulation and empirical data. Simulation results indicate that the proposed method can produce reliable estimates under different penetration rates, arrival patterns, and traffic demands. The feature of joint estimation makes our method less demanding for the penetration rate of CVs and the consideration of prior distribution can significantly improve the estimation accuracy. Empirical results show that the proposed method achieves accurate cycle-based traffic demand estimation with a MAPE of 12.73%, outperforming the other four methods.

研究の動機と目的

• 信号交差点における接続車両（CV）データを用いたリアルタイムでマルチフェーズ交通需要を推定する手法のギャップを埋める。
• 不十分な状態および過飽和状態の両方の交通状況でも信頼性が保証される手法を開発する。
• 共同推定と事前分布の統合により、高水準のCV浸透率に依存するのを低減する。
• 履歴CVデータを事前分布として活用することで推定精度を向上させる。
• 動的信号最適化に適したサイクルベースのリアルタイム交通需要推定を可能にする。

提案手法

• リアルタイムのCV軌道観測に基づき、マルチフェーズ交通需要のための共同重み付き尤度関数を定式化する。
• 各列車に並ぶCVを独立観測として扱うことで、先着先勝ちの仮定を緩和する。
• 履歴CVのサンプルサイズを用いて、交通需要の共同事前分布を導出する。
• サイクルベースのマルチフェーズ交通需要推定のための最尤後確率（MAP）推定フレームワーク（JO-MAP）を開発する。
• リアルタイムCVデータと履歴データを統合することで、耐障害性と精度を向上させる。
• 妥当性検証のため、シミュレーションおよび実データセットの両方へJO-MAP手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、接続車両の軌道データを用いて信号交差点におけるマルチフェーズ交通需要を共同で推定できるか？
• RQ2 提案手法は、高水準の接続車両浸透率に依存するのをどの程度低減できるか？
• RQ3 履歴CVデータの統合は、リアルタイム推定精度をどの程度向上させるか？
• RQ4 過飽和交通状態下でも、この手法は高い精度を維持できるか？
• RQ5 JO-MAP手法は、従来の単一フェーズまたは非共同推定手法と比較して、どのように差をつけるか？

主な発見

• 実証的検証において、JO-MAP手法は平均絶対誤差率（MAPE）12.73%を達成し、4つのベンチマーク手法を上回った。
• シミュレーション結果から、CV浸透率、到着パターン、交通需要レベルの変動に対しても、信頼性の高い推定性能が得られた。
• 共同推定フレームワークにより、正確な推定に必要なCV浸透率が顕著に低減された。
• 履歴CVデータに基づく事前分布の統合により、推定精度が著しく向上した。
• 不十分な状態および過飽和状態の両方の交通状態下でも、本手法は頑健な性能を維持した。
• JO-MAP手法は、リアルタイムでの動的信号制御および交通管理アプリケーションにおいて、強力な応用可能性を示した。