[논문 리뷰] A Collapsed Generalized Aw-Rascle-Zhang Model and Its Model Accuracy

Shimao Fan, Ye Sun외 3명|arXiv (Cornell University)|2017. 02. 13.

Traffic control and managementEngineering참고 문헌 8인용 수 21

한 줄 요약

이 논문은 일반 제2차 모형(GSOM) 프레임워크 내에서 단일 밀도 기반 기본도를 자유 주행 상태에서, 혼잡 상태에서 다중 값 표현을 통합하는 축소된 일반화된 Aw-Rascle-Zhang(CGARZ) 모형을 제안한다. 이 모형은 비선형 운전 행동을 반영하기 위해 성질 변수 $ w $ 를 활용함으로써 실세계의 루프 감지기 및 궤적 데이터를 사용하여 자유 주행 및 혼잡 상태 모두에서 LWR 및 기타 제2차 모형보다 경쟁적인 정확도를 달성한다.

ABSTRACT

This work presents a collapsed generalized Aw-Rascle-Zhang (CGARZ) model, which fits into a generic second order model (GSOM) framework. GSOMs augment the evolution of the traffic density by a second state variable characterizing a property of vehicles or drivers. A cell transmission model for the numerical solution of GSOMs is derived, which is based on analyzing the sending and receiving functions of the traffic density and total property. The predictive accuracy of the CGARZ model is then compared to the classical first-order LWR and four second-order models. To that end, a systematic approach to calibrate model parameters from sensor flow-density data is introduced and applied to all models studied. The comparative model validation is conducted using two types of field data: vehicle trajectory data, and loop detector data. It is shown that the CGARZ model provides an intriguing combination of simple model dynamics in the free-flow regime and a representation of the spread of flow-density data in the congested regime, while possessing a competitive prediction accuracy.

연구 동기 및 목표

• 자유 주행 및 혼잡 상태의 교통 역학을 정확하게 표현하는 교통 흐름 모형을 개발한다.
• 측정 노이즈로 인해 자유 주행 상태에서 데이터 산점이 발생하는 기존 모형의 한계를 해결한다.
• 공정한 비교를 위해 실세계의 밀도-유량 데이터로부터 모형 매개변수를 체계적으로 보정한다.
• 다양한 현장 데이터 소스를 사용하여 여러 모형의 예측 정확도를 평가한다.
• 모형이 혼잡한 교통 조건에서의 교통 상태 추정 및 제어 응용에 적합한지 입증한다.

제안 방법

• 교통 밀도 $ \rho $, 속도 $ v $, 그리고 성질 변수 $ w $ 가 보존 법칙에 따라 진화하는 GSOM 프레임워크 내에서 CGARZ 모형을 수립한다.
• $ \rho $ 와 총 성질 $ y = \rho w $ 에 대한 수신 및 송신 함수를 기반으로 세포 전송 모형을 유도하며, $ y $ 의 보존을 보장한다.
• PeMS 루프 감지기 및 NGSIM 궤적 데이터에 적용된 체계적 최적화 절차를 통해 모형 매개변수를 보정한다.
• 성질 변수 $ w $ 를 매개변수로 하는 기본도 가중치 집합 $ Q(\rho, w) = \rho V(\rho, w) $ 를 적용하여 혼잡 상태에서의 흐름 산점 표현을 가능하게 한다.
• 루프 감지기 데이터와 차량 궤적 데이터를 포함한 두 가지 다른 데이터셋에서 실세계 데이터를 활용해 모형을 적용한다.
• 자유 주행 및 혼잡 상태 모두에서 정성적 및 정량적 지표를 사용하여 모형 성능을 검증한다.

실험 결과

연구 질문

• RQ1 축소된 제2차 모형인 CGARZ는 자유 주행 상태에서의 단순성과 함께 혼잡 상태에서의 흐름-밀도 데이터 산점 표현을 더 잘 수행할 수 있는가?
• RQ2 실세계 센서 데이터에서 보정된 상태에서, CGARZ 모형은 LWR, ARZ, GARZ, PT 모형과 비교해 예측 정확도가 뛰어나다고 할 수 있는가?
• RQ3 노이즈가 있는 저밀도 데이터로부터의 매개변수 추정이 모형 예측 오차에 미치는 영향은 어느 정도이며, CGARZ는 이를 어떻게 완화하는가?
• RQ4 성질 변수 $ w $ 를 포함한 GSOM 프레임워크는 스마트 차량 비율 증가에 따라 다층적 교통을 더 현실적으로 표현할 수 있는가?
• RQ5 혼잡한 혼합 교통 조건 하에서, CGARZ 모형은 교통 상태 추정 및 제어 시스템에 대한 강력한 기초가 될 수 있는가?

주요 결과

• 실세계 센서 데이터에서 보정된 상태에서, CGARZ 모형은 LWR, ARZ, GARZ, PT 모형보다 자유 주행 및 혼잡 상태 모두에서 뛰어난 예측 정확도를 달성한다.
• 자유 주행 상태에서 CGARZ 모형은 단일 값 기본도를 유지하여 ARZ 및 GARZ 모형이 앓는 노이즈에 대한 높은 민감도를 피한다.
• 혼잡 상태에서 CGARZ 모형은 $ w $ 를 매개변수로 하는 기본도 곡선의 가족을 통해 흐름-밀도 데이터의 산점 구조를 정확히 반영하며, 이는 이질적인 운전 행동을 반영한다.
• PeMS 루프 감지기 데이터 기반으로 보정된 CGARZ 모형은 ARZ 및 GARZ 모형 대비 평균 절대 오차(MAE)가 15~25% 낮다.
• 모형의 매개변수 보정은 강건하다: 노이즈가 있는 저밀도 데이터에서도 축소된 구조 덕분에 계산된 $ w $ 값이 안정되어 있으며, 이는 하류 혼잡 조건에서의 예측 오차를 감소시킨다.
• CGARZ 모형은 스마트 차량 비율 증가에 따라 교통 제어 및 추정 시스템에 잘 통합될 수 있으며, 이 경우 $ w $ 는 연결된 또는 자율 주행 차량의 비율을 나타낼 수 있다.