[논문 리뷰] Connected Vehicle Supported Adaptive Traffic Control for Near-congested Condition in a Mixed Traffic Stream

Sakib Mahmud Khan, Mashrur Chowdhury|arXiv (Cornell University)|2019. 07. 14.

Traffic Prediction and Management Techniques참고 문헌 22인용 수 5

한 줄 요약

이 논문은 실시간으로 연결 차량(CV) 데이터만을 사용하여 혼잡에 가까운 도시 주요 간선도로에서 신호 제어 시간을 최적화하는 실시간 적응형 교통 신호 제어 시스템을 제안한다. 단기 교통 예측에 기계학습 기반 기법과 다목적 최적화를 활용함으로써, 시스템은 녹색 간격과 오프셋을 동적으로 조정하며, 5%의 CV 침습률에서도 평균 속도를 5.6% 향상시키고 최대 대기열 길이를 66.7% 감소시켜 기존의 루프 검출기 기반 작동 조정 제어 방식을 능가한다.

ABSTRACT

Connected Vehicles (CVs) have the potential to significantly increase the safety, mobility, and environmental benefits of transportation applications. In this research, we have developed a real time adaptive traffic signal control algorithm that utilizes only CV data to compute the signal timing parameters for an urban arterial in the near congested condition. We have used a machine learning based short term traffic forecasting model to predict the overall traffic counts in CV based platoons. Using a multi objective optimization technique, we compute the green interval time for each intersection using CV based platoons. Later, we dynamically adjust intersection offsets in real time, so the vehicles in the major street can experience improved operational conditions compared to loop detector based actuated coordinated signal control. Using a 3 mile long simulated corridor of US 29 in Greenville, SC, we have evaluated the performance of our CV based adaptive signal control. For the next time interval, using only 5% CV data, the Root Mean Square Error of the machine learning based prediction is 10 vehicles. Our analysis reveals that the CV based adaptive signal control improves operational conditions in the major street compared to the actuated coordinated scenario. Also, using only CV data, the operational performance improves even for a low CV penetration (5% CV), and the benefit increases with increasing CV penetration. We can provide operational benefits to both CVs and non CVs with the limited data from 5% CVs, with 5.6% average speed increase, and 66.7% and 32.4% reduction in average maximum queue length and stopped delay, respectively, in major street coordinated direction compared to the actuated coordinated scenario in the same direction.

연구 동기 및 목표

• 제한된 실시간 데이터를 가진 혼합 교통 흐름에서의 교통 혼잡 문제를 해결하기 위해.
• 기존의 루프 검출기와 같은 전통적 인프라에 의존하지 않고 오직 연결 차량(CV) 데이터에만 기반한 적응형 신호 제어 알고리즘을 개발하기 위해.
• 주요 도로에서 혼잡에 가까운 조건에서 동적 신호 제어 시간 및 오프셋 조정을 통해 운영 성능을 향상시키기 위해.
• 낮은 CV 침범률(5%)에서의 시스템 효과성을 평가하고, CV 보급 증가에 따른 확장 가능성도 평가하기 위해.

제안 방법

• 기계학습 기반 단기 교통 예측 모델이 오직 CV 데이터만을 사용하여 CV 단체 내 교통량을 예측한다.
• 다목적 최적화 기법을 통해 예측된 교통량을 바탕으로 각 교차로의 최적 녹색 간격 지속 시간을 계산한다.
• 주요 도로에서 정지 및 지연를 최소화하기 위해 실시간으로 신호 오프셋을 동적으로 조정한다.
• 실제 혼합 교통 조건 하에서 미국 29호선 그린스버그, 캘리포니아의 3마일 시뮬레이션 코리도르에서 시스템을 평가한다.
• 오직 5%의 CV 데이터만을 사용하여도 교통 예측의 평균 제곱근 오차(RMSE)가 10대에 도달한다.
• 제어 전략은 기존의 루프 검출기 기반 작동 조정 신호 제어 시스템과 비교된다.

실험 결과

연구 질문

• RQ1 오직 CV 데이터만을 사용하여 CV 기반 적응형 신호 제어 시스템이 혼잡에 가까운 교통 조건을 효과적으로 관리할 수 있는가?
• RQ2 낮은 CV 침범률(예: 5%)에서의 시스템 성능이 높은 침범률 수준과 비교해 어떻게 달라지는가?
• RQ3 기존의 루프 검출기 기반 시스템과 비교해 CV 데이터가 신호 제어 시간 및 오프셋 조정에 얼마나 향상 효과를 줄 수 있는가?
• RQ4 CV 데이터를 활용한 실시간 신호 최적화 시, 속도, 대기열 길이, 지연 등에서 측정 가능한 개선 사항은 무엇인가?

주요 결과

• 오직 5%의 CV 침범률에서도 기계학습을 활용한 단기 교통 예측에서 평균 제곱근 오차(RMSE)가 10대에 도달했다.
• CV 기반 적응형 제어는 기존의 작동 조정 제어 시나리오 대비 주요 도로에서 평균 속도를 5.6% 향상시켰다.
• 주요 도로의 조정 방향에서 평균 최대 대기열 길이가 66.7% 감소했다.
• 동일한 방향에서 정지 지연이 32.4% 감소하여 현저한 운영 개선 효과를 입증했다.
• CV 침범률이 높아질수록 성능 향상 효과가 커져, 향후 CV 보급 확대에 따라 시스템의 확장성과 효과성이 증가함을 시사한다.
• 낮은 CV 침범률 수준에서도 연결 차량뿐 아니라 비연결 차량에게도 측정 가능한 혜택을 제공한다.