[논문 리뷰] Flow and Density Reconstruction and Optimal Sensor Placement for Road Transportation Networks

Enrico Lovisari, Carlos Canudas de Wit외 1명|arXiv (Cornell University)|2015. 07. 25.

Traffic control and management참고 문헌 27인용 수 3

한 줄 요약

이 논문은 거리망 내에서 교통 흐름과 밀도를 복원하기 위해 고정 센서 데이터와 플로ating 카 데이터(FCD)를 융합하는 데이터 융합 알고리즘을 제안한다. 매크로스코픽 셀 기반 모델을 사용하며, 90퍼센트의 타임셀 쌍에서 20대 이하의 차량/킬로미터 오차를 달성한다. 또한 최적의 비용 효율적인 센서 배치를 위한 가상 분산 기반 히우리스틱을 도입하였으며, 그린올의 실제 고속도로에서 검증되었다.

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.

연구 동기 및 목표

• 이질적인 데이터 소스를 활용하여 도로망 내에서 교통 흐름과 밀도를 복원하는 데 도전하는 것.
• 성능과 구현 비용을 균형 잡는 비용 효율적인 센서 배치 전략을 개발하는 것.
• 정확하지만 흐물러진 고정 센서 데이터와 정확도는 낮지만 광범위하게 확보 가능한 플로팅 카 데이터(FCD)의 융합.
• 교통 제어 및 운전자 정보 시스템 등의 애플리케이션을 위해 정확한 실시간 교통 상태 추정을 가능하게 하는 것.
• 가상 분산 기반의 이완을 통해 예산 제약 하에 복원 오차를 최소화하는 센서 배치 최적화

제안 방법

• 도로망을 동적 차량 밀도가 제1차 보존 법칙에 따라 제어되는 셀의 집합으로 모델링한다.
• 셀 전송 모델(CTM)을 통한 이산화된 라이트힐-위드햄-리처즈(LWR) 모델을 활용해 흐름과 밀도 역학을 기술한다.
• 관측된 데이터와 일치시키기 위해 기본도형의 기울기 조정을 기울기 하강 기반으로 수행한다.
• 고정 센서 측정치와 FCD 속도 추정치를 융합하는 데이터 융합 관측기 알고리즘을 적용하여 흐름과 밀도를 복원한다.
• 센서 배치 문제를 이완시키기 위해 가상 분산 개념을 도입하고, 히우리스틱 최적화를 통해 최적의 배치를 안내한다.
• 질량 보존 기반 상태 추정과 측정치 융합을 기반으로 한 칼만 유사 관측기 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 고정 센서와 플로팅 카 데이터를 모두 활용하여 도로망 내에서 흐름과 밀도를 정확히 복원할 수 있는가?
• RQ2 복원 정확도를 극대화하면서 비용을 최소화하기 위해 고정 센서를 어떻게 최적의 위치에 설치할 수 있는가?
• RQ3 저정밀도의 FCD와 고정밀도의 고정 센서를 융합하면 전체 교통 상태 추정 성능가 어떻게 향상되는가?
• RQ4 가상 분산 기반 히우리스틱이 대규모 네트워크에서 최적 센서 배치를 효과적으로 근사할 수 있는 정도는 어느 정도인가?
• RQ5 차량 흐름 상태(자유 흐름, 혼잡 상태)와 위치(예: 분기로)에 따라 추정 오차는 어떻게 변화하는가?

주요 결과

• 제안된 데이터 융합 알고리즘은 75퍼센트의 타임셀 쌍에서 평균 절대 오차가 11 veh/km 미만이며, 90퍼센트의 쌍에서는 23 veh/km 이하의 오차를 기록한다.
• 흐름 추정의 경우, 75퍼센트의 쌍에서 오차가 1~2대 미만이며, 90퍼센트의 쌍에서는 2~3대 이하이다.
• 에이브엔스 출구에서는 FCD가 분기 전후의 교통 조건을 구분하지 못해 밀도가 과대 추정되는 현상이 발생한다.
• 복원된 흐름과 밀도는 첫 번째 순서 보존 모델과 관측기 설계의 저역통과 효과로 인해 원시 측정치보다 더 매끄럽다.
• 완벽한 외부 유량 및 혼잡 상태 지식을 가진 오라클 모델조차도 75퍼센트의 쌍에서 5.8 veh/km의 오차를 기록하며, 이는 10~20 veh/km의 오차가 교통 동역학의 정성적 특성을 파악하는 데 있어 허용 가능한 수준임을 확인한다.
• 가상 분산 히우리스틱은 고정 센서가 몇 대 뿐이더라도 성능 저하가 최소화되도록 효과적인 센서 배치를 가능하게 한다.