[논문 리뷰] Joint Estimation of Multi-phase Traffic Demands at Signalized Intersections Based on Connected Vehicle Trajectories

Chaopeng Tan, Jiarong Yao외 3명|arXiv (Cornell University)|2022. 10. 19.

Traffic Prediction and Management Techniques인용 수 5

한 줄 요약

이 논문은 연결 차량(CV)의 궤적을 이용하여 교차로에서 다단계 신호 제어 상황에서의 교통 수요를 사이클 단위로 동시 추정하는 방법(JO-MAP)을 제안한다. 공동 가중 우도 우도 함수를 수립하고 역학적 CV 데이터를 사전 분포로 통합함으로써, 부족한 조건과 과포화 조건 모두에서 추정 정확도를 향상시키며, 실증 검증에서 12.73%의 MAPE를 달성하고 고비율의 CV 침습율에 대한 의존도를 감소시킨다.

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.

연구 동기 및 목표

• 연결 차량(CV) 데이터를 이용한 교차로에서 실시간으로 다단계 교통 수요 추정에 대한 격차를 해소하기 위해.
• 부족한 조건과 과포화 조건 모두에서 안정적으로 작동하는 방법을 개발하기 위해.
• 공동 추정 및 사전 분포 통합을 통해 고비율의 CV 침습율에 대한 의존도를 감소시키기 위해.
• 역학적 CV 데이터를 사전 분포로 활용하여 추정 정확도를 향상시키기 위해.
• 동적 신호 최적화를 위한 사이클 기반 실시간 교통 수요 추정을 가능하게 하기 위해.

제안 방법

• 실시간 CV 궤적 관측 자료를 바탕으로 다단계 교통 수요에 대한 공동 가중 우도 우도 함수를 수립한다.
• 각 대기 중인 CV를 독립적 관측으로 간주함으로써 제1도착 제1출차 가정을 완화한다.
• 역학적 CV의 표본 크기를 이용하여 교통 수요의 공동 사전 분포를 유도한다.
• 사이클 기반 다단계 교통 수요 추정을 위한 최대 사후확률(MAP) 추정 프레임워크(JO-MAP)를 개발한다.
• 실시간 CV 데이터와 역학적 데이터를 통합하여 정확도와 강인성을 향상시킨다.
• 검증을 위해 시뮬레이션 및 실측 데이터셋 모두에 JO-MAP 방법을 적용한다.

실험 결과

연구 질문

• RQ1 어떻게 연결 차량 궤적을 이용하여 교차로에서 다단계 교통 수요를 동시 추정할 수 있는가?
• RQ2 제안된 방법이 고비율의 연결 차량 침습율에 대한 의존도를 어느 정도 감소시키는가?
• RQ3 역학적 CV 데이터 통합이 실시간 추정 정확도에 어떻게 기여하는가?
• RQ4 과포화 교통 조건에서도 이 방법이 높은 정확도를 유지할 수 있는가?
• RQ5 JO-MAP 방법은 기존의 단일단계 또는 비공동 추정 방법과 비교해 어떻게 성능이 뛰어나게 되는가?

주요 결과

• 실증 검증에서 JO-MAP 방법은 평균 절대 퍼센트 오차(MAPE) 12.73%를 달성하여 네 가지 벤치마크 방법보다 뛰어난 성능을 보였다.
• 시뮬레이션 결과는 다양한 CV 침습율, 도착 패턴 및 교통 수요 수준에서 신뢰할 수 있는 추정 성능을 보였다.
• 공동 추정 프레임워크는 정확한 추정을 위해 필요한 CV 침습율을 크게 감소시켰다.
• 역학적 CV 데이터를 기반으로 한 사전 분포 통합은 추정 정확도를 크게 향상시켰다.
• 이 방법은 부족한 조건과 과포화 조건 모두에서 강인한 성능을 유지한다.
• JO-MAP 방법은 실시간 동적 신호 제어 및 교통 관리 응용 분야에서 강력한 잠재력을 보였다.