[論文レビュー] Connected Vehicle Supported Adaptive Traffic Control for Near-congested Condition in a Mixed Traffic Stream

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

Traffic Prediction and Management Techniques参考文献 22被引用数 5

ひとこと要約

本論文は、近い混雑状態にある都市の幹線道路における信号タイミング最適化を、接続車両（CV）データのみを用いてリアルタイムで適応的に制御する交通信号制御システムを提案する。短期的な交通状況予測に機械学習を活用し、多目的最適化を用いることで、グリーンインターバルとオフセットを動的に調整し、5.6%の平均速度向上と最大キュー長の66.7%削減を達成した。これはCVの浸透率がたった5%でも実現可能であり、従来のループ検知器に依存する作動型連携制御を上回る性能を示した。

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.

研究の動機と目的

• 限られたリアルタイムデータを伴う混在交通流における交通渋滞の課題に対処すること。
• 従来のインフラ（ループ検知器など）に依存せず、接続車両（CV）データにのみ依存する適応型信号制御アルゴリズムを開発すること。
• 近い混雑状態における主要道路の運用性能を、動的な信号タイミングとオフセット調整によって向上させること。
• CVの浸透率が低い（5%）状況下でのシステム効果を評価し、CVの普及に伴うスケーラビリティを検証すること。

提案手法

• 機械学習に基づく短期交通予測モデルが、CVデータのみを用いてCVプラトーントの交通量を予測する。
• 多目的最適化手法を用いて、予測された交通量に基づき各交差点の最適なグリーンインターバル時間を計算する。
• 主要道路における停止回数と遅滞を最小限に抑えるために、リアルタイムで信号オフセットを動的に調整する。
• 本システムは、アメリカン・スリーフィフス・ストリート（US 29）の3マイルにわたる模擬的コロシアムで、現実的な混在交通状況下で評価された。
• CVデータが5%のみの状況下でも、交通予測の決定係数（RMSE）が10台に達した。
• 制御戦略は、従来のループ検知器に依存する作動型連携信号制御システムと比較された。

実験結果

リサーチクエスチョン

• RQ1 CVデータのみを用いて、CVベースの適応型信号制御システムは、近い混雑状態の交通を効果的に管理できるか？
• RQ2 CVの浸透率が低い（例：5%）状況下でのシステム性能は、高い浸透率と比較してどのように変化するか？
• RQ3 従来のループ検知器に依存するシステムと比較して、CVデータは信号タイミングとオフセット連携をどの程度改善できるか？
• RQ4 CVデータを用いたリアルタイム信号最適化によって、速度、キュー長、遅滞のどの程度の測定可能な改善が達成されるか？

主な発見

• CVの浸透率がたった5%でも、機械学習を用いた短期交通予測で決定係数（RMSE）が10台に達した。
• CVベースの適応型制御により、作動型連携制御と比較して主要道路での平均速度が5.6%向上した。
• 主要道路の連携方向における平均最大キュー長が66.7%削減された。
• 同じ方向における停止遅滞が32.4%削減され、顕著な運用改善が示された。
• CVの浸透率が高くなるにつれて性能の恩恵が増大し、CVの普及に伴いスケーラブルで効果的であることが示された。
• CVの浸透率が低くても、接続車両および非接続車両の両方にとって測定可能な利点を提供した。