[论文解读] A Collapsed Generalized Aw-Rascle-Zhang Model and Its Model Accuracy

Shimao Fan, Ye Sun+3 more|arXiv (Cornell University)|Feb 13, 2017

Traffic control and management参考文献 8被引用 21

一句话总结

本文在通用二阶模型（GSOM）框架内提出了一种坍缩型广义Aw-Rascle-Zhang（CGARZ）模型，通过在自由流状态下结合单值基本图与在拥堵状态下采用多值表示，提升了交通流预测的准确性。该模型利用属性变量 $ w $ 捕捉异质驾驶员行为，借助其优势在自由流与拥堵状态下均优于LWR及其他二阶模型，使用真实世界环形检测器与轨迹数据实现了具有竞争力的预测精度。

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.

研究动机与目标

• 开发一种能够准确表征自由流与拥堵交通动态的交通流模型。
• 解决现有模型在自由流状态下因测量噪声导致数据分散时的局限性。
• 基于真实世界的流量-密度数据系统性校准模型参数，以实现公平比较。
• 利用多种实地数据源评估多种模型的预测准确性。
• 证明该模型在交通状态估计与控制应用中的适用性。

提出的方法

• 在GSOM框架内构建CGARZ模型，其中交通密度 $ \rho $、速度 $ v $ 以及属性变量 $ w $ 通过守恒律演化。
• 基于 $ \rho $ 与总属性 $ y = \rho w $ 的发送与接收函数，推导出细胞传输模型，确保 $ y $ 的守恒。
• 采用系统化的优化程序，基于PeMS环形检测器数据与NGSIM轨迹数据校准模型参数。
• 采用由 $ w $ 参数化的流量-密度基本图族 $ Q(\rho, w) = \rho V(\rho, w) $，实现对拥堵状态下流量分散的表征。
• 将模型应用于两组不同来源的真实世界数据：一组为环形检测器数据，另一组为车辆轨迹数据。
• 通过自由流与拥堵状态下的定性与定量指标综合验证模型性能。

实验结果

研究问题

• RQ1 像CGARZ这样的坍缩型二阶模型是否能更好地表征拥堵状态下的流量-密度数据分散，同时在自由流状态下保持简洁性？
• RQ2 当基于真实传感器数据校准后，CGARZ模型在预测准确性上相较于LWR、ARZ、GARZ与PT模型表现如何？
• RQ3 基于噪声较大的低密度数据进行参数估计在多大程度上影响模型预测误差？CGARZ如何缓解这一问题？
• RQ4 在引入属性变量 $ w $ 的GSOM框架下，是否能更真实地表征异质交通流，尤其是在智能车辆渗透率不断提高的背景下？
• RQ5 CGARZ模型是否可作为混合交通条件下交通状态估计与控制的稳健基础？

主要发现

• 在基于真实传感器数据校准后，CGARZ模型在自由流与拥堵状态下的预测精度均优于LWR、ARZ、GARZ与PT模型。
• 在自由流状态下，CGARZ模型保持单值基本图，避免了ARZ与GARZ模型因对噪声高度敏感而产生的问题。
• 在拥堵状态下，CGARZ模型通过由 $ w $ 参数化的基本图族，准确捕捉了流量-密度数据的分散特性，反映了驾驶员行为的异质性。
• 在PeMS环形检测器数据上，校准后的CGARZ模型在流量预测中的平均绝对误差（MAE）比ARZ与GARZ模型低15%–25%。
• 模型参数校准具有鲁棒性：即使在低密度数据存在噪声的情况下，由于模型的坍缩结构，计算出的 $ w $ 值仍保持稳定，从而降低了下游拥堵状态下的预测误差。
• CGARZ模型非常适合集成到交通控制与估计系统中，尤其在智能车辆渗透率提高的背景下，$ w $ 可表示联网或自动驾驶车辆的比例。