[论文解读] 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 5

一句话总结

本文提出了一种仅使用联网汽车（CV）数据的实时自适应交通信号控制系统，旨在优化近拥堵城市干道的信号配时。通过利用基于机器学习的短期交通预测与多目标优化，系统动态调整绿灯时长与偏移量，在仅5%的CV渗透率下，平均车速提升5.6%，最大排队长度减少66.7%，显著优于依赖传统环形检测器的感应协调控制方法。

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.

研究动机与目标

• 为解决在实时数据有限条件下的混合交通流拥堵问题。
• 开发一种完全依赖联网汽车（CV）数据的自适应信号控制算法，避免对传统基础设施（如环形检测器）的依赖。
• 通过动态调整信号配时与偏移量，提升主干道在近拥堵状态下的运行性能。
• 评估系统在低CV渗透率（5%）下的有效性，并评估随着CV普及率提升的可扩展性。

提出的方法

• 基于机器学习的短期交通预测模型，仅使用CV数据预测CV车队的交通流量。
• 采用多目标优化技术，根据预测的交通量计算各交叉口最优绿灯时长。
• 实时动态调整信号偏移量，以最小化主干道上的停车次数与延误。
• 在南卡罗来纳州格林维尔市US 29号公路3英里模拟走廊上，于真实混合交通条件下评估系统性能。
• 仅使用5%的CV数据，交通预测的均方根误差（RMSE）达到10辆。
• 将该控制策略与传统的基于环形检测器的感应协调信号控制系统进行对比。

实验结果

研究问题

• RQ1 仅使用CV数据的自适应信号控制系统能否有效管理近拥堵交通状况？
• RQ2 在低CV渗透率（如5%）下，系统性能与更高渗透率水平相比有何差异？
• RQ3 与传统基于环形检测器的系统相比，CV数据在多大程度上可改善信号配时与偏移协调？
• RQ4 在使用CV数据进行实时信号优化时，车速、排队长度与延误的可测量改善程度如何？

主要发现

• 在仅5%的CV渗透率下，系统通过机器学习实现短期交通预测的均方根误差（RMSE）为10辆。
• 与感应协调控制方案相比，基于CV的自适应控制使主干道平均车速提升5.6%。
• 在主干道协调方向上，系统将平均最大排队长度减少了66.7%。
• 同一方向的停车延误减少了32.4%，表明运行性能显著提升。
• 随着CV渗透率提高，性能优势进一步增强，表明系统具备良好的可扩展性，并随CV普及而持续提升有效性。
• 即使在低CV渗透率下，系统也能为联网与非联网车辆带来可测量的效益。