view in publisher's site

A study of relationships in traffic oscillation features based on field experiments

Highlights•Collect field trajectory data with periodic oscillation settings.•Propose a new time-domain method to estimate oscillation features.•Quantitatively reveal the relationships between traffic oscillation features.•Estimate a time gap function to improve the performance of car following models.AbstractDespite numerous theoretical models, only limited field experiments have been conducted to investigate traffic oscillation propagation, and the relationships between traffic oscillation features (e.g., period, speed variation, spacing and headway) have not received quantitative analysis. This study conducts a set of field experiments designed to inspect such relationships. In these experiments, 12 vehicles equipped with high-resolution global positioning system (GPS) devices following one another on public roads, and the lead vehicle was asked to move with designed trajectory profiles incorporating various parameters. Measurements of five features are extracted from processing the field vehicle trajectory data with a time-domain method. Frequency analysis is also proposed with the Fourier transform method to verify the effectiveness of the features measured by the time-domain method. Compared to the frequency-domain method, the time-domain method yields more measurements with comparable quality and is more robust on trajectories with a small number of oscillation cycles. Then, a series of linear regression analyses reveal a number of new findings on the relationships between these features. For example, the time gap between two consecutive vehicles is negatively correlated with the speed standard deviation of the preceding vehicle and the initial speed of the following vehicle. It is also positively correlated with the average speed of the preceding vehicle and the initial spacing. The findings are helpful in constructing new microscopic traffic models better describing traffic oscillation dynamics. To illustrate this benefit, revised car following models are proposed to capture the relationship between time gap and other features. The simulation results show that the revised models yield better prediction accuracy (in range of 18% to 40% with the oscillation experiment dataset and in range of 30–63% with the stationary experiment dataset) than the classical models on reproducing real-world trajectories.

مطالعه روابط در ویژگی‌های نوسان ترافیک براساس آزمایش‌های می‌دانی

نقاط برجسته * جمع‌آوری داده‌های مسیر میدان با تنظیمات نوسان دوره‌ای. یک روش حوزه زمان جدید برای تخمین ویژگی‌های نوسان پیشنهاد کنید. به طور کمی روابط بین ویژگی‌های نوسان ترافیک را نشان می‌دهد. نژاد ترک با وجود مدل‌های نظری متعدد، تنها آزمایش‌های می‌دانی محدودی برای بررسی انتشار نوسان ترافیک انجام شده‌است و روابط بین ویژگی‌های نوسان ترافیک (مانند دوره، تغییر سرعت، فاصله و جلو)تحلیل کمی دریافت نکرده اند. این مطالعه مجموعه‌ای از آزمایش‌ها می‌دانی را انجام می‌دهد که برای بررسی چنین روابطی طراحی شده‌اند. در این آزمایش‌ها، ۱۲ وسیله نقلیه مجهز به دستگاه‌های سیستم موقعیت یاب جهانی با تفکیک پذیری بالا (GPS)به دنبال یکدیگر در جاده‌های عمومی حرکت کردند، و از خودروی پیشرو خواسته شد تا با پروفایل های مسیر طراحی‌شده همراه با پارامترهای مختلف حرکت کند. اندازه‌گیری‌های پنج ویژگی از پردازش داده‌های مسیر وسیله نقلیه می‌دانی با یک روش دامنه زمانی استخراج می‌شوند. تحلیل فرکانس نیز با روش تبدیل فوریه برای بررسی کارایی ویژگی‌های اندازه‌گیری شده توسط روش حوزه زمان پیشنهاد شده‌است. در مقایسه با روش حوزه فرکانس، روش حوزه زمان اندازه‌گیری‌های بیشتری با کیفیت قابل‌مقایسه‌ای بدست می‌دهد و در مسیرهای با تعداد کمی از سیکل‌های نوسان قوی‌تر است. سپس، یک سری از تجزیه و تحلیل رگرسیون خطی تعدادی از یافته‌های جدید در مورد روابط بین این ویژگی‌ها را نشان می‌دهد. به عنوان مثال، فاصله زمانی بین دو وسیله نقلیه متوالی به طور منفی با انحراف معیار سرعت وسیله نقلیه قبلی و سرعت اولیه وسیله نقلیه بعدی مرتبط است. همچنین همبستگی مثبتی با سرعت متوسط وسیله نقلیه قبلی و فاصله اولیه دارد. یافته‌ها در ساخت مدل‌های ترافیکی میکروسکوپی جدید برای توصیف بهتر دینامیک نوسان ترافیک مفید هستند. برای نشان دادن این مزیت، مدل‌های بازبینی‌شده زیر برای بدست آوردن رابطه بین فاصله زمانی و دیگر ویژگی‌ها پیشنهاد شده‌اند. نتایج شبیه‌سازی نشان می‌دهد که مدل‌های اصلاح‌شده دقت پیش‌بینی بهتری (در دامنه ۱۸ تا ۴۰ درصد با مجموعه داده‌های آزمایش نوسان و در دامنه ۳۰ تا ۶۳ درصد با مجموعه داده‌های آزمایش ثابت)نسبت به مدل‌های کلاسیک در تولید دوباره مسیرهای دنیای واقعی دارند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Transportation
  • ترجمه مقاله Transportation
  • مقاله حمل و نقل
  • ترجمه مقاله حمل و نقل
  • مقاله Civil and Structural Engineering
  • ترجمه مقاله Civil and Structural Engineering
  • مقاله مهندسی عمران و طراحی ساختار
  • ترجمه مقاله مهندسی عمران و طراحی ساختار
  • مقاله Management Science and Operations Research
  • ترجمه مقاله Management Science and Operations Research
  • مقاله علوم مدیریت و پژوهش عملیاتی
  • ترجمه مقاله علوم مدیریت و پژوهش عملیاتی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.