21926

21926

ارائه مدل رفتار حركتي رانندگان براي سيستم هاي نامنظم ترافيك

دكتري

برنامه ريزي حمل و نقل

97-98

1398/4/11

دكتر افشين شريعت مهيمني

عمران

در پژوهش حاضر با يك نگاه جامع به موضوع توسعه مدل‌هاي ريزنگر ترافيك، چهار حوزه جمع‌آوري داده‌هاي خط سير خودرو، بازسازي و اصلاح داده‌هاي خط سير، توسعه مدل غير خط مبنا و چگونگي كاليبراسيون و اعتبارسنجي مدل مورد توجه قرار گرفت. در بخش جمع آوردي داده، نرم‌افزاري جهت استخراج داده‌ها از تصاوير ويديويي برداشت شده توسط پهباد توسعه داده شد كه در آن از مجموعه‌اي از الگوريتم‌هاي كارا جهت پايدارسازي تصاوير، شناسايي خودروها و رديابي آن‌ها در دنباله‌هاي ويديويي استفاده شده است. مقايسه داده‌هاي استخراج شده با استفاده از نرم‌افزار توسعه داده شده و دادهاي استخراج شده به صورت دستي، دقت مناسب الگوريتم‌هاي توسعه داده شده جهت استخراج اتوماتيك داده‌ها را نشان مي‌دهد. در بخش بازسازي و اصلاح داده‌هاي خط سير خودرو، روشي مبتني بر تبديلات موجك توسعه داده شده است كه در آن اصلاح داده‌ها طي دو گام صورت مي‌پذيرد. در گام اول ابتدا داده‌هاي دور افتاده شناسايي‌شده و سپس به صورت محلي اصلاح مي‌شوند. در نهايت در گام دوم نويز موجود در داده‌ها حذف مي‌گردد. مقايسه نتايج روش پيشنهادي با جديدترين روش‌هاي ارائه شده براي بازسازي داده‌ها، عملكرد بهتر روش پيشنهادي را نشان مي‌دهد. به‌گونه‌اي كه روش پيشنهادي قادر است با حفظ اطلاعات مفيد و ساختار خط سير مقدار بيشتري از نويز موجود در داده‌ها را حذف نمايد. در بخش توسعه مدل غير خط مبنا، با استفاده از نظريه ميدان، چارچوبي عمومي جهت مدل‌سازي رفتار حركتي رانندگان ارائه گرديده است كه مي‌تواند براي هر دو جريان ترافيك منظم و نامنظم مورد استفاده قرار گيرد. در اين مدل، محيط پيراموني راننده به صورت يك ميدان پتانسيل در نظر گرفته شده كه عناصر موجود در اين ميدان (نظير خودروهاي پيراموني، علائم رانندگي، لبه‌هاي راه) نيروهايي را به راننده وارد مي‌كنند كه برآيند اين نيروهاي درك شده چگونگي حركت طولي و جانبي خودرو را تعيين مي‌نمايد. بررسي‌ها و شبيه‌سازي‌ها انجام شده در ارتباط با بخش‌هاي مختلف مدل ارائه شده، عملكرد منطقي و مناسب مدل پيشنهادي را نشان مي‌دهد. علاوه بر اين مدل پيشنهادي داراي چارچوبي انعطاف‌پذير بوده، به‌طوري‌كه امكان اضافه كردن تحريك‌هاي جديد (نيروهاي حاصل از عناصر جديد در ميدان ادراكي راننده) با كمترين تغييرات در مدل وجود دارد. در نهايت در بخش كاليبراسيون، الگوريتمي كارا جهت برآورد پارامترهاي مدل ارائه شده است. در اين الگوريتم عملگرهاي جهش و ادغام موجود در الگوريتم ژنتيك با ساخت و نمونه‌گيري از يك تابع توزيع احتمالي جايگزين شده است. مقايسه الگوريتم پيشنهادي با الگوريتم ژنتيك (كه به‌طور گسترده‌اي در كاليبراسيون مدل‌هاي ريزنگر مورد استفاده قرار گرفته است.) عملكرد بهتر روش پيشنهادي را در افزايش دقت برآوردها و صرف هزينه كمتر جهت تخمين پارامترها نسبت به الگوريتم ژنتيك نشان مي‌دهد.

1399/02/21

Driving Behavior Modeling For Disordered Traffic Systems

7/2/2022 12:00:00 AM

The ability of traffic microsimulation software in modeling different traffic phenomena, and offering high levels of information and details have made them unique tools for analyzing complex traffic systems. Numerous microsimulation tools have been introduced in the recent decade. Car-following and lane-changing models are known as two of the most critical underlying behavioral models of these tools that describe the longitudinal movement of the vehicle (along a single lane) and its lateral behavior, respectively. Despite the high variation, almost all of these models are developed based on homogeneous, lane-based traffic flow theory, and also based on some key assumptions such as homogenous vehicles types, movement of vehicles along the center line of a lane, being influenced only by the leader vehicle(s) in front, and a discrete lateral movement through a lane-changing model. Due to the underlying assumptions of these models, they are not appropriate for modeling traffic disordered systems where there is no lane discipline and drivers using lateral spaces to move forward. Therefore, using lane-based driving behavior models in traffic microsimulation tools for modeling heterogeneous traffic flow could lead to unrealistic results. Hence, developing microscopic traffic models for such systems are required. On the other hand, the availability of appropriate trajectory data as well as efficient algorithms for developing and calibration of the non-lane-based model is important. Accordingly, in the present research, having a comprehensive insight into the driving behavior modeling, four phases consisting of vehicles’ trajectory data collection, reconstructing and modifying the trajectory data, developing a non-lane-based driving model and calibration and validation of the model have been considered. In data collection phase, a software was developed for extracting the trajectory data from the videos collected by a quad-copter, in which a series of efficient algorithms for video stabilization, vehicles detection and tracking in sequences of pictures. Comparing the results with the manually extracted data indicated the good performance and high accuracy of the developed algorithms for automatic extraction of the data. In the reconstruction and modification phase, an algorithm was developed based on wavelet transformations in which the modification of the data is applied in two steps. In the first step, the outliers are identified and then modified locally. Finally, in the second step, the noises in the data are reduced. The comparison of the proposed methodology with the latest method in the literature shows better performance of the proposed one. This method can reduce more noise while it preserves the useful information and the trajectory structure. In the model development phase, a general framework is presented based on the field theory. This model can be applied in either the homogeneous or heterogeneous traffic flows. In this model, the peripheral environment of the driver is considered as a potential field, elements of which (including adjacent vehicles, traffic signs, and roadway edges) impose forces to the driver, and the superposition of perceived forces determines how the driver moves longitudinally and laterally. By using this approach, simultaneous modeling of the longitudinal and lateral movements are feasible. The Simulation results and evaluation of the different parts of the proposed model indicate the rationality of the model and its proper performance. Furthermore, the structure of the model is flexible such that new motivations (forces caused by new elements in the perceived field of the driver) can be added to the model with little modification. Finally, in the calibration phase, an efficient algorithm for estimating parameters of microscopic models was presented. In this algorithm, mutation and crossover operators in the genetic algorithm have been replaced by learning and sampling from a probabilistic model. The comparison of the proposed algorithm with the genetic algorithm, which is widely used in the calibration of microsimulation models, indicate better performance of the proposed methodology in terms of accuracy and time consumption (cost) compared to the genetic algorithm.