Accurate traffic demand estimation is critical for the dynamic evaluation and optimization of signalized intersections. Existing studies based on connected vehicle (CV) data are designed for a single phase only and have not sufficiently studied the real-time traffic demand estimation for oversaturated traffic conditions. Therefore, this study proposes a cycle-by-cycle multi-phase traffic demand joint estimation method at signalized intersections based on CV data that considers both undersaturated and oversaturated traffic conditions. First, a joint weighted likelihood function of traffic demands for multiple phases is derived given real-time observed CV trajectories, which considers the initial queue and relaxes the first-in-first-out assumption by treating each queued CV as an independent observation. Then, the sample size of the historical CVs is used to derive a joint prior distribution of traffic demands. Ultimately, a joint estimation method based on the maximum a posteriori (i.e., the JO-MAP method) is developed for cycle-based multi-phase traffic demand estimation. The proposed method is evaluated using both simulation and empirical data. Simulation results indicate that the proposed method can produce reliable estimates under different penetration rates, arrival patterns, and traffic demands. The feature of joint estimation makes our method less demanding for the penetration rate of CVs and the consideration of prior distribution can significantly improve the estimation accuracy. Empirical results show that the proposed method achieves accurate cycle-based traffic demand estimation with a MAPE of 12.73%, outperforming the other four methods.


翻译:准确的交通需求估算对于信号化十字路口的动态评估和优化至关重要。基于相关车辆数据的现有研究仅设计为单一阶段,没有充分研究过度饱和交通条件的实时交通需求估算。因此,本研究报告提议,基于CV数据,在信号化十字路口采用周期性多阶段交通需求联合估算方法,考虑饱和和和过度饱和交通条件。第一阶段交通需求的联合加权概率功能是实时观测到的CV轨迹,该轨迹认为最初排队和放松第一期的准确假设,将排队的每个排队CV作为独立观察处理。随后,历史CV的抽样规模用于预先联合分配交通需求。最终,基于事后和过度饱和过度饱和的交通需求估算,为基于周期性多阶段的交通需求估算制定了联合估算方法(即JO-MAP方法)。拟议方法是利用模拟和实证数据来评估的。模拟结果显示,将首次排队列的准确度假设和先期假设假设假设,然后将分析每个排队的每期交通需求作为独立观察。拟议的方法的准确性估算,可以显著地显示前期的准确性分析。前期交通需求分析。拟议的C的准确性估算方法可以得出不同的前分析。根据不同的前分析方法得出不同的准确性比率,从而得出不同的准确的准确性估算。预测,可以得出不同的比例,根据不同的前期计算,而得出不同的前期交通需求。预测的准确性估算,根据不同的比例得出不同的前期计算方法,可以得出不同的准确性估算。

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年11月29日
Arxiv
19+阅读 · 2022年10月6日
Arxiv
13+阅读 · 2021年5月25日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员