Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes

要約

道路交通状況を正確に監視することは、旅行時間の予測、交通規制、交通安全などのさまざまな用途にとって非常に重要です。
しかし、センサーが不足していると交通状況データが不完全になることが多く、意思決定のための信頼できる情報を入手することが困難になります。
この論文では、この問題に対処するために、ガウス過程 (GP) を使用して交通状態データを代入する新しい方法を提案します。
我々は、標準等方性 GP カーネルを異方性カーネルに変換するカーネル回転再パラメータ化スキームを提案します。これにより、トラフィック フロー データの渋滞伝播をより適切にモデル化できます。
モデルパラメータは、まばらなプローブビークルまたはループ検出器からのデータを使用した統計的推論によって推定できます。
さらに、回転 GP 法により、推定された交通状態の統計的不確実性が定量化され、信頼性が高まります。
また、複数の車線の交通状態を同時に推定できるマルチ出力 GP へのアプローチも拡張します。
次世代シミュレーション (NGSIM) および HighD プログラムからの実世界の交通データと、交通ボトルネック シナリオを表すシミュレートされたデータを使用して、手法を評価します。
現在および将来のコネクテッド車両 (CV) と人間運転車両 (HV) の混合交通を考慮して、混合交通におけるさまざまな CV 普及率を模倣して、利用可能な軌道を 5% から 50% までの交通状態推定 (TSE) スキームで実験します。
環境。
また、ループ検知器から交通流情報を取得した場合の交通状況推定もテストします。
この結果は、さまざまな CV 透過率と検出器の種類にわたる当社の TSE メソッドの適応性を実証し、観測率がまばらなシナリオでも最先端の精度を達成します。

要約(オリジナル)

Accurately monitoring road traffic state is crucial for various applications, including travel time prediction, traffic control, and traffic safety. However, the lack of sensors often results in incomplete traffic state data, making it challenging to obtain reliable information for decision-making. This paper proposes a novel method for imputing traffic state data using Gaussian processes (GP) to address this issue. We propose a kernel rotation re-parametrization scheme that transforms a standard isotropic GP kernel into an anisotropic kernel, which can better model the congestion propagation in traffic flow data. The model parameters can be estimated by statistical inference using data from sparse probe vehicles or loop detectors. Moreover, the rotated GP method provides statistical uncertainty quantification for the imputed traffic state, making it more reliable. We also extend our approach to a multi-output GP, which allows for simultaneously estimating the traffic state for multiple lanes. We evaluate our method using real-world traffic data from the Next Generation simulation (NGSIM) and HighD programs, along with simulated data representing a traffic bottleneck scenario. Considering current and future mixed traffic of connected vehicles (CVs) and human-driven vehicles (HVs), we experiment with the traffic state estimation (TSE) scheme from 5% to 50% available trajectories, mimicking different CV penetration rates in a mixed traffic environment. We also test the traffic state estimation when traffic flow information is obtained from loop detectors. The results demonstrate the adaptability of our TSE method across different CV penetration rates and types of detectors, achieving state-of-the-art accuracy in scenarios with sparse observation rates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google