Road traffic estimation and distribution-based route selection
在路线选择问题中,驾驶员的个人偏好将决定她是否更喜欢具有相对低的平均值和高方差的旅行时间的路线,而不是具有相对高的平均值和低方差的路线。然而,在实践中,这样的风险规避问题往往被忽略,因为路线是基于单标准Dijkstra型算法选择的。此外,路由决策通常不考虑旅行时间的均值和方差估计的不确定性。本文旨在解决这两个问题,通过建立一个框架的行程时间估计。在我们的框架中,底层道路网络表示为图。每个边缘被细分为多个较小的片段,以便自然地对空间上邻近的道路片段之间的统计相似性进行建模。依靠贝叶斯方法,我们构建了一个估计的联合每边旅行时间分布,从而也为我们提供了一个不确定性量化我们的估计。我们的机器依赖于建立极限定理,使由此产生的估计过程中的意义上,它有效地不承担任何分布特性的鲁棒性。我们提出了一套广泛的数值实验,证明了有效性的估计过程和使用的分布估计的背景下,数据驱动的路线选择。
2022-10-04 math.OC
Modeling Traffic Networks Using Integrated Route and Link Data
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院);Johns Hopkins University, Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Department of Applied Mathematics and Statistics, Johns Hopkins University(约翰斯·霍普金斯大学应用数学与统计系)
本文通过整合Google Maps的路径旅行时间数据和链接交通状况数据,利用最大似然估计技术建模交通网络,提出了一种更精确的旅行时间可靠性估计方法,并通过实证数据验证了其有效性。
2018-11-04 cs.SY eess.SY math.OC
A Novel Max Pressure Algorithm Based on Traffic Delay
本文提出了一种新的基于行程延误的最大压力算法,用于控制任意交通网络的信号交叉口。传统的基于车辆数的最大压力(Original-MP)算法由于其易于实现和可扩展性,最近受到了极大的关注。Original-MP算法还具有称为最大稳定性的期望属性,这意味着只要任何现有的控制策略都可以容纳需求场景,该方法就可以容纳需求场景。然而,原始MP最大压力算法的实现在实践中可能是困难的,因为在交叉口处的队列长度的估计需要大量的测量基础设施。原始MP框架还使用点队列模型来表示链路之间的车辆过渡,该模型不考虑车辆的位置,即使这可能会显著影响控制性能。此外,低出行需求的交叉口方法可以招致任意大的延误,由于具有短队列。所提出的行程延迟为基础的最大压力模型克服了这些缺点,同时继承了最大稳定性的原始MP功能。它也被证明优于几个基准最大压力的变化,在电池的模拟测试。最后,所提出的算法可以在联网车辆(CV)环境中实现,其中车辆的子集作为移动探头。结果表明,在一定的交通条件下,基于行程延误的模型在非完全通过率下产生的延误低于完全通过率下的基准模型。
2022-10-13 math.OC
Navigation Systems May Deteriorate Stability in Traffic Networks
该研究提出驾驶员模仿他人路径偏好的动态交通模型,发现模仿学习可提升系统承载量,但延误函数斜率或模仿速率不当会导致系统失稳,揭示了导航普及对交通网络稳定性的潜在负面影响。
2023-12-18 cs.SY eess.SY math.OC
Alpha-Fair Routing in Urban Air Mobility with Risk-Aware Constraints
本文面向城市空中交通网络,提出满足 alpha 公平性并以一致性风险度量约束随机容量违约的路由算法,证明其等价于凸优化,并通过奥斯汀案例验证其公平分配效果。
2023-09-29 math.OC
Extending Dynamic Origin-Destination Estimation to Understand Traffic Patterns During COVID-19
本文扩展动态起讫点估计模型,利用道路传感器数据估计大型城市网络 OD 交通流,并通过洛杉矶县 COVID-19 案例评估政策影响及人口统计关联。
2024-01-18 math.OC physics.soc-ph
Integrated Balanced and Staggered Routing in Autonomous Mobility-on-Demand Systems
针对自主出行需求系统,提出统一框架联合优化路线与出发时间,以最小化系统出行时间,在曼哈顿案例中减少总延误达25%,并实现混合交通下的双赢。
2025-06-24 math.OC
Blue Phase: Optimal Network Traffic Control for Legacy and Autonomous Vehicles
随着城市交通网络中自动驾驶汽车的出现,需要新的控制策略来利用其减少拥堵的潜力。虽然已经有一些研究完全自主的交通控制问题,但缺乏解决更紧迫的过渡阶段的模型,其中传统和自动驾驶车辆共享城市基础设施。我们通过引入一种新的随机网络交通控制政策,涉及两类车辆,以解决这一差距。我们推测,网络链路将为自动驾驶车辆提供专用车道,这些车道提供通往交通路口的通道,并将传统的绿色信号相位与名为蓝色相位的自动驾驶车辆限制信号相位相结合。我们提出了一种新的压力为基础的,分散的,混合网络控制策略,激活选定的运动在交叉口的基础上的混合整数线性规划的解决方案。我们证明了所提出的政策是稳定的,即最大化网络吞吐量,在传统的出行需求条件下。我们进行数值实验,以测试所提出的政策下不同比例的自动驾驶汽车。我们的实验表明,根据自动驾驶汽车的市场渗透率水平,在车辆类旅行时间方面存在相当大的权衡。此外,我们发现,提出的混合网络控制策略改进了传统的绿色相位交通信号控制,从而有助于量化自动驾驶汽车在城市网络中的潜在效益。
2019-11-09 math.OC
Day-to-day dynamic traffic assignment model with variable message signs and endogenous user compliance
本文提出了一个双时间尺度,每天到一天的动态交通分配模型,考虑到可变信息标志(VMS)和它的相互作用与驾驶员的出行选择和自适应学习过程。一天之内的动态捕获的动态网络负载问题与途中更新的路径选择的VMS的影响,一天到一天的动态捕获的同时路线和出发时间的调整过程,采用有限的用户理性。此外,我们描述的VMS遵守率的演变建模驾驶员的学习过程。我们将交通动态、路线和出发时间选择、行程延误和VMS合规性内生化,从而以整体方式捕捉它们的相互作用和相互依赖性。在格拉斯哥的西端进行的案例研究,以了解VMS对道路拥堵和路线选择在短期和长期的影响。我们的主要研究结果包括VMS对网络性能的不利影响,从长远来看(“反弹”效应),并存在一个平衡态,流量和VMS的合规性是稳定的。
2018-09-16 math.OC
Integrating optimal ridesharing matching into multimodal traffic model: Implications for policy and sustainable transport system
本文将最优拼车匹配集成到逐日交通分配框架中,构建包含五种模式和两类出行者的多模式交通模型,通过数值实验和敏感性分析揭示车辆限制与定价策略的利弊,为可持续且社会公平的城市交通政策提供支持。
2024-11-23 math.OC physics.soc-ph
Online Traffic Routing: Deterministic Limits and Data-driven Enhancements
在过去的十年中,支持GPS的交通应用程序,如谷歌地图和Waze,已经变得无处不在,并对数十亿日常通勤者的出行模式产生了重大影响。这种应用的在线路线建议的结果,例如,通过贪婪的路线选择,由于引起的行进模式可能远离系统最优,因此经常增加交通拥堵。受交通应用对出行模式的广泛影响的启发,本文研究了容量受限的平行道路网络背景下的在线交通路由,并从两个角度分析了这个问题。首先,我们进行了最坏情况下的分析,以确定确定性的在线路由的限制,并表明之间的比率的总旅行成本的在线解决方案的任何确定性算法和最佳的离线解决方案是无界的,即使在简单的设置。这一结果促使我们超越最坏情况分析。在这里,我们考虑利用过去的问题实例的知识的算法,并展示如何设计数据驱动的算法,其性能可以量化,并正式推广到看不见的未来实例。我们提出了数值实验的基础上的应用程序的情况下,旧金山湾区,以评估我们的方法的性能。我们的研究结果表明,我们开发的数据驱动算法优于常用的贪婪在线路由算法。
2021-09-17 cs.SY eess.SY math.OC
Synergistic Traffic Assignment
本文提出协同交通分配(STA),通过同步迭代最佳响应方法高效收敛到均衡,并在斯图加特场景中验证其快速收敛性,展示了其在公交线路规划中减少车辆资源的潜力。
2025-02-03 cs.GT cs.MA math.OC
Discrete adjoint gradient computation for multiclass traffic flow models on road networks
Université Côte d’Azur(蔚蓝海岸大学);Inria(法国国家数字科学研究所);CNRS(法国国家科学研究中心);RPTU Kaiserslautern(凯泽斯劳滕理工工业大学)
本文提出了一种用于道路网络多类交通流模型的离散伴随梯度计算方法,通过处理复杂交汇条件和边界条件,高效优化旅行时间与距离等性能指标。
2026-04-01 math.AP math.OC
Optimal control of atmospheric pollution because of urban traffic flow by means of Stackelberg strategies
现代城市的两个主要问题是空气污染和道路拥挤。它们是密切相关的,并呈现出类似的起源:交通流量。面对这些问题,地方政府实施交通限制,以防止车辆进入敏感地区,最终目的是降低空气污染水平。然而,这些限制迫使司机寻找通常会产生尾气的替代路线,这意味着更长的旅行时间和更高的空气污染水平。本文结合偏微分方程的最优控制和计算模型,建立了以空气污染和驾驶员行程时间为目标的多目标控制问题,并在Stackelberg意义下寻找其最优解。在这个问题中,当地政府(领导者)实施交通限制,而驾驶员(追随者)的行为选择出行偏好对领导者的约束。在数值上,离散化的问题是解决遗传精英算法和邻域点方法相结合,并在瓜达拉哈拉大都市区(墨西哥)的一个现实的情况下提出的计算结果。
2020-04-16 cs.NA math.NA math.OC
Modelling and evaluating travel information during disruptions: An illustrative example from Swedish railways
Linköping University(林雪平大学);The Swedish National Road and Transport Research Institute (VTI)(瑞典国家道路与交通研究所)
本文提出一个评估模型,基于历史延误、信息发布时机和乘客量,以货币量化瑞典铁路中断期间实时出行信息的可达性收益,实验显示系统节省至少23%延误成本。
2025-10-09 econ.GN math.OC physics.soc-ph
Statistical inference of travelers' route choice preferences with system-level data
Carnegie Mellon University(卡内基梅隆大学)
传统的网络模型基于一个简化的通用效用函数来封装所有起点-目的地对之间的出行行为。通常,效用函数仅由旅行时间组成,其系数等同于从所述偏好数据获得的估计。虽然这种建模策略是合理的,但在网络流聚合中,个人层面数据中固有的采样偏差可能会进一步放大,导致不准确的流量估计。这些数据必须从调查或旅行日记中收集,这可能是劳动密集型的,昂贵的,并限于一个小的时间段。为了解决这些局限性,本研究扩展了经典的双水平公式,估计旅行者的效用函数与多个属性使用系统级数据。我们制定了一种方法,基于非线性最小二乘法,以统计推断旅客的效用函数在网络环境中使用交通计数,交通速度,交通事故和社会人口统计信息,以及其他属性。优化问题的数学性质及其伪凸性的分析促使使用归一化梯度下降。我们还开发了一个假设检验框架,以检查效用函数系数的统计特性,并执行属性选择。在合成数据上的实验表明,这些系数是一致恢复的,假设检验是一种可靠的统计量,可以识别哪些属性是旅行者路径选择的决定因素。此外,一系列蒙特卡罗实验表明,统计推断对源-目的地矩阵和流量计数中的噪声以及各种传感器覆盖水平具有鲁棒性。该方法还使用在COVID-19爆发之前和期间在加利福尼亚州弗雷斯诺收集的真实世界多源数据进行了大规模部署。
2022-04-23 cs.LG math.OC physics.soc-ph
Estimating Probability Distributions of Travel Times by Fitting a Markovian Velocity Model
为了改善个体驾驶员的路径决策和交通运营商设计的管理策略,需要可靠的行程时间分布估计。由于由两种循环模式(例如,高峰时间)和非经常性事件(例如,交通事故)导致公路旅行时间的潜在实质性延误,我们专注于一个框架,能够将这两种影响。为此,我们建议与马尔可夫速度模型(MVM),基于环境背景过程,跟踪随机和(半)可预测的事件,影响在高速公路网络中的车辆速度。我们展示了如何操作这个灵活的数据驱动模型,以获得旅行时间分布的车辆出发在一个已知的日子和时间遍历给定的path.Specifically,我们详细介绍了如何结构的背景过程,并设置相应的速度水平,这个过程的不同状态。首先,对于包含非经常性事件,我们研究事件数据来描述事件和事件间时间的随机持续时间。它们都依赖于一天中的时间,但我们确定了它们可以被认为是独立于时间的时期。其次,对于在事件和事件间的制度的速度模式的估计,环路检测器的数据,为每个确定的周期进行了研究。在使用荷兰高速公路网络的道路网络检测器数据的数值例子中,我们得到了行程时间分布估计,出现在不同的交通制度,并说明了传统的行程时间预测方法相比的优势。
2022-10-11 math.OC math.PR physics.soc-ph
Day-to-Day Dynamic Traffic Assignment with Imperfect Information, Bounded Rationality and Information Sharing
本文提出了一个双动态的日常(DTD)交通分配模型,同时考虑路径和出发时间(SRDT)的选择,同时考虑不完全和不完美的信息以及有限理性。提出了两种考虑不完全出行信息的SRDT选择模型:一种基于多项Logit(MNL)模型,另一种基于序贯、混合多项/嵌套Logit模型。这两个变种,作为基础模型,进一步扩展了两个功能:有限理性(BR)和信息共享。BR被认为是将无差异带的随机效用组件的MNL模型,形成一个BR为基础的DTD随机模型。将出行信息共享的宏观模型融入到DTD动力学中,以解释不完全信息对出行者SRDT选择的影响。这些DTD的选择模型结合了一天内的动态Lighthill-Whitham-Richards(LWR)流体动力学网络负载模型。在大规模网络(阿纳海姆)上的模拟说明了用户的自适应决策和网络条件(包括本地中断)之间的相互作用与不同级别的信息可用性和用户行为。我们的研究结果强调了需要建模网络瞬态和不平衡状态,这往往是平衡约束网络设计和优化中被忽视的。MATLAB软件包和计算示例可在https://github.com/DrKeHan/DTD上获得
2020-02-12 math.OC physics.soc-ph
A CAV-based perimeter-free regional traffic control strategy utilizing existing parking infrastructure
University of Maine(缅因大学);The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出了一种无边界的区域交通管理策略,利用现有停车设施临时停放车辆以缓解拥堵,通过自增强机制提高效率。
2026-03-27 cs.SY eess.SY math.OC
The Penetration Rate Effect of Connected and Automated Vehicles in Mixed Traffic Routing
Boston University(波士顿大学)
本文研究了在混合交通环境中连接和自动化车辆的路由问题,提出了一种算法以处理CAVs与非CAVs之间的路由交互,并探讨了不同CAV渗透率下系统中心路由的影响,结果表明CAVs的协同路由决策能改善所有车辆的成本并缓解网络拥堵。
2019-05-14 cs.SY eess.SY math.OC
Vehicle path and traffic flow optimization via lane changing of automated or semi-automated vehicles on motorways
本文研究自动或半自动驾驶车辆在高速公路上采用MOBIL换道策略对车辆行程时间和交通流的影响,通过Aimsun微观仿真分析不同参数及交通条件下的优化效果。
2023-12-02 cs.SY eess.SY math.OC
Dynamic system optimal traffic assignment with atomic users: Convergence and stability
本研究分析了固定出发时间下动态系统最优交通分配的收敛性与稳定性,将其表述为势博弈,证明了最优状态的随机稳定性,并发现边际成本定价的演化实施机制比固定定价更平滑、鲁棒。
2021-05-19 cs.GT math.OC
Carbon Pricing in Traffic Networks
Universidad de Chile(智利大学);TU Berlin(柏林工业大学);University of Passau(帕绍大学);Humboldt-Universität zu Berlin(柏林洪堡大学)
研究交通网络中通过碳定价引导交通达到满足排放预算的 Wardrop 均衡,证明其可行性与可处理性,并给出多项式时间算法计算均衡与最小价格。
2026-10-06 cs.GT math.OC
Scalable Solution of the Stochastic Multi-path Traveling Salesman Problem via Neural Networks
Department of Informatics, Systems and Communication(信息学、系统与通信系)
本文提出利用神经网络近似第二阶段回收问题期望值,以解决具有随机旅行成本的多路径旅行商问题,提升计算效率与解决方案的可扩展性。
2026-05-14 cs.LG math.OC
Machine-Learned Prediction Equilibrium for Dynamic Traffic Assignment
University of Augsburg(奥格斯堡大学);Google(谷歌)
本研究提出动态交通分配中的预测均衡概念,分析其存在性及近似计算条件,并通过实验比较多种预测器(含机器学习模型)对平均行程时间的影响。
2024-09-19 cs.GT cs.LG math.OC