Modele de trafic

Des méthodologies plus récentes prenant en compte la structure relationnelle des données, la densité du trafic de prévision dans le temps en s`appuyant sur les données liées à partir de plusieurs positions spatiales à différents moments dans le temps, événement avenir déjà prédit des données. Les études utilisant des structures relationnelles de données ont principalement utilisé les modèles STARIMA (Space-Time ARIMA), les filtres Kalman et le modèle de série temporelle structurelle. L`utilisation d`un cadre d`apprentissage relationnel statistique (SRL) est très efficace pour améliorer la précision prédictive des données structurées relationnelles. L`apprentissage relationnel statistique correspond très bien à ce domaine de recherche par sa capacité à décrire les dépendances et les relations et à inclure les connaissances de base dans le modèle, comme dans un réseau de transport. Les modèles générés avec une méthode d`apprentissage statistique relationnel peuvent représenter un large ensemble de localisation grâce à sa capacité à effectuer des regroupements et régressions simultanés sur ses multiples sources et niveaux d`information. Cela permet à un tel modèle de prédire les conditions de trafic hors d`un réseau dans un processus de brouillage unique. La table de voyage initiale pour la zone d`étude mésoscopique a été extraite du BPM original de la ville, puis ajustée pour refléter des chiffres de trafic plus détaillés dans la zone du projet à l`aide d`une série de techniques d`estimation matricielle origine-destination (ODME), allant de proportionnel aux programmes linéaires sophistiqués. Le défi consistait à maintenir les données et les calculs cohérents entre le BPM et le modèle dynamique. Notre recherche est basée sur l`observation que les modèles de trafic considérés sont semblables aux équations qui décrivent les ondes de détonation produites par des explosions. En employant la théorie des ondes de dénotation, nous avons développé des moyens de prédire analytiquement la forme exacte et la vitesse de propagation des jamitons. Des simulations numériques des modèles de trafic considérés montrent que les solutions de jamiton prévues sont effectivement atteintes, si la densité du trafic initial est suffisamment dense.

Les jamitons considérés peuvent qualitativement être trouvés à la fois dans le trafic réel observé aussi bien que dans les expériences. La description théorique de la solution de jamiton admet une meilleure compréhension de leur comportement. Chez Walter P Moore, nous avons pris VISSIM un peu plus loin en l`appliquant à des interactions de véhicules complexes telles que les opérations de valet pour les clients avec des volumes élevés de trafic. Tôt dans les projets, les clients peuvent sous-estimer la zone nécessaire pour soutenir leur zone de valet qui pourrait résulter est encombré flux véhiculaire. L`examen de la modélisation de simulation permet aux équipes de conception de planifier correctement l`espace adéquat et d`éviter la congestion future dans une zone de ramassage/dépose. La capacité des modèles psycho-espacés de décrire le comportement transitoire du flux de trafic comme la chute de capacitry, et la stabilité des confitures larges (confitures dans lesquelles la vitesse du trafic est proche de zéro, et qui se propagent en amont avec une vitesse quasi constante) a été abordée par Krauss et coll. (1999). Ayant des modèles de données de réseau de trafic rassemblant plusieurs caractéristiques en fonction de sa nature, il existe de nombreuses approches et algorithmes pour les exploiter dans des cas pratiques.