Εκτίμηση προτύπων ακολουθίας οχημάτων με χρήση τεχνικών μηχανικής μάθησης

Abstract

Στα µέσα της δεκαετίας του ’50 άρχισαν οι πρώτες έρευνες που αφορούσαν τα πρότυπα ακολουθίας οχηµάτων και από τότε έχουν αναπτυχθεί πολυάριθµα µοντέλα. Οι τεχνολογικές εξελίξεις έχουν συµβάλλει σηµαντικά στη συλλογή υψηλής ακρίβειας δεδοµένων για τροχιές οχηµάτων, καθιστώντας έτσι εφικτή την πρόσβαση σε αυτού του είδους τα δεδοµένα µε σκοπό την ανάλυση τους για τη µελέτη της οδηγικής συµπεριφοράς και της καλύτερης δυνατής προσοµοίωσής της. Στο πλαίσιο αυτής της εργασίας για την εκτίµηση προτύπων ακολουθίας οχηµάτων προτείνεται µια εναλλακτική µεθοδολογία βασιζόµενη σε τεχνικές µηχανικής µάθησης όπως η τοπικά σταθµισµένη παλινδρόµηση, η οµαδοποίηση και η ταξινόµηση. Η προτεινόµενη µεθοδολογία εφαρµόζεται σε δεδοµένα από ένα πείραµα που διεξήχθη στη Νάπολη της Ιταλίας, καθώς και στα NGSIM δεδοµένα. Στα ίδια δεδοµένα, επίσης, εφαρµόζεται το µοντέλο του Gipps, ένα από τα ευρέως χρησιµοποιούµενα µοντέλα ακολουθίας οχηµάτων, αφού όµως προηγηθεί µια ανάλυση ευαισθησίας των παραµέτρων του και βαθµονόµηση του. Στη συνέχεια ακολουθεί σύγκριση µεταξύ της προτεινόµενης µεθοδολογίας και του µοντέλου του Gipps. Τα µοντέλα ακολουθίας οχηµάτων που προκύπτουν από µαθηµατικούς τύπους εξηγούν σαφώς τις σχέσεις που λαµβάνονται υπόψη, αλλά είναι περισσότερο αυστηρά στην εφαρµογή τους και επιβάλλουν περισσότερους περιορισµούς. Από την άλλη πλευρά, οι µέθοδοι µηχανικής µάθησης παρά το γεγονός ότι αδυνατούν να εξηγήσουν ποιοτικά τις συσχετίσεις που µοντελοποιούν, παρουσιάζουν µεγαλύτερη ευελιξία και µπορούν να παρέχουν καλύτερα αποτελέσµατα στην εκτίµηση των προτύπων ακολουθίας οχηµάτων.

Since the 1950' s car following models are well researched with varying approaches. Nowadays, technological advances have significantly contributed in data collection with high accuracy. Therefore, the availability of traffic data has improved and researchers could focus on their analysis in order to achieve a better simulation of drivers' behavior. In this study, an alternative methodology framework based on computational approaches is proposed for data driven estimation of car following models. Machine learning techniques such as locally weighted regression, classification and clustering are included. The proposed methodology is illustrated using both data from an experiment implemented in Naples, in Italy, and NGSIM data. The Gipps' model, one of the most extensively used car following models, is also applied to the same data, after a sensitivity analysis of its parameters and the calibration of the model are preceded. Then, a comparison between the proposed framework and Gipps' model is performed. Typical car following models are relied on a mathematical formula and are theoretically justified, though they are more restrictive. On the other hand, machine learning approaches may not provide as much insight into traffic flow theory as the traditional models do, though they are more flexible and allow the incorporation of additional information to the process of speed estimation. Machine learning methods could ensure reliability and improvement in data driven estimation of car following models.