Znalost počtu automobilů na dané části silnice je pro řízení dopravy zásadní, zejména na křižovatkách se světelnou signalizací, kde se odhady hustoty dopravy používají jako vstupní data pro časování semaforů. Teoreticky, až bude každé vozidlo inteligentní a bude schopné komunikovat s infrastrukturou, bude odhad hustoty provozu mnohem jednodušší a přesnější. Bude také levnější, protože modeláři se již nebudou muset spoléhat na drahé vestavěné smyčky nebo jiné stacionární snímače pro zachycení údajů o vozidlech.

S ohledem na tento budoucí scénář tým z Urban Mobility & Equity Center - výzkumného konsorcia v USA, vedeného Morgan State University, s podporou University of Maryland a Virginia Tech - zkoumal a testoval několik přístupů k odhadu hustoty dopravního proudu na silnicích s dopravní signalizací pomocí dat z propojených vozidel, a to v centru Blacksburgu ve Virginii, USA.

Zjištění byla zveřejněna ve zprávě s názvem Estimating Traffic Stream Density Using Connected Vehicle Data. Zpráva zjistila, že nejpřesnější odhady jsou výsledkem použití lineárního Kalmanova filtru - typu algoritmu.

Hustota dopravního proudu je důležitým vstupem pro různé pokročilé systémy řízení dopravy. Měření hustoty dopravního proudu v terénu je však obtížné, protože se jedná o prostorové měření. V práci je vyvinuto několik přístupů, které poskytují odhady hustoty dopravního proudu na signalizovaných příjezdech v reálném čase s využitím dat z propojených vozidel (CV). Tyto odhady jsou pak vstupem pro adaptivní řadiče dopravní signalizace, které mají zlepšit výkonnost křižovatky, konkrétně její efektivitu, mobilitu a dopady na životní prostředí.

Dosavadní výzkum využíval k odhadu hustoty dopravního proudu na komunikacích různé zdroje dat, jako jsou stacionární senzory (např. detektory smyček) nebo fúzovaná data (kombinace dvou různých zdrojů dat). Stacionární senzory však trpí nízkou přesností detekce a mají vysoké náklady na instalaci a údržbu. Sloučení dat z více zdrojů vyžaduje značné prostředky a trpí stejnými nevýhodami jako stacionární data.

Mezi nová zlepšení patří zamezení problémů s kvalitou dat produkovaných současnými senzory, jako jsou poruchy detekce, a snížení nákladů na instalaci a údržbu senzorů.

CV jsou definována jako vozidla, která si mohou vyměňovat informace, jako je okamžitá rychlost, poloha a zrychlení, s jinými CV. To se obecně označuje jako komunikace mezi vozidly (V2V). Tato vozidla si mohou také vyměňovat informace se silniční infrastrukturou, což se označuje jako komunikace mezi vozidly a infrastrukturou (V2I). Porovnáme-li  nový přístup s nejmodernějšími přístupy, pak využití dat z CV umožňuje sledovat všechna CV v reálném čase, zatímco u nejmodernějších přístupů systém přistupuje k informacím o vozidlech na pevně daných místech (v okolí umístění senzorů). V důsledku toho bude mít nový systém více informací o dopravním chování v každém okamžiku a je také levnější vzhledem k tomu, že propojení vozidel je novou normou budoucnosti.

Ve zprávě je vyvinut lineární Kalmanův filtr (KF), lineární adaptivní KF (AKF) a nelineární částicový filtr (PF) k odhadu hustoty dopravního proudu pouze s využitím dat z CV. Navrhované přístupy byly vyhodnoceny na základě empirických a simulovaných dat, z nichž první byla shromážděna podél signalizovaného příjezdu v centru Blacksburgu ve Virginii.

Výsledky ukazují, že odhady hustoty vytvořené lineárním přístupem KF jsou nejpřesnější a nejrobustnější. Byla prezentována citlivost přístupů k odhadům na různé faktory, včetně míry penetrace trhu (LMP) KF, počátečních podmínek, počtu částic v přístupu KF, úrovně dopravní poptávky, metod řízení dopravní signalizace a délky vozidel.

Poskytnutí přesných odhadů LMP by mělo zlepšit přesnost odhadu počtu vozidel. Proto byl v tomto výzkumu vyvinut také model strojového učení, který poskytuje odhady hodnot LMP v reálném čase. Tento vyvinutý filtrační model byl kombinován s vyvinutým modelem strojového učení (AKFNN) s cílem zlepšit přesnost odhadu počtu vozidel.
 
Celý článek najdete na stránkách INTERTRAFFIC zde.