Качество транспортного потока с точки зрения пользователя

Аннотация

Достижение максимального использования существующей инфраструктуры является важной целью управления движением как на автомагистралях, так и на городской дорожной сети. Для эффективного использования дорожной сети требуется достоверная и подробная информация о текущем состоянии дорожного движения.Пока что отсутствие единой схемы классификации приводит к трудоемкому процессу координации между различными заинтересованными сторонами, разрабатывающими и внедряющими стратегии контроля и предоставлением информации о дорожном движении. В этом исследовании разработана единая концепция, определяющая условия движения на автострадах и городских дорогах. Эта схема классификации применима для всех заинтересованных сторон (например, дорожных властей, служб вещания, частных поставщиков услуг) и может использоваться как в инфраструктурных, так и в транспортных приложениях.Чтобы определить соответствующий параметр транспортного потока для понятного представления о состоянии дорожного движения, были собраны и проанализированы обширные данные по автострадам и городским дорогам в Германии. Эмпирическую основу составляют сегментные и локальные данные, полученные с помощью различных методов обнаружения. Как и ожидалось, средняя скорость на сегменте приводит к более точному описанию условий дорожного движения, чем локальные значения скорости со стационарных детекторов. Испытательные запуски с помощью зондового транспорта проводились с использованием устройства GPS-слежения для регистрации скорости движения плавучего автомобиля.Во время тестовых заездов субъективную оценку качества транспортного потока давали разные пассажиры (пробанды) в транспортном средстве. В общей сложности было проанализировано более 15000 наборов данных о скорости движения с соответствующей оценкой качества испытанного транспортного потока для разработки шестиступенчатой ​​схемы классификации. На основе разных подходов определены пороговые значения средней скорости движения в зависимости от типа дороги и ограничения скорости. Эта единообразная схема классификации может предложить ценное руководство по принятию решений для стратегий управления трафиком.Для обеспечения более понятной информации о дорожном движении для участников дорожного движения разработанная схема была переведена в трехступенчатую систему, легко иллюстрированную зелеными, желтыми и красными цветами.

Ключевые слова

дорожная информация

состояние дорожного движения

средняя скорость движения

Рекомендуемые статьиЦитирующие статьи (0)

© 2016 Автор (ы). Опубликовано Elsevier B.V.

Рекомендуемые статьи

Цитирующие статьи

Frontiers | Оптимизация потока трафика с помощью квантового отжигателя

1.Введение

Технологии квантового отжига, такие как квантовые блоки обработки (QPU), производимые D-Wave Systems, предназначены для решения сложных задач комбинаторной оптимизации (Johnson et al., 2011). Предыдущие эксперименты показали, как эти QPU реализуют квантовый отжиг и что квантовые биты (кубиты) в QPU остаются когерентными и запутанными во время процесса отжига (Lanting et al., 2014). Также было показано, как квантовые свойства кубитов играют роль в вычислении решений как в задачах выборки, так и в задачах оптимизации (O’Gorman et al., 2015; Пердомо-Ортис и др., 2015; Риффель и др., 2015; Venturelli et al., 2015a, b; Денчев и др., 2016; Лос-Аламосская национальная лаборатория, 2016 г .; Раймонд и др., 2016). QPU разработан для решения задач квадратичной безусловной двоичной оптимизации (QUBO), где каждый кубит представляет собой переменную, а элементы связи между кубитами представляют собой затраты, связанные с парами кубитов. QPU — это физическая реализация неориентированного графа с кубитами в качестве вершин и соединителями в качестве ребер между ними. Функциональная форма QUBO, для минимизации которой предназначен QPU:

, где x — вектор двоичных переменных размером N , а Q — вещественная матрица N × N , описывающая взаимосвязь между переменными.Учитывая матрицу Q , нахождение назначений двоичных переменных для минимизации целевой функции в уравнении (1) эквивалентно минимизации модели Изинга, известной NP-трудной задачи (Lucas, 2014).

В этой статье мы представим задачу оптимизации транспортного потока. Мы начинаем с набора данных о траектории T-Drive и GPS-координат автомобилей и разрабатываем рабочий процесс, имитирующий систему, которая направлена ​​на оптимизацию транспортного потока в режиме реального времени. Мы показываем, как преобразовать ключевые элементы проблемы в форму QUBO для оптимизации в системе D-Wave (включая как машины, так и программные инструменты, которые ее используют).Мы рассматриваем систему D-Wave как оптимизатор и показываем, что можно интегрировать вызовы QPU D-Wave в рабочий процесс, напоминающий реальное приложение. Представленный здесь метод представляет собой новый подход к отображению этой реальной проблемы на квантовом компьютере.

2. Постановка задачи транспортного потока

Целью задачи оптимизации транспортного потока является минимизация времени, в течение которого данный набор автомобилей перемещается между их отдельными источниками и пунктами назначения. Мы использовали упрощающее предположение о том, что время, необходимое для пересечения улицы, пропорционально функции количества автомобилей, занимающих улицу в данный момент.Таким образом, мы минимизируем общее время для всех автомобилей, сводя к минимуму общую загруженность всех участков дороги. Загруженность отдельного участка определяется квадратичной функцией количества автомобилей, проезжающих по нему за определенный промежуток времени. Для обеспечения воспроизводимости мы использовали общедоступный набор данных о траекториях T-Drive, содержащий траектории 10 357 такси, записанных за 1 неделю. Набор данных содержит 15 миллионов точек данных, а общее расстояние траекторий составляет около 9 миллионов километров (Yuan et al., 2011, 2013; Чжэн, 2011). Мы требовали, чтобы каждая машина передавала свои GPS-координаты с интервалом 1–5 с. Поскольку не все автомобили в наборе данных обеспечивают передачу данных с такой скоростью, мы обогатили набор данных путем интерполяции между точками GPS. Мы разбили проблему на пошаговый рабочий процесс, описанный ниже. «Классический» относится к вычислениям на классических машинах, а «квантовый» относится к расчетам в системе D-Wave:

1. Классический: предварительная обработка карты и данных GPS.

2. Классический: определение областей, где возникают пробки.

3. Классический: по возможности определите допустимые в пространстве и времени альтернативные маршруты для каждой машины в наборе данных.

4. Классический: сформулируйте задачу минимизации как QUBO (для минимизации заторов на участках дороги на пересекающихся маршрутах).

5. Гибридный квантовый / классический: найдите решение, которое уменьшает перегрузку между назначениями маршрутов во всем графе трафика.

6. Классика: перераспределить машины по результатам.

7. Повторяйте шаги 2–6 до тех пор, пока перегрузка не будет обнаружена.

Визуализация входного графа показана на рисунке 1. Эта визуализация была создана с использованием OSMnx API, который основан на OpenStreetMap и позволяет извлекать, строить, анализировать и визуализировать уличные сети из OpenStreetMap (Boeing, 2017).

Рисунок 1 . График OSMnx для центральной части Пекина.

2.1. Определение альтернативных маршрутов

Чтобы проиллюстрировать, как мы формулируем проблему, мы сосредоточимся на подмножестве набора данных T-Drive.Из 10 357 автомобилей в наборе данных мы выбираем 418 из них, которые едут в или из центра города и аэропорта Пекина. В этом конкретном сценарии цель состояла в том, чтобы максимизировать транспортный поток путем перенаправления подмножества из 418 автомобилей на альтернативные маршруты, чтобы минимизировать количество пересекающихся участков дороги. Для этого требуется одновременная оптимизация для всех автомобилей, что означает, что любое перераспределение автомобилей, устраняющее исходную затор, не должно вызывать заторы где-либо еще на карте.Мы использовали пакет OSMnx, чтобы разбить карту Пекина на сегменты и узлы и присвоить каждому уникальный идентификатор. Кратко нашу процедуру можно представить следующим образом:

1. Извлеките дорожный график из карты города Пекина с помощью OSMnx. Это возвращает списки сегментов и узлов с идентификаторами. Узлы представляют собой связи между сегментами, а сегменты — это ребра, соединяющие узлы, представляющие улицы (рисунок 1).

2. Сопоставьте GPS-координаты автомобилей набора данных траектории T-Drive с сегментами улиц на графике, чтобы определить маршруты, по которым проехали автомобили.

3. Для каждого автомобиля и каждого узла источника и назначения мы извлекаем все простые пути от источника к месту назначения и получаем 3 возможных альтернативных маршрута. Мы используем эти 3 кандидата в качестве предлагаемых альтернативных маршрутов для перераспределения трафика.

2.2. Формулировка оптимизации потока трафика в форме QUBO

Определение переменных для QUBO (уравнение (1)) требует некоторой классической предварительной обработки на входе. В редких случаях может оказаться невозможным переключить машину на другой маршрут.Например, если рядом с автомобилем нет перекрестка или съезда, он не будет учитываться для изменения маршрута и останется на прежнем пути. Тем не менее, этот автомобиль по-прежнему будет влиять на возможные маршруты других автомобилей, поэтому он включен в QUBO. На рисунке 2 показан пример с сегментами дороги, назначенными автомобилю, как это используется в нашем рабочем процессе.

Рисунок 2 . Пример отдельного автомобиля (с ID 10012) и назначенных ему маршрутов, разбитых на сегменты.

Чтобы оптимизировать транспортный поток, мы минимизируем количество перекрывающихся сегментов между назначенными маршрутами для каждой машины.Таким образом, мы формулируем задачу оптимизации следующим образом: «Учитывая 3 возможных маршрута для каждого автомобиля, какое назначение автомобилей маршрутам минимизирует общую загруженность на всех участках дороги?» Мы требуем, чтобы каждой машине был назначен один из 3 возможных маршрутов, одновременно минимизируя общую загруженность всех назначенных маршрутов. Важно подчеркнуть, что в этом примере для каждой машины было предложено 3 возможных альтернативных маршрута, а не один и тот же набор из 3 маршрутов для всех автомобилей. В общем случае этого не должно быть; у машин может быть много возможных маршрутов.Для простоты мы берем (максимум) 3 маршрута на машину, потому что математическое описание задачи идентично независимо от количества маршрутов.

Для каждого возможного назначения автомобиля маршруту мы определяем двоичную переменную q _ij , представляющую автомобиль i , идущий по маршруту j . Поскольку каждая машина может проезжать только один маршрут за раз, ровно одна переменная для каждой машины должна быть истинной в минимуме QUBO. Мы определяем такое ограничение, что каждая машина должна проехать ровно по одному маршруту.Это можно сформулировать как следующее ограничение (при условии 3 возможных маршрутов):

упрощено с использованием бинарного правила x ² = x . Как указывалось ранее, маршруты описываются списками сегментов улиц ( S — это набор всех сегментов улиц на графике). Следовательно, для каждого сегмента улицы s ϵ S мы идентифицируем все двоичные переменные q _ij , связанные с маршрутами, которые разделяют сегмент улицы s (назовем этот набор B _s ) и формулируем занятость функция стоимости:

Например, если маршрут j ₁ вагон i ₁ , маршрут j ₂ вагон i ₂ и маршрут j ₃ вагон i ₃ сегмент общей улицы s ₁ , тогда Bs1 = {qi1j1, qi2j2, qi3j3}, и уравнение (3) принимает вид:

В общем, может быть много переменных автомобиля / маршрута q _ij , которые разделяют некоторый сегмент улицы s .уравнение (3) даст линейный член для каждой из двоичных переменных (с коэффициентом +1) и квадратичный смешанный член для каждой комбинации двух двоичных переменных (с коэффициентом + 2). Глобальная функция затрат для проблемы QUBO, Obj из уравнения (1), теперь может быть просто описана путем суммирования функций затрат для каждого сегмента улицы и ограничения из уравнения (2):

При суммировании компонентов функции глобальной стоимости необходимо ввести параметр масштабирования λ .Это гарантирует, что уравнение (2) выполняется для всех автомобилей в минимуме QUBO. Чтобы найти этот коэффициент масштабирования, мы находим максимальное количество раз, когда автомобиль i присутствует в функциях стоимости уравнения формы (3), и используем это значение как λ . Это делает стоимость нарушения уравнения (2) больше, чем стоимость увеличения занятости сегмента на каждом маршруте на 1.

Теперь функция стоимости может быть сформулирована как квадратичная верхнетреугольная матрица, как требуется для задачи QUBO.Мы сохраняем отображение двоичной переменной q _ij в индекс в матрице QUBO Q (как определено в уравнении (1)), заданный как I ( q _ij ). Эти индексы являются диагоналями матрицы QUBO. Элементы матрицы представляют собой коэффициенты при членах q _ij в уравнении (5). Чтобы найти эти термины явно, когда два маршрута j и j ′ разделяют сегмент улицы s :

1.Мы добавляем (+1) в диагональный индекс I ( q _ij ) для каждого автомобиля i , предложенного с маршрутом j , содержащим сегмент s .

2. Мы добавляем (+2) для каждой пары автомобилей i ₁ и i ₂ , выбирая маршрут j , содержащий сегмент s в недиагональном элементе, заданном индексами I (qi 1j) и I (qi2j).

Затем мы добавляем ограничения, чтобы у каждой машины был только один маршрут в соответствии с уравнением (2):

1.Для каждого вагона i с возможным маршрутом j мы добавляем (- λ ) к диагонали Q , заданной индексом I ( q _ij ).

2. Для каждого перекрестного члена, возникающего из уравнения (2), мы добавляем (2 λ ) к соответствующему недиагональному члену.

Особый случай возникает, если автомобилю предлагается только один маршрут, то есть q _ij = 1. Как указывалось ранее, несмотря на то, что автомобиль i назначен маршруту j , это назначение по-прежнему влияет на другие автомобили.Это заставляет квадратичные ограничивающие члены из уравнения (3) превращаться в дополнительные линейные члены: 2qijqi′j ′ → 2qi′j ′. Кроме того, сохраняя записи о том, в каких маршрутах появляется каждый сегмент, мы можем удалить избыточные ограничения, поскольку некоторые маршруты могут перекрываться более чем в одном сегменте.

В результате получается матрица QUBO, показанная на рисунке 3.

Рисунок 3 . Матрица QUBO, описывающая проблему транспортного потока.

2.3. Резюме алгоритма оптимизации потока трафика

Выраженный как псевдокод, важные высокоуровневые шаги алгоритма оптимизации потока трафика следующие:

1.На каждую машину и :

а. Определите текущий маршрут.

2. Для каждой машины i Текущий маршрут:

а. Сопоставьте источник и пункт назначения с их ближайшими узлами в дорожном графе.

3. Для каждой пары источник / назначение:

а. Определите все простые пути от источника до места назначения.

г. Найдите два альтернативных пути, которые максимально отличаются от исходного маршрута и друг от друга.

4. Для каждой машины и определите набор возможных маршрутов, необходимых для формирования QUBO.

5. Определите матрицу Q с двоичными переменными q _ij , как описано в разделе 2.2.

6. Решите проблему QUBO.

7. Обновить автомобили с выбранными маршрутами.

3. Решатели D-волн и архитектура

Здесь мы кратко представляем решатели и инструменты, предоставляемые D-Wave, чтобы помочь понять, как проблема была решена с помощью QPU.

3.1. Связь и топология

Топология D-Wave 2X QPU основана на графе химеры C ₁₂ , содержащем 1152 вершины (кубиты) и более 3000 ребер (ответвители).Граф химеры размером C _N представляет собой сетку N × N ячеек химеры (также называемых единичными плитками или элементарными ячейками), каждая из которых содержит полный двудольный граф с 8 вершинами ( K _{4, 4} ). Каждая вершина связана со своими четырьмя соседями внутри ячейки, а также с двумя соседями (север / юг или восток / запад) за пределами ячейки; следовательно, каждая вершина имеет степень 6, за исключением граничных вершин (King et al., 2015).

В примере с 418 автомобилями для представления проблемы использовались 1 254 логических переменных.Проблема в этом сценарии — ограниченная связь между кубитами в QPU D-Wave, что ограничивает возможность прямого решения произвольно структурированных задач. При использовании D-Wave QPU напрямую взаимодействие между двумя проблемными переменными может происходить только при наличии физического соединения (связующего устройства) между кубитами, представляющими эти переменные. Для большинства проблем взаимодействия между переменными не соответствуют возможности подключения QPU. Это ограничение можно обойти, используя незначительное встраивание — методику, которая отображает одну структуру графа в другую.Используемый нами QPU имеет 1135 функциональных кубитов, поэтому невозможно сразу встроить в QPU 1254 логических переменных. Поэтому проблема была решена с помощью гибридного классического / квантового инструмента qbsolv (описанного в следующем разделе).

3.2. Алгоритм qbsolv

В январе 2017 года компания D-Wave Systems открыла исходный код программного инструмента qbsolv (D-Wave Systems, 2017). Цель этого алгоритма — предоставить возможность решать более крупные проблемы QUBO и с более высокой связностью, чем это возможно в настоящее время на QPU.Учитывая большой ввод QUBO, qbsolv разделяет ввод на важные компоненты, а затем решает компоненты независимо, используя запросы к QPU. Этот процесс повторяется (с различными компонентами, найденными с помощью поиска Tabu) до тех пор, пока не будет найдено никаких улучшений в решении. Алгоритм qbsolv может оптимизировать подзадачи с помощью классического решателя Табу или путем отправки в QPU D-Wave. В этой статье мы запускаем qbsolv в гибридном классическом / квантовом режиме отправки подзадач в QPU D-Wave 2X.

Шаги высокого уровня, выполняемые qbsolv в гибридном режиме, следующие:

1. Найдите самую большую клику, которая может быть второстепенной, встроенной в топологию QPU или в полный граф Chimera, если используется функция VFYC. Эту разовую операцию можно сделать заранее.

2. При наличии проблемы QUBO инициализируйте случайную битовую строку, представляющую решение проблемы.

3. Используйте эвристический метод для ранжирования узлов по важности; создать подзадачу, которая соответствует QPU, используя ранжирование важности.

4. Создайте подзадачу, используя порядок важности.

5. Решите подзадачу, отправив ее в QPU и обновив состояния переменных в битовой строке.

6. Повторяйте шаги 3–5 до тех пор, пока не будет обнаружено улучшение целевой функции.

Полное описание того, как работает алгоритм qbsolv, подробно описано в Booth et al. (2017).

4. Результаты

Целью этих экспериментов было сопоставить реальную проблему с квантовой машиной для отжига, которую мы показали.При оценке решений, полученных с помощью D-Wave QPU, основное внимание уделялось поиску решений хорошего качества за короткие периоды вычислений. Чтобы количественно оценить качество решения, мы подсчитываем количество перегруженных дорог после оптимизации. Помня о том, что маршруты описываются наборами сегментов дороги, мы просто подсчитываем количество сегментов, которые появляются в маршрутах более заданного числа раз ( N _{перекрестки} ). Здесь мы предполагаем, что сегмент, который появляется на более чем N _{перекрестках} маршрутов, станет перегруженным.Для этого эксперимента мы выбрали N _{пересечений} = 10.

Чтобы оценить формулировку QUBO задачи транспортного потока, мы разработали следующий эксперимент: для задачи QUBO 418 автомобилей (представленной в разделе 2.2) мы решили проблему 50 раз с помощью qbsolv. Мы также сгенерировали 50 случайных назначений автомобилей маршрутам в качестве справочных для результатов. Интуитивно можно было ожидать, что случайные назначения маршрутов будут распределять трафик по альтернативным маршрутам, тем самым уменьшая количество перегруженных сегментов.На рисунке 4 мы показываем распределение результатов (измеряемое как количество перегруженных сегментов) после проведения экспериментов с использованием qbsolv и случайных назначений.

Рисунок 4 . Результаты сравнения случайного назначения автомобилей маршрутам и qbsolv с вызовами D-Wave 2X QPU. Ось Y показывает распределение количества перегруженных дорог. Красная линия — это количество перегруженных дорог с учетом исходных маршрутов.

Из результатов на Рисунке 4 видно, что qbsolv перераспределяет трафик по возможным маршрутам таким образом, чтобы уменьшить количество перегруженных дорог.Это очевидно как в отношении случайного назначения маршрутов, так и показывает улучшение по сравнению с исходным назначением маршрутов. Следует отметить, что в исходном задании было относительно небольшое количество улиц, которые сильно заняты (то есть выше N _{перекрестков} = 10 порог), так как все автомобили использовали один и тот же маршрут, и что в среднем загруженность была намного выше, чем N _{перекрестков} = 10. Также стоит отметить, что все 50 экспериментов с использованием qbsolv разрешили перегрузку.

Кроме того, мы измерили производительность qbsolv в зависимости от времени его выполнения. Исходный код qbsolv был скомпилирован и выполнен на сервере в Бернаби, Канада, чтобы минимизировать задержку между отправкой заданий в QPU и получением результатов. Однако, поскольку используемый QPU был общим ресурсом через облако, время работы qbsolv сильно варьировалось. Поэтому мы считаем время выполнения qbsolv минимальным из наблюдаемых времен выполнения, поскольку оно наиболее точно представляет алгоритм, независимо от нагрузки на систему D-Wave.Это время работы составило 22 с. Также нет свидетельств корреляции между временем выполнения qbsolv и производительностью (длительное время выполнения связано с ожиданием в очереди отправки задания). Учитывая результаты производительности qbsolv, разумно предположить, что выделенный QPU D-Wave (обход публичной очереди отправки заданий) может быть подходящим для такого рода задач оптимизации. Визуальное отображение плотности движения на дорожном графике Пекина до (исходные маршруты) и после оптимизации (с использованием qbsolv ) показано на рисунке 5.

Рисунок 5 . Слева: Рассматривается неоптимизированная ситуация с автомобилями, вызывающими пробки в сети. Справа: оптимизированные перераспределенные автомобили с использованием qbsolv. Обратите внимание, что области красного цвета, которые указывают на высокую плотность трафика, в основном отсутствуют на правом изображении.

5. Заключение и дальнейшая работа

Представленная в настоящее время проблема представляет собой упрощенную версию транспортного потока, поскольку она включает только ограниченный набор автомобилей, отсутствие связи с инфраструктурой, никаких других участников движения и никаких других целей оптимизации, кроме минимизации дорожных заторов.В нашей будущей работе мы намерены рассмотреть все эти параметры, и нам также необходимо будет рассмотреть творческие способы формулирования этих параметров как части проблемы QUBO. Мы продолжим фокусироваться на решении реальных проблем с помощью квантового машинного обучения, квантового моделирования и квантовой оптимизации. Кроме того, мы обнаружили, что эти типы задач оптимизации в реальном времени хорошо подходят для систем D-Wave и гибридных инструментов, которые их используют. Чем сложнее становится комбинаторно задача, тем больше времени потребуется классическим алгоритмам для учета дополнительных параметров.Тем не менее, QPU D-Wave исторически росли по количеству кубитов от одного поколения к следующему, и, учитывая, что эта тенденция, вероятно, сохранится, разумно предположить, что быстрое получение высококачественных решений с использованием QPU будет устойчивым в будущем. . Мы ожидаем, что в будущих поколениях QPU мы сможем напрямую встраивать более крупные проблемы. Это позволит нам еще больше повысить производительность QPU.

Авторские взносы

Все авторы внесли свой вклад в создание этой статьи.

Заявление о конфликте интересов

Авторы — результат сотрудничества Volkswagen и сотрудников D-Wave Systems.

Благодарности

Авторы благодарят Volkswagen Group за поддержку этого исследовательского проекта. Кроме того, авторы благодарят команду D-Wave Systems, особенно Мюррея Тома, Адама Дугласа и Энди Мэйсона.

Сноски

Список литературы

Боинг, Г. (2017). Osmnx: новые методы сбора, построения, анализа и визуализации сложных уличных сетей. Comput. Environ. Городская сист. 65, 126–139. DOI: 10.1016 / j.compenvurbsys.2017.05.004

CrossRef Полный текст | Google Scholar

Денчев В. С., Бойшо С., Исаков С. В., Динг Н., Баббуш Р., Смелянский В. и др. (2016). Какова вычислительная ценность туннелирования с конечным радиусом действия? Phys. Ред. X 6, 031015. DOI: 10.1103 / PhysRevX.6.031015

CrossRef Полный текст | Google Scholar

Джонсон, М. В., Амин, М. Х. С., Гилдерт, С., Лантинг, Т., Hamze, F., Dickson, N., et al. (2011). Квантовый отжиг с изготовленными спинами. Природа 473, 194–198. DOI: 10.1038 / природа10012

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Кинг, Дж., Яркони, С., Невиси, М. М., Хилтон, Дж. П., и МакГеоч, К. С. (2015). Тестирование процессора квантового отжига с помощью метрики времени достижения цели. arXiv: 1508.05087 .

Google Scholar

Lanting, T., Przybysz, A.J., Smirnov, A.Y., Spedalieri, Ф. М., Амин, М. Х., Беркли, А. Дж. И др. (2014). Запутанность в процессоре квантового отжига. Phys. Ред. X 4, 021041. doi: 10.1103 / PhysRevX.4.021041

CrossRef Полный текст | Google Scholar

О’Горман, Б., Баббуш, Р., Пердомо-Ортиз, А., Аспуру-Гузик, А., Смелянский, В. (2015). Изучение структуры байесовской сети с помощью квантового отжига. Eur. Phys. J. Spec. Верхний. 224, 163–188. DOI: 10.1140 / epjst / e2015-02349-9

CrossRef Полный текст | Google Scholar

Пердомо-Ортис, А., Флюгеманн, Дж., Нарасимхан, С., Бисвас, Р., Смелянский, В. (2015). Подход квантового отжига для обнаружения неисправностей и диагностики систем на основе графов. Eur. Phys. J. Spec. Верхний. 224, 131–148. DOI: 10.1140 / epjst / e2015-02347-y

CrossRef Полный текст | Google Scholar

Раймонд, Дж., Яркони, С., Андрияш, Э. (2016). Глобальное потепление: оценка температуры в отжигателях. Фронт. ICT 3:23. DOI: 10.3389 / fict.2016.00023

CrossRef Полный текст | Google Scholar

Риффель, Э.Г., Вентурелли, Д., О’Горман, Б., До, М. Б., Пристей, Э. М., Смелянский, В. Н. (2015). Пример программирования квантового отжигателя для сложных задач оперативного планирования. Quantum Info. Процесс. 14, 1–36. DOI: 10.1007 / s11128-014-0892-x

CrossRef Полный текст | Google Scholar

Вентурелли, Д., Мандра, С., Кныш, С., О’Горман, Б., Бисвас, Р., Смелянский, В. (2015a). Квантовая оптимизация полностью связанных спиновых стекол. Phys. Ред. X 5, 031040.DOI: 10.1103 / PhysRevX.5.031040

CrossRef Полный текст | Google Scholar

Вентурелли Д., Маршан Д. Дж. Дж. И Рохо Г. (2015b). Реализация квантового отжига планирования рабочего цеха. arXiv: 1506.08479 .

Google Scholar

Юань, Дж., Чжэн, Ю., Се, X., и Сунь, Г. (2011). «Вождение со знаниями из физического мира», в материалах Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’11 (New York, NY: ACM), 316–324.

Google Scholar

Юань, Дж., Чжэн, Ю., Се, X., и Сунь, Г. (2013). T-drive: улучшение направления движения с помощью интеллекта таксистов. IEEE Trans. Знай. Data Eng. 25, 220–232. DOI: 10.1109 / TKDE.2011.200

CrossRef Полный текст | Google Scholar

Управление потоком трафика | FileSmart.org

Центральным элементом FileSmart является видение «общей картины» и понимание того, как осуществляется управление Национальной системой воздушного пространства (NAS).Управление NAS осуществляется за счет использования управления потоком трафика (TFM), которое определяется как управление потоком трафика на основе пропускной способности и спроса в аэропортах и ​​в воздушном пространстве.

Структура NAS

NAS охватывает все воздушное пространство над прилегающими США, Аляской, Гавайями и некоторыми территориями США.

NAS состоит из 20 центров движения по маршруту, каждый из которых контролирует участок воздушного пространства над континентальной частью США. Каждый центр контролирует любое воздушное пространство TRACON и контролируемое вышками воздушное пространство в пределах своих границ.

Весь NAS контролируется и координируется Командным центром системы управления воздушным движением (ATCSCC) FAA, расположенным в Уоррентоне, штат Вирджиния. Командный центр является высшей инстанцией при принятии решений о том, как справляться с ограничениями в NAS.

Что такое управление потоком трафика?

В то время как многие операторы думают об управлении воздушным движением (УВД) только как о диспетчерской вышке или маршрутном центре, реальность такова, что за кулисами происходит гораздо больше, чтобы управлять тысячами самолетов в NAS в любой момент времени.TFM существует для управления этой «большой картиной».

Управление потоком воздушного движения можно определить как «управление потоком воздушного движения в Национальной системе воздушного пространства (NAS) на основе пропускной способности и спроса». TFM является частью ATC, но сфокусирован на другом. Там, где большая часть УВД сосредоточена на контроле и разделении определенных рейсов, роль TFM заключается в управлении общим потоком, используя «общесистемный подход» для обеспечения наличия плана относительно того, где и когда воздушные суда летают в пределах NAS.

Большая часть работы TFM — это упор на сотрудничество и консенсус.Прежде чем будет принято решение о порядке действий, диспетчеры будут сотрудничать с другими службами УВД, с отраслью (авиалинии, бизнес / авиация общего назначения), военными и другими. Этот процесс известен как совместное принятие решений (CDM).

Почему существует управление потоком трафика?

Управление потоком трафика существует для:

• Максимизировать эффективность
• Минимизировать задержки
• Обеспечение справедливости в NAS

Задержки могут быть вызваны ограничениями в NAS, такими как погода, особые события, временные ограничения на полеты (TFR) и чрезмерный или непредвиденный трафик.

TFM рассматривает, на кого или что может повлиять ограничение, и сосредотачивается на скоординированных усилиях по обеспечению справедливого решения этого ограничения и минимизации связанных задержек.

Хотя многие операторы склонны сосредотачиваться на конкретной задержке, которую они могли выдать, эта задержка является результатом инициативы TFM, направленной на пользу всей NAS.

Что делает управление потоком трафика?

Цель TFM — уравновесить пропускную способность и спрос как в терминале (в зависимости от аэропорта), так и в маршрутной части NAS.Другими словами, он существует для того, чтобы не было слишком много самолетов, направляющихся в аэропорт или из аэропорта или пролетающих через определенную область воздушного пространства одновременно.

При неблагоприятных условиях либо в аэропорту, либо в каком-либо участке воздушного пространства диспетчеры управления воздушным движением должны найти способы замедлить и уменьшить объем движения в этих районах. Это достигается за счет использования инициатив по управлению трафиком (TMI).

Если это будет выполнено успешно, общие задержки в NAS будут уменьшены.

ТЕОРИЯ ДВИЖЕНИЯ | Лаборатория Умного Города

Казарес, Дж. Г., М., Хадже-Хоссейни и А. Талебпур. Модель автоматизированных транспортных средств, основанная на глубоком обучении. Представлено для публикаций в журнале Transport Research Record: Journal of Transport Research Board of National Academies.
Самими Абианех, А., М. В., Беррис, В., Ли, Х., Чжун, А., Талебпур, и К. К., Синха. Моделирование реакции поездки с заявленными предпочтениями на рекомендации по изменению маршрута в реальном времени. Представлено для публикаций в журнале Transport Research Record: Journal of Transport Research Board of National Academies.
Эльфар А., К., Ксавьер А., Талебпур и Х.С., Махмассани. Обнаружение ударных волн движения в подключенной среде с использованием распределения скорости отдельных транспортных средств. Принято для публикаций в журнале Transport Research Record: Journal of Transport Research Board of National Academies.
Эльфар А., А., Талебпур и Х.С., Махмассани. Подход машинного обучения к краткосрочному прогнозированию перегрузки в подключенной среде. Принято для публикаций в журнале «Отчет об исследованиях в области транспорта: журнал Совета по исследованиям в области транспорта национальных академий».
Талебпур А., Х. С. Махмассани и А. Эльфер. Исследование влияния зарезервированных полос для автономных транспортных средств на перегруженность и надежность времени в пути. Отчет об исследованиях в области транспорта: журнал Совета по исследованиям в области транспорта национальных академий. № 2622, 2017, с. 1-12.
Миттал А., Х. С., Махмассани и А. Талебпур. Отношения сетевых потоков и надежность времени в пути в подключенной среде. Отчет об исследованиях в области транспорта: журнал Совета по исследованиям в области транспорта национальных академий.№ 2622, 2017, с. 24-37.
Талебпур А. и Х. С., Махмассани. Влияние подключенных и автономных транспортных средств на стабильность и пропускную способность транспортного потока. Транспортные исследования, часть C: Новые технологии, 71, 2016 г., стр. 143–163.
Hamdar, S.H., L., Qin, and A., Talebpour. Влияние погодных условий и геометрии дороги на поведение при движении в продольном направлении: исследовательский анализ с использованием эмпирически подтвержденной основы моделирования ускорения. Транспортные исследования, часть C: Новые технологии, 67, 2016, стр.193-213.

ПОТОК, СКОРОСТЬ и ПЛОТНОСТЬ

Основные характеристики потока трафика:

Спрос на транспортный поток представляет собой спрос на транспортную систему. В сравнение между этим и мощностью определяет эксплуатационный представление. Измерение транспортного потока имеет множество применений при планировании, проектировании, и эксплуатация дорожных сооружений. Планировщики используют измерения расхода, чтобы классифицировать улицы, определять тенденции движения, изучать схемы отправления и назначения, и прогнозировать доход. Дизайнеры используют информацию о потоках для проектирования объектов. Инженеры по дорожному движению используют измерения потока для анализа транспортных операций, аварии и исследуйте улучшения, такие как приоритетные полосы.

Мы определяем скорость потока как количество транспортных средств, проезжающих точку за данный момент времени. период обычно выражается как часовой расход. «Расход» или «расход» имеет постепенно заменял термин «объем» с годами. Поскольку скорость потока меняется со временем нам нужно не только определить его, но и период времени, в течение которого это было измерено. Например, предположим, что вы наблюдали 15-минутную скорость 1000 автомобилей в час. Это означает, что вы насчитали 250 машин за 15 минутный интервал и выразил скорость потока как почасовую скорость.

Есть четыре важных приложения для измерения расхода: существующий спрос на трафик, объем обслуживания, производительность и скорость потока насыщения. Существующий спрос на трафик это уникальное значение расхода, которое играет важную роль при анализе перенасыщенная (перегруженная) ситуация. Он представляет собой скорость потока, при которой автомобили хотели бы обслуживаться. Существующий спрос на трафик численно равным измеренному расходу, если нет перенасыщения перед рассматриваемый сайт.Если же дорога перенасыщена, скорость потока равна указывает только на допустимый уровень расхода и не является индикация существующей потребности в трафике.

Мы определяем объем обслуживания как максимальный поток, при котором автомобили могут ожидать к пересечь точку с учетом периода времени (обычно 15 минут), преобладающих условий, и поддержание назначенного уровня обслуживания (LOS). LOS — это мера принадлежащий качество потока и учитывает такие факторы, как скорость, свобода маневренность, перебои в движении и комфорт.По сложившимся условиям мы означают преобладающие условия проезжей части, движения и контроля.

Мы определяем мощность как максимальную почасовую ставку, при которой транспортные средства могут разумно ожидал пересечь точку на проезжей части в течение заданного периода времени (обычно 15 минут) под преобладающие условия.

Скорость потока насыщения — эквивалентная максимальная почасовая скорость, с которой транспортные средства могут траверс подъезд к полосе движения или перекрестку в преобладающих условиях, предполагая непрерывную очередь.Например, рассмотрим метод пересечения с бесконечным количеством стоящих в очереди транспортных средств. Сигнал становится зеленым и остается зеленым в течение часа. Количество автомобилей которые проходят полосу остановки в этот час — это скорость потока насыщения.

Вторая основная характеристика транспортного потока — это скорость. Есть два пути для измерения скорости; Средне-временная скорость (TMS) и средняя пространственная скорость (SPS). TMS — это рассчитывается на основе индивидуальной скорости, зарегистрированной для транспортных средств, проезжающих точку над выбранный период времени.Рассчитываем SMS, разделив среднее время в пути по измеренному расстоянию. Скорость и время в пути — основные параметры эффективности движения на шоссе и скорости — ключевой параметр при проектировании. дорожных сооружений. Инженеры также используют его при определении LOS, аварии анализ, экономические исследования и большинство исследований по организации дорожного движения.

Учитывая дизайн, спрос и контроль вдоль системы автомагистралей, большинство аналитических модели трафика используют скорость и время в пути в качестве меры производительности системы.Некоторые модели используют скорость или время в пути в качестве входных данных для оценки топлива. потребление, выбросы транспортных средств и транспортный шум.

Плотность трафика — третья фундаментальная характеристика транспортного потока. Это важная характеристика, которую инженеры могут использовать при оценке производительности трафика с точки зрения пользователей и системных операторов. Инженеры тоже его применяют как центральная переменная в системах контроля и наблюдения за автострадами. Для Например, Руководство по пропускной способности автомагистралей (HCM) 1994 года использует плотность движения в качестве первичное измерение LOS для ситуаций с непрерывным потоком (автострады и автомагистрали).Плотность трафика также играет важную роль в общесистемном оценка эффективности дорожного движения и скоростная автострада, реагирующая на трафик в режиме онлайн Системы контроля.

Плотность движения мы определяем как количество автомобилей, занимающих единицу длины проезжая часть. Самый простой способ визуализировать плотность дорожного движения — рассмотреть воздушную фотография участка шоссе. Подсчитайте количество автомобилей в 1 миле Одиночный ряд. Это будет плотность на одну полосную милю. Плотность трафика варьируется от 0 (нет потока) до значений, представляющих остановленное движение, от бампера до бампера.Этот верхний предел, называемый плотностью заторов, обычно составляет от 185 до 250 автомобилей. за одну полосную милю, в зависимости от состава трафика и свободных промежутков между транспортными средствами. Например, если средний пробег ниже эти условия (расстояние между передними бамперами двух подряд идущих транспортных средств) составляет 25 футов, плотность пробок составит около 211 автомобилей на переулок-миля. Упомянутый ранее диапазон плотности заторов от 185 до 250 автомобилей. на милю означает среднее расстояние 21.От 1 до 28,5 футов на транспортное средство. Аналитики могут легко получить взаимосвязь между трафиком плотность и средний дистанционный интервал из следующего уравнения:

куда:

• k = плотность (транспортных средств на полосную милю)
• дбар = средний интервал движения по одной полосе движения (футов на автомобиль)

Оптимальная плотность — еще один важный параметр на шкале плотности от нуля до плотность заедания. Он определяется как уровень плотности, который существует, когда трафик в переулок загружен на полную мощность.Оптимальная плотность обычно составляет от 36 до 48. транспортных средств на полосную милю, что соответствует среднему расстоянию 110 до 147 футов.

Таким образом, мы можем разделить шкалу плотности на три области. Значения плотности от От 0 до 32 транспортных средств на полосную милю обозначают условия транспортного потока, в которых движение спрос меньше мощности. Пользователи испытывают разумный LOS (система обслуживает все потребности, которые хотят использовать оборудование) при этих плотностях. Далее HCM делит эту область на четыре LOS, обозначенные как A, B, C, и Д.Значения плотности от 36 до 48 автомобилей на полосу движения (в зависимости от скорость свободного потока) обозначают условия потока, в которых потребности движения приближается к пропускной способности проезжей части или равна ей. Пока пользователи столкнувшись с более низкой LOS, система становится наиболее производительной с точки зрения транспортных средств-миль пути. HCM обозначает это состояние как LOS E. Третья область встречается при значениях плотности от 36 до 48 автомобилей. на полосу-милю. Этот регион обозначает условия потока, в которых движение требования превышают пропускную способность проезжей части.Не только пользователи сталкиваются с очень плохой LOS, но система менее производительна с точки зрения автомобиль-миль пути. HCM обозначает это состояние как LOS F, или поломка.

Отношение скорость-расход-плотность связано фундаментальным уравнением как

Опять же, поток (q) — это количество транспортных средств, проезжающих через точку в течение заданного периода времени. Обычно она выражается как почасовая ставка из расчета на одну полосу движения (автомобиль / час / полосу). Скорость (u) — средняя скорость движения, выраженная в милях в час.Плотность (k) — это количество транспортных средств, занимающих проезжую часть, выражается в транспортных средствах на миля на полосу (автомобиль / миля / полоса). Для простоты будем предполагать линейный соотношение скорость-плотность. Хотя это не очень реалистично, это упростит презентация. Верхний левый график на Рисунке 1 изображает эти отношения.

Уравнение для этого графика:

известная как модель Гриншилда.Uf в верхнем левом углу обозначает скорость свободного потока. Скорость свободного потока имеет место при нулевой плотности или близкой к ней, которую вы можете рассматривать как скорость, которую вы ехать в 2 часа ночи, и на шоссе нет ограничения скорости. Скорость уменьшается как плотность увеличивается, потому что водители склонны снижать скорость по мере того, как все больше транспортных средств используют дорогу. Этот процесс будет продолжаться до тех пор, пока проезжая часть не достигнет максимальной плотности и скорость не снизится. до нуля. Как упоминалось ранее, эта точка на графике определяет плотность заедания (кДж).

Правый верхний график показывает соотношение между скоростью и расходом.Кривая крайняя правая точка определяет максимальную скорость потока. С точки зрения инженера, это ситуация желательна, поэтому мы также определяем соответствующие скорость и плотность как оптимальная скорость (uo) и плотность (ko). Нижний график представляет соотношение поток-плотность. Поток увеличивается параболически, пока не станет достигает максимального расхода. Опять же, это соответствует оптимальной скорости и плотность. За пределами этой точки скорость потока уменьшается, пока не достигнет плотность заедания.

Как указывалось ранее, модель Greenshield неадекватно отражает отношения скорости и плотности в реальной жизни. Исследователи обнаружили, что График скорости-плотности принимает слегка обратную S-образную форму. Многие исследователи пытались, с ограниченным успехом, разработать формулу, моделирующую задняя S-образная форма, подходящая для полевых наблюдений.

Перейти к разделу «Ударная волна»

Вернуться на главную страницу Основы движения трафика

Введение в теорию потока трафика (Springer Optimization and its Applications, 84): 9781461484349: Elefteriadou, Lily: Books

Из обзоров:

«В этой книге представлены основы теории транспортных потоков и связанных с ними приложений.… Книга очень хорошо написана, с отличной графикой, примерами, задачами, ссылками и ресурсами для дальнейшего чтения. … Эта книга могла бы стать идеальным учебником для вводного курса теории транспортных потоков и полезным напоминанием для опытных инженеров. Подведение итогов: настоятельно рекомендуется. Студенты начальных и высших учебных заведений и специалисты / практики ». (W. J. Sproule, Choice, Vol. 51 (10), июнь, 2014 г.)

«Автор озабочен эксплуатационным качеством движения на объектах автомобильного транспорта, предполагая, что весь спрос известен заранее.… Эта книга может оказаться полезной в рамках односеместрового курса для студентов, начинающих изучать транспортную инженерию ». (Хартмут Нольтемайер, zbMATH, Vol. 1286, 2014)

В этом тексте дается исчерпывающее и краткое рассмотрение темы теории транспортных потоков и несколько тем, имеющих отношение к сегодняшней транспортной системе. В нем представлены фундаментальные принципы теории транспортных потоков, а также их применение для оценки конкретных типов объектов (автомагистралей, перекрестков и т. Д.).). Обсуждаются новые концепции интеллектуальных транспортных систем (ИТС) и их потенциальное влияние на транспортный поток. Существенно продвинулись современные достижения в области исследования транспортных потоков, микроскопического анализа и моделирования дорожного движения, которые также обсуждаются в этом тексте. Примеры из реальной жизни и полезные наборы задач дополняют каждую главу.

Этот учебник предназначен для использования на продвинутых курсах бакалавриата / магистратуры по теории транспортных потоков с предварительными условиями, включая два семестра математических расчетов, статистики и вводный курс по транспорту.Текст также будет интересен профессионалам в области транспорта как справочник по теории транспортных потоков. Студенты и инженеры с разным уровнем подготовки найдут этот текст доступным и применимым к сегодняшним проблемам дорожного движения.

Об авторе

Доктор Лили Элефтериаду — директор Центра транспортных исследований и профессор Кисингер Кампо гражданского и прибрежного строительства в Университете Флориды. Она получила свой M.S. в области гражданского строительства Обернского университета и ее докторскую степень.Имеет степень доктора в области транспортного планирования и инженерии Политехнического университета Нью-Йорка. Ее статья 2010 года «Модель смены полосы движения, основанная на поведении водителей и ее реализация в CORSIM», написанная в соавторстве с Дэниелом Цзян Сунь, была отмечена Советом по исследованиям в области транспорта за лучшую работу по разработке моделей. Она также является лауреатом Премии за выдающиеся исследования 2003 года от инженерного общества штата Пенсильвания, а также стипендиатом программы Фулбрайт.