Investigación del Transporte de la Parte C 79 (2017) 347-362

listas de contenidos ofrecidos en ScienceDirect

Investigación del Transporte de la Parte C

revista Página de inicio : www . e ls evier. com / localizar / TRC

Estimación de los volúmenes de tráfico para intersecciones

señalizadas utilizando datos del vehículo conectado
un un,segundo,⇑
Zheng Jianfeng , Henry Liu X.
a Departamento de Ingeniería Civil y Ambiental de Ingeniería de la Universidad de Michigan, Estados Unidos
b Universidad de Michigan Instituto de Investigación del Transporte, Estados Unidos

información del artículo abstracto

Historia del artículo: Recientemente la tecnología de vehículo conectado (CV) ha recibido una atención significativa gracias a
Recibido el 5 de noviembre de el año 2016 implementaciones piloto activos apoyados por el Departamento de Transporte de EE.UU. (US DOT). En las
Recibida en forma 10 de febrero de 2017 intersecciones con semáforos, CV puede servir como sensores móviles, proporcionando oportunidades de
Aceptado revisada 13 de marzo de 2017
reducción de dependencias en detectores de vehículos convencionales para la operación de la señal. Sin
embargo, la mayoría de los estudios existentes se centran principalmente en escenarios que las tasas de
penetración de CV alcanzan cierto nivel, por ejemplo, el 25%, lo cual puede no ser factible en un futuro
palabras clave:
próximo. Cómo utilizar los datos de un número pequeño de CV para mejorar el funcionamiento de señales de
vehículo conectado
tráfico sigue siendo una pregunta abierta. En este trabajo, desarrollamos un método para estimar el volumen
Datos móviles
trayectoria GPS de tráfico, un insumo clave para muchos algoritmos de optimización de la señal, utilizando datos de
Señal de tráfico trayectoria de los dispositivos GPS de navegación CV o menores tasas bajas de penetración de mercado. Para
De vehículo a infraestructura de comunicaciones estimar el volumen de tráfico, modelamos llegadas de vehículos en intersecciones sig-nalizado como un
la estimación del volumen de tráfico proceso de Poisson dependiente del tiempo, lo que puede dar cuenta de la coordinación de la señal. El
Piloto de seguridad Modelo de liberación problema de estimación se formula como un problema de máxima verosimilitud dado múltiples trayectorias
(SPMD) observadas de CV se aproxima a la intersección. Un procedimiento de maximización Expecta-ción (EM) se
proyecto
deriva para resolver el problema de estimación. Se realizaron dos estudios de casos para validar nuestro
algoritmo de estimación. Uno de ellos utiliza los datos de CV del proyecto piloto de seguridad Modelo de
liberación (SPMD), en la que alrededor de 2.800 CV fueron desplegados en la ciudad de Ann Arbor, MI. El
otro utiliza datos de trayectoria del vehículo de los usuarios de un servicio de navegación comercial en
China. porcentaje de error absoluto (MAPE) de la estimación media se encuentra que es 9-12%, basado en
datos de referencia recogidos manualmente y los datos de detectores de bucle.

2017 Elsevier Ltd. Todos los derechos

reservados.

1. Introducción

intersecciones señalizadas son partes indispensables de las redes de tráfico urbano. Actualmente, existen más de 300.000 señales de tráfico en
los EE.UU., que representan el 82,7 billón inversiones públicas (NTOC 2012). Con dos tercios de millas recorridas vehículos urbanos en los
caminos de señal (controladoMcCracken, 1996), Intersecciones señalizadas a menudo se han convertido en puntos calientes de la congestión del
1
tráfico, causando 295 millones de vehículos-horas de retraso anualmente. Teniendo en cuenta la cantidad de señales de tráfico y su impacto en
el tráfico

⇑ El primer autor en: Departamento de Ingeniería Civil y Ambiental de la Universidad de Michigan, Estados Unidos.
Dirección de correo electrónico: henryliu@umich.edu (HX Liu).
1 Reducción de la caja de herramientas congestión. US DOT FHWA.http://www.fhwa.dot.gov/congestion/toolbox.

http://dx.doi.org/10.1016/j.trc.2017.03.007
0968-090X / 2017 Elsevier Ltd. Todos los derechos reservados.
348 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

la red, es fundamental para operar de manera eficiente las señales de tráfico. Sin embargo, la mayoría de las señales en los EE.UU. son sólo re-
programado una vez cada 2-5 años, a pesar de una alta relación costo-beneficio para la señal de re-sincronización (Sunkari de 2004). Esto se
debe principalmente a los costes laborales para el proceso de reajuste temporal. Con apretar los presupuestos y recursos hoy en día, se mantiene
el funcionamiento eficiente de la señal se ha convertido en una tarea difícil para muchos organismos de gestión de tráfico.
Reciente advenimiento de vehículo conectado (CV) presenta grandes oportunidades de reforma de la señal de tráfico oper-ación
convencional. Actualmente, muchas señales de tráfico en los EE.UU. siguen siendo señales de tiempo fijo, que no son sensibles a las demandas
de tráfico fluctuado. Para las señales de tráfico para dar cabida a diferentes demandas, detectores de vehículo, por ejemplo, la inductancia
detectores de bucle o detectores de vídeo, que tenga que ser instalado y mantenido correctamente. Esto incurre inevitablemente un coste
significativo para los organismos públicos. Con la comunicación de vehículo a infraestructura (V2I), CV puede informar continuamente sobre su
estado al equipo de vía (RSE) en las intersecciones, trabajando como sensores móviles. Por lo tanto, CV tienen un gran potencial para reducir o
incluso eliminar la necesidad de detectores de ubicación fija en los sistemas de señalización existentes. Cuando las tasas de penetración son
bajos, los datos de CV se podrían utilizar para generar medidas per-formance para las señales de tráfico de ajuste periódicamente. Cuando las
tasas de penetración son altos, se convierte en viable para operar el control adaptativo de la señal que depende únicamente de la entrada CV.

Teniendo en cuenta estos potenciales, la implementación de sistemas de V2I en las intersecciones con semáforos ha sido una parte importante
de la implementación piloto CV, ejemplificada por la instalación de pequeñas empresas rurales en las intersecciones en el proyecto piloto de
seguridad Modelo de liberación (SPMD) (Gay y Kniss, 2015), La próxima implementación piloto CV (Masters, 2016), Así como en el desarrollo
de Smart City-sup portado por el Departamento de Transporte de EE.UU. (US DOT). Junto con los esfuerzos de implementación, también se han
propuesto una serie de algoritmos de control de señales basado en CV. Sin embargo, los algoritmos de control de señal de propuestas en los
estudios anteriores se centran principalmente en escenarios que las tasas de penetración de CV alcanzan determinados niveles, por ejemplo, 25%,
lo que puede no ser factible en un futuro próximo. Además, la mayoría de los estudios existentes se basan en datos simulados que pueden no
captar las características del mundo real de CV, por ejemplo, el rendimiento de comunicación o la precisión del GPS. Por lo tanto, los algoritmos
propuestos no pueden ser transferibles a la práctica. Cómo utilizar los datos CV del mundo real en un entorno de baja tasa de penetración para
mejorar el funcionamiento de señales de tráfico sigue siendo una pregunta abierta.

Con el objetivo de responder a esta pregunta, este trabajo se desarrolla un enfoque innovador que utiliza datos de CV para estimar el volumen
de tráfico en las intersecciones con semáforos, sobre todo en un entorno de baja tasa de penetración. Se ha conocido que los volúmenes de tráfico
son las entradas muy clave para el diseño y la optimización de la operación de señales de tráfico. En los sistemas convencionales de señal,
información de la llegada del vehículo sólo se puede obtener a partir de los detectores en ubicaciones fijas. A diferencia de los datos del detector,
los datos CV proporcionan trayectorias detalladas, aunque a partir de un pequeño porcentaje de vehículos. La comparación se ilustra en la Figura
1. El reto aquí es estimar la información global de llegada en trayectorias CV limitados. (Por ejemplo, el tráfico cerca de 3-12% en la ciudad de
Ann Arbor, MI, son independientes debido al proyecto SPMD).

En este trabajo, el reto anterior, se realizará mediante el aprovechamiento de los datos históricos CV y los patrones repetitivos de llegadas de
vehículos en las intersecciones con semáforos. En el algoritmo propuesto, las llegadas de vehículos en las intersecciones se modelan como un
proceso de Poisson dependiente del tiempo con un factor dependiente del tiempo la caracterización de tipos de llegada. Para la estimación de
volumen, una expectativa de maximización procedimiento (EM) se deriva que puede incorporar diferentes tipos de trayectorias CV. Para evaluar
el desempeño del algoritmo propuesto, se llevaron a cabo dos estudios de casos: el primer estudio de caso utilizado los datos del mundo real CV
recibidos por un RSE en el proyecto SPMD; el segundo caso de estudio utilizó datos de trayectoria del vehículo de los usuarios de un servicio de
navegación en ruta. A lo mejor de nuestro conocimiento, esta investigación es el primer intento de explorar CV o trayectoria GPS datos del
mundo real en un entorno de baja tasa de pen-etration para la estimación del volumen en las intersecciones con semáforos. Nuestro objetivo final
es utilizar los datos de CV para desarrollar un sistema de control de señal libre de detector en el futuro.

El resto del trabajo se organiza como sigue. Sección2 presenta una revisión de los trabajos pertinentes para el control de la señal de tráfico
con el CV, así como la estimación del estado del tráfico en las intersecciones con vehículo sonda. Sección3 introduce brevemente los datos del
proyecto y CV SPMD. Sección4 describe la metodología para calcular llegadas de tráfico. Sección5 presenta los dos estudios de caso que
utilizan datos de trayectoria del vehículo. Conclusiones y futuras investigaciones se discuten en la Sección6.

2. Trabajo pertinente

el control de señales de tráfico con CV ha captado la atención considerable en los últimos años. Muchos estudios existentes se centran en el
desarrollo de control de señal de tráfico en tiempo real con CVs, ya sea a través que se extiende mecanismo de señal de accionamiento o
minimizar retardo vehículo basado en un modelo de tráfico (Agbolosu-AMISON et al., 2008; Milanés et al, 2012.; . He et al, 2012, 2014;
Sotavento et al, 2013b, a.; Guler et al, 2014.; Feng et al, 2015.; Goodall et al., 2016). Sin embargo, la mayoría de los algoritmos de con-trol de
señal adaptativo propuestos requieren altas tasas de penetración de CV, por ejemplo, 25%. Tales altas tasas de penetración pueden no ser
alcanzables en un futuro próximo. Una excepción notable esDía y Bullock (2016) la cual llevó a cabo un estudio de prueba de concepto
utilizando los datos de CV en un entorno de bajos tipos de pluma etration para optimizar la coordinación de la señal. Sin embargo, los datos
utilizados enDía y Bullock (2016) fueron sam-declarado de detectores de vehículos ubicación fija de modo trayectorias de vehículos no se
utilizaron en su estudio. El problema de la estimación del volumen de tráfico de trayectorias de vehículos, lo cual es un insumo fundamental para
el funcionamiento de la señal, tampoco se abordó.

Por otra parte, con el aumento de la disponibilidad de los datos GPS de los teléfonos celulares y las unidades de navegación, los esfuerzos
sustanciales se han llevado a cabo para la estimación del estado del tráfico a partir de datos de la trayectoria del vehículo. Ejemplificado por el
proyecto del siglo móvil (Hoh et al., 2008; Trabajar et al., 2008; Herrera et al., 2010), un gran grupo de estudios existentes utiliza datos GPS para
calcular la velocidad del tráfico y tiempo de viaje (Turner y Holdener, 1995; Chen y Chien, 2001; Larga Cheu et al., 2002; Hellinga y Fu, 2002;
Nanthawichit et al., 2003; Bhaskar et al., 2011; Jenelius y Koutsopoulos, 2013; Zheng y Van Zuylen, 2013).
 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Figura 1. Ilustración de datos de CV frente a los datos del detector.

Recientemente, también se han llevado a cabo varios estudios para estimar la longitud de la cola en tiempo real en las intersecciones con
semáforos. Estos enfoques se pueden agrupar en dos categorías principales, uno basado en un enfoque probabilístico y la otra usando la teoría de
ondas de choque. Comert y su colega derivan expresiones analíticas de la probabilidad condicional de longitud de la cola basándose en la
probabilidad de vehículos sonda de observación en una cola (Comert y Cetin, 2009; Comert, 2013, 2016). Hao et al. propuesto un modelo basado
en la Red de Baye-sian para la estimación de la probabilidad de posiciones del vehículo sonda en las llegadas de vehículos ( Hao et al., 2013,
2014). Otra categoría se centra en la aplicación de la teoría de ondas de choque por Lighthill y Whitham (1955) y Richards (1956) para Cola de
estimación de longitud con datos de trayectoria del vehículo. Ban et al., Propuesto para estimar retenciones de tráfico utilizando los viajes tiempo
de la muestra de sensores móviles (Ban et al., 2009). La metodología se extendió posteriormente para la estimación en tiempo real de la longitud
de la cola deBan et al. (2011) y Hao et al. (2015). Cetin propuso un procedimiento para la estimación de longitud de la cola con las condiciones
de tráfico sobre-saturado mediante la identificación de puntos críticos de la onda de choque de tráfico ( Cetin 2012). Christofa et al. propuesto un
procedimiento para detectar spillback cola utilizando datos de trayectoria con la información de estado de la señal en ambas intersecciones sujeto
y aguas arriba (Christofa et al., 2013). Li et al. propuesto un procedimiento de fusión de datos para la estimación de longitud de la cola, el
aprovechamiento de los datos de ambos vehículos sonda y detectores de bucle (Li et al., 2013). Sun & Ban aplicar la formulación variación del
modelo de flujo de tráficoDaganzo (2005) para la reconstrucción de todas las trayectorias de vehículos basado en los datos del vehículo sonda
(Sun y Ban, 2013). Su idea clave fue obtener información de flujo basado en velocidad de los vehículos sonda, suponiendo que las llegadas entre
dos vehículos de sonda eran uniformes.

En los estudios antes mencionados, el enfoque principal es en la estimación de las medidas de rendimiento en tiempo real en Intersec-ciones
aisladas. Sin embargo, la estimación de los volúmenes de tráfico, que son críticos para fuera de línea optimización de la operación de la señal, sin
embargo, ha sido-IED Stud. Una excepción notable esBan y Gruteser (2010), Que propone un estimador para la estimación del volumen con el
tiempo de viaje muestreado y patrón de retardo estimado a partir Ban et al. (2009). Sin embargo, el algoritmo se basa en la estimación de retardo
de precisa, lo que requiere una relativamente alta tasa de penetración (> 20%) como se informa enBan et al. (2009). Esto, sin embargo, sería
difícil en un futuro próximo. En este trabajo, nuestro objetivo es llenar el hueco para la estimación del volumen de datos utilizando CV con bajas
tasas de penetración. Creemos que la metodología propuesta sería un elemento importante de la utilización de datos de CV o trayectoria del
vehículo para el tráfico de señales re-sincronización, y, finalmente, conseguir un funcionamiento libre de la señal del detector en el futuro.

3. Los datos del proyecto piloto de seguridad Modelo de liberación (SPMD)

En este trabajo, utilizamos trayectoria CV y estado de la señal de datos recogidos en el proyecto SPMD. El proyecto SPMD se con-
canalizado por la Universidad de Michigan Instituto de Investigación de Transporte (UMTRI) para evaluar la aplicabilidad de la tecnología de
operación CV en un entorno concentrado en el mundo real, y también para la cuantificación de los beneficios de las aplicaciones de seguridad
2
CV y aceptación de los usuarios. En el proyecto, desde agosto de 2012, UMTRI ha equipado con unos 2.800 vehículos de comunicación
dedicada de corto alcance (DSRC) y dispositivos de RSE desplegados en 27 lugares, entre ellos 19 intersecciones. Un ejemplo de
implementación de RSE en el proyecto se muestra enFigura 2. Los mensajes de seguridad básicas (BSM) recibidas por las pequeñas empresas
rurales han sido con-continuamente recogido y archivado en la base de datos UMTRI. Datos de ejemplo de proyecto SPMD también están
3
disponibles en el intercambio de datos de investigación.
2 Proyecto SPMD http://safetypilot.umtri.umich.edu/.
3 FHWA Investigación de Intercambio de Datos: www.its-rde.net.
350 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Figura 2. Las implementaciones de RSE en el proyecto SPMD (Fuente: http://safetypilot.umtri.umich.edu/).

BSM datos de RSE

Una muestra de datos de BSM procesados recibidos por un RSE se muestra en la Fig. 3. Sólo un subconjunto de campos de datos se utilizan
en nuestra Inves-tigación, incluyendo ID de dispositivo de un RSE (RxDevice), ID de dispositivo de un CV envío de los BSM (TxDevice), la
posición GPS y la velocidad de su CV, y marca de tiempo cuando el BSM recibida por un RSE.

datos de estado de señal de mensajes SPAT

Los datos transmitidos por los RSE SPAT (fase de la señal y la sincronización) también han sido recogidos en las intersecciones desplegados.
Los datos escupió contienen información de estado de la señal que se puede utilizar como entrada para '' conscientes aplicaciones de señales
CV”, por ejemplo, la luz roja de advertencia de violación o eco-enfoque / asistencia de salida. Aquí, se utilizan solamente una parte de los
campos de datos del SPAT, includ-ción: marca de tiempo cuando se genera un mensaje, ID fase de la señal y el estado de la señal. Una muestra
de datos SPAT se muestra en laFig. 4.

Procesamiento de datos

La información GPS a partir de datos de BSM y de estado de señal se procesan de la siguiente manera. primero seleccionamos un
movimiento interesado, en su fase de señal asociado, y un período de tiempo de interés, por ejemplo, 08 a.m.-09 a.m., para su investigación.
Luego seleccionamos datos GPS asociados con el período de movimiento y el tiempo, basado en la dirección de las trayectorias de CV, y
también preparamos datos de estado de señal correspondientes. Luego, basándose en geometría de la carretera, se calcula la posición longitudinal
CV a lo largo de la carretera de posiciones GPS, y generar las trayectorias de tiempo-espacio. También hacemos un mapa de tiempo GPS en
tiempo de reloj de la señal. Esto se hace mediante la búsqueda del inicio de color verde cuando un CV pasa la barra de parada, y restando el
tiempo de inicio verde de tiempo de trayectoria CV, por lo que tenemos tiempo de reloj señal para la trayectoria CV, es decir, el tiempo de inicio
verde utilizando como cero. Con el tiempo en el reloj de la señal,Abbas et al., 2001;
 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Fig. 3. datos BSM muestra recibida por RSE.

Fig. 4. datos de estado de señal de muestra de los mensajes transmitidos por escupió RSE.

Zheng et al, 2014.; Día y Bullock, 2016). El factor dependiente del tiempo se utiliza entonces con trayectorias CV para estimar el tráfico
volúmenes, cuyos detalles se presentan en la siguiente sección.

4. Metodología

Con el fin de estimar el volumen de tráfico, nuestra idea básica es tomar ventaja de la información de la llegada del vehículo en la trayectoria
del vehículo. La información de la llegada puede ser reflejada por el estado si un vehículo parado o no. Un ejemplo se muestra en Fig. 5. En la
figura, CV1 pasa la intersección con una parada y CV2 sin una parada. Luego, basándose en la posición o depar-tura detener el tiempo de CV1,
podemos calcular el número de vehículos que hacen cola delante de él. Sobre la base de la trayectoria de CV2 sin una parada, sabemos que si
existía la cola del vehículo, la cola no sería lo suficientemente largo para impactar CV2. En otras palabras, el límite superior de posibles llegadas
de vehículos entre CV1 y CV2 se puede calcular sobre la base de la trayectoria de CV2. Mediante la combinación de estos llegada informa-ción
de las trayectorias de los vehículos, el volumen de las llegadas de vehículos en general puede ser estimado.

Las entradas a nuestro algoritmo de estimación incluyen trayectorias vehículo que se aproxima a una intersección, así como estado de la
señal de tráfico. Para una trayectoria CV, la información que se utiliza incluye su hora de llegada proyectada con la velocidad de flujo libre a la
barra de parada tF ;yo , Su tiempo de salida a la barra de parada t re;yo, El tipo de evento que indica si un CV parado o no syoY el subíndice i como
índice del evento. Para cada trayectoria CV, podemos recuperar la siguiente vector X yo, Para la información clave de trajec-torios. Entonces, la
estimación sólo tiene que utilizar la información dentro del vector, en lugar de los datos de trayectoria en bruto.
T
X yo ¼ t F ;yo; tre;yo; syo

Por CV sin una parada, la hora de llegada prevista en la barra de tope es igual a la hora de salida, como: t F ;yo ¼ tre;yo. Para un CV con una
parada, se puede estimar el tiempo proyectado llegada tF ;yo como:

lyo
re1
t ¼t þ Þ
F ;yo s;yo vF
donde Ts;yo es el tiempo cuando la solicitud se detuvo, lyo es la distancia de su posición de parada a la barra de parada, y vF
es el flujo libre
velocidad.
Incorporar información de la señal, también tratamos las señales rojas como tipo de eventos. Aquí, se supone que no existe ninguna cola
residual al inicio de la señal roja. Con este supuesto, sólo se centran en la estimación de las condiciones del tráfico no saturadas, dejando la
estimación con más saturado de las condiciones del tráfico en nuestra investigación futura. Para cada señal de color rojo, también podemos pre-
pare el vector de información trayectoria como:

T
X j ¼ t F ;j; tre;j; sj ; con tF ;j ¼ tr;j; tre;j ¼ tgramo;j
donde Tr;j es el momento de inicio de color rojo para el ciclo j, ytgramo;jpara la puesta en verde. Aquí, sjse establece como 1, lo que indica que este
evento es corre-pondiente a una señal de rojo. Denotando la señal roja como un evento es por la facilidad de procesamiento de datos, de modo
que podamos calcular entre otras periodo arri-val entre las llegadas de CV y la hora de comienzo de las señales rojas fácilmente.
Estos dos vectores son la entrada principal para el proceso de estimación en la siguiente sección.
352 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Fig. 5. Ilustración de información de la llegada del vehículo en las trayectorias.

4.1. Modelado de llegadas de tráfico como un proceso de Poisson dependiente del tiempo

Durante un tiempo seleccionado del período Día (TOD), suponemos que las llegadas de tráfico siguen un proceso de Poisson dependiente del
tiempo con una tasa de llegada de kpagretredoÞÞ. Aquí, tredoÞ indica el tiempo dentro de un ciclo de la señal, el superíndice redoÞ indica que el
tiempo se mide usando un reloj de la señal, k denota la tasa media de llegada, ypretredoÞÞ es el factor dependiente del tiempo proporcional a la
tasa de llegada en tredoÞ, Es decir, la fracción del total de llegadas en t redoÞdurante todo el ciclo de la señal. En la literatura de ingeniería de
tráfico, proceso de Poisson es una opción común para modelar las llegadas de tráfico en las intersecciones. La hipótesis adicional de que las tasas
de llegada son dependientes del tiempo en un ciclo de la señal es dar cuenta de los efectos de la coordinación de la señal. Con la coordinación de
señal, salidas de tráfico en la intersección de aguas arriba se pueden agrupar como pelotones, lo que lleva a las llegadas no homogéneas en la
intersección sujeto. El proceso de Poisson dependiente del tiempo se utiliza para caracterizar las llegadas no homogéneos.

Definición de Nret1; t2Þ como el número acumulativo de las llegadas de tiempo t1 a t2, tenemos:

norteret1; t2Þ t2thth

R t2
PoissonDKDt1; ¼ k pag redoretththdt, tasa de llegada indicando entre t1 y t2, Y también para simplificar las notaciones.
R 2
t1
dónde KDt1; t2Þ ¼ tt kpag re
doretththdt
1

do : t ! tredoÞ, Mapas del tiempo de un día, t, a tiempo en un reloj ciclo de la señal, t redoÞ. k es la tasa media de llegada a través del período de
investigación.

Mediante la agregación de las trayectorias de CV, se puede calcular el factor dependiente del tiempo pretredoÞÞ basado en la siguiente
ecuación:
1 norte

pagretredoÞ n
or
Þ¼ te yoFdoretF ;yoÞ ¼ tredoÞgramo re2Þ
yo¼1

dondeFdoretF ;yo Þ ¼ tredoÞ gramo es un indicador igual a 1 si la hora de llegada prevista es en t redoÞintervalo, y 0 en caso contrario, y N es el
número total de las trayectorias de CV. Para la facilidad de procesamiento de datos, discretizamos tiempo con intervalo de 1 s.
Aquí, la ecuación calcula esencialmente fracción de llegadas CV durante t redo Þintervalo de llegadas totales CV durante un ciclo. Utilizamos
la fracción de llegadas CV como la estimación de la fracción de tráfico, incluyendo tanto CV y no CV. Esencialmente, esto supone que los CV se
distribuyen homogéneamente en las llegadas de ciclo para un movimiento en particular durante el período de investigación. Sin embargo, a
través de diferentes movimientos, permitimos que las tasas de penetración sean diferentes, que se observan en los estudios de casos en las
secciones posteriores.

Teniendo en cuenta el proceso de llegada de Poisson, la función de probabilidad para la observación de todas las trayectorias CV válidos
puede ser formulada por la ventaja tak-ción del tiempo entre llegadas y el correspondiente número de llegadas no CV entre dos trayectorias CV
consecutivos recibidos en RSE. Como se mencionó anteriormente, se consideran dos tipos de trayectorias CV: 1. trayectoria CV con una parada
en una intersección, y 2. trayectoria CV que atraviesa la intersección sin una parada. Entre los tiempos de llegada previstos de dos dejaron de
CV, o entre la hora de llegada prevista de un solo dejaron de CV y el inicio de una señal en rojo, el número de llegadas de CV no se puede
calcular en base a la hora de salida los CV. Si se observa un CV sin una parada, a continuación, se pone en cola en la intersección, si existen, no
son lo suficiente como para afectar a la CV no se detuvo. Así, el número máximo de llegadas vehículo antes de la CV puede ser calculado.
Ilustraciones de los dos tipos de CV se muestran en laFig. 6, Junto con anotaciones para el cálculo más adelante.

Para cada trayectoria CV, podemos calcular la probabilidad de ocurrencia de acuerdo con los siguientes casos:
Caso 1. Si syo ¼ 1; syo 1 ¼ 1 o 1, lo que indica una trayectoria CV con una parada se observa después del inicio de color rojo o después de
la llegada de otro detenido CV, tenemos:

norteretF ;yo 1; tF ;yoÞ ¼ nortey;yo; norteretF ;yo 1; tF ;yoÞ Poisson kPAGy;yo

 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362 353
GRAMO ret
re;i
;t Þ
donde ny;yo 1 re;yo , Que denota el número de salidas durante el período entre la llegada tF ;yo 1; tF ;yo . hs es la cabeza- saturado
hs
j
¼ KretF ;yo 1 ;t
k
F ;yoÞ
t
F ;i 1 ½ y

manera, y Py;yo t
pagre doretththdt, para simplificar las notaciones. GRAMOretre;yo 1; tre;yoÞ es el tiempo verde eficaz desde
F
¼ k ¼ ;yo el tiempo tre;yo 1, a
t y indica que las observaciones son de CV parado. La ilustración también se muestra en laFig. 6a.

re;yo.
el subíndice R
caso 2. Si syo ¼ 2; syo 1 ¼ 1 o 1, lo que indica una trayectoria CV sin una parada se observa después del inicio de color rojo o después de
un CV detenido.
En consecuencia, tenemos:

re ; Þ
norte tF ;yo 1 tF ;yo
;
6 nortez;yo norteretF ;yo 1; tF ;yoÞ Poisson k PAGz;yo
GRAMO Kret ;t
F ;i 1 F ;yo
ret ;t Þ Þ t
re;i 1 re;yo F ;i 1

PAGz;yo
j ¼ R
donde nz;yo ¼ hs k; k ¼ tF ;yo pagre doretththdt. El z subíndice denota que las observaciones son para no detenido
CV. La ilustración también se muestra en laFig. 6segundo.
Además de estos dos casos, también existen otros dos casos de trayectorias: 1. CV dejaron de llegar después de un CV no detenido en el
mismo ciclo, y 2. CV no dejaron de llegar tras otro CV no detenido, también en el mismo ciclo. Para el primer caso, la parada de la CV no sería
causado por colas o señal roja, pero probablemente por otros factores, por ejemplo, central de entrada a bloque de otros vehículos. Para el
segundo caso, después de la llegada de un CV no se detuvo, se sabe que las colas deben haber sido limpiado y el resto del CV en el mismo ciclo
viajarían a una velocidad de flujo libre. La trayectoria por lo tanto, no proporciona información útil para la estimación del volumen. En
consecuencia, ambos casos son considerados como no válidos o observaciones triviales, y no se utilizan en la estimación.
Fig. 6. Ejemplos de dos tipos diferentes de trayectorias cv.
354 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Basándose en la discusión, la probabilidad de observar todas las trayectorias CV válidos se puede calcular con la siguiente ecuación, con Y
como la colección de observaciones para todo se detuvo CV, y Z para todos los CV no se detuvo.
norte kPA P kPA
y; k m
G me
norte A G
norte yo mi y;yo tro z;j G i z;j

re Þ re Þ

D
DKPAGy;yoÞ K z;j
Þ

LreY; ZjkÞ ¼ norte y; yo

!
( k!
) re3Þ
i1
j1 k0

Y YX

¼ ¼ ¼

Ahora, podemos estimar kpara el volumen de tráfico utilizando estimador de máxima verosimilitud (MLE). Sin embargo, debido a la summa-
ción dentro de la operación del producto en la Ec.(3), Es difícil obtener una forma cerrada de la MLE. En lugar de buscar una forma cerrada, se
utiliza el algoritmo de maximización de la esperanza (EM) para la estimación.

4.2. Estimación de parámetros usando expectativa de Maximización (EM)

La expectativa maximización (EM) algoritmo es un procedimiento iterativo para encontrar el MLE todo conveniente cuando existen
variables no observadas u observados parcialmente. El algoritmo EM consiste en dos pasos principales: el E-paso y el M-paso. El E-paso calcula
la esperanza condicional de variables no observadas o parcialmente observadas en base a parámetros inicializados, y la expectativa condicional
de la probabilidad. A continuación, el M-paso buscará una actualización óptima de los parámetros a través de la maximización de la
probabilidad. Las dos etapas son iterados hasta actualizaciones convergen. Para los detalles del algoritmo EM, los lectores interesados se
denominanBilmes (1998). En nuestro caso, las trayectorias de CV con parada proporcionan información directa de número de llegadas, mientras
que las trayectorias sin una parada sólo proporcionan información de los límites superiores del número de llegadas, es decir, la información
parcial. Teniendo en cuenta esto, el algoritmo EM sería una elección adecuada para nuestra estimación.

Para el E-Step, denotando n^z;yo como el verdadero valor de número acumulado de llegadas por el tiempo t z;yo correspondiente a un CV
trajec-toria sin una parada, tenemos el diario de probabilidad para la secuencia de datos completa como:
 Fig. 7. Ilustración de intersecciones investigados.
355
J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

do norte metro

X X

ln
prenortez;yojkPAGz;yo
LL ¼ ln prenortey;yojkPAGy;yoth th Þ
yo¼1 yo¼1

re P norte^z;yo! #
¼ yo 1

A Nueva York; yo ! þ yo 1 "

Þ
norte En k G y;yo
norte
y;yo mi kPAGy;yo metro PAG norte^
z;yo mi kPAGz;yo
re4
X X Þ

¼ ¼

norte
nortey
¼ X
;yo En k þ ln Py;yo kPAGy;yo En nortey;yo!
re5
Þ
yo¼1
metro
X

þ norte^z;yo En k þ ln Pz;yo kPAGz;yo En n^z;yo!

yo¼1

Entonces, la expectativa del diario de probabilidad se puede expresar como:

norte metro

resÞ do resÞ X X ^

Qðkjk Þ ¼ mireLL jk Þ ¼ do þ nortey;yo En kkPAGy;yo þnortez;yo En kkPAGz;yo

yo¼1 yo¼1
Fig. 8. Ilustración de trayectorias CV (A) y el factor dependiente del tiempo (b) para EB través del movimiento.
356 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Vamos a utilizar la media condicional como la estimación de la n no observada^z;yo, Dado nz;yo. Tenemos:
resÞ
norte norte DK
z z;y k
;yo o PAGz;yo Þ

X X l0 l!

^ resÞ ^ ^ resÞ k!

nor
j te
nortez;yo nor KPRrenortez;yo ¼ z;y DK
resÞ
;
tez;yo k ¼ kjnortez;yo 6 nortez;yo; k k o PAGz;yo Þ
l
re6Þ
k0 Þ¼k 0 PAG ¼

¼ ¼

Finalmente, en la M-paso, mediante el establecimiento de la derivada de QðkjkresÞÞ con respecto a k como cero, tenemos una ecuación para
la actualización k,
como:

P
nort
nor A met
nor
¼ e te G ro te^ ðÞ
s1 yo y;yo yo z;yo

norte metro
kð th th ¼1 þ ¼1 7
P
A þ
G ¼ PAG ¼
El ecuaciones. (6), (7) completar la iteración EM para la estimación.

5. Los estudios de casos

Para evaluar el algoritmo de estimación propuesto, se llevaron a cabo dos estudios de caso. El primer estudio de caso utiliza los datos
recibidos por un CV RSE en el proyecto SPMD. El segundo caso estudio utilizó datos del GPS de los usuarios de un servicio de navegación.
Estos dos tipos de datos contienen esencialmente información similar. Sin embargo, la intersección estudiado en el primer estudio fue controlado
por el sistema de señal adaptativo SCOOT, mientras que en el segundo estudio de caso, las intersecciones fueron controlados por señales de
tiempo fijo.

5.1. Estudio de caso 1: Utilizando datos de un CV RSE

En el primer caso de estudio, se analizaron los datos de intersección de Plymouth Rd. & Green Rd., Una de las intersecciones desplegados en
el proyecto SPMD. datos CV utilizados se obtuvieron de 4.25.16 a 5.13.16. Una ilustración de la geometría de intersección se muestra en la Fig.
7, Junto con el diagrama de anillo y de barrera para la señal de tráfico en funcionamiento. Aquí, nuestra investigación se centró sólo en EB a
través, BM a través, así como a través de SB y el tráfico de giro a la izquierda, lo que corresponde a la fase 1, 2 y 4. El enfoque NB es una
carretera de un solo carril adyacente al estacionamiento de un centro comercial plaza. En el enfoque de NB, el tráfico de las calzadas y
aparcamientos afectada con frecuencia los vehículos que viajan en el enfoque NB, dando lugar a colas adicionales y vehículo deja de no causada
por la señal de tráfico. Desde la parada y la información de cola juegan un papel clave en nuestra estimación, se ha excluido el anal-Ysis para el
tráfico NB, teniendo en cuenta los ruidos causados por el tráfico desde el estacionamiento.

Para cada enfoque interesado, trayectorias de CV se procesaron primero como parcelas de tiempo-espacio con el tiempo como el eje
horizontal y la distancia a la barra de tope como el eje vertical. Las trayectorias se muestran en la Fig. 8. Con el sistema de señal adaptativo
SCOOT, en esta intersección, la duración del ciclo, la duración rojo y verde todo variado de ciclo a ciclo. Para seleccionar un punto de referencia
común en un ciclo de la señal, se utiliza el principio de verde como el tiempo 0 en la trama de la simplicidad. La posición de la barra de parada
se utiliza como 0 origen a lo largo del eje y. La distancia aumenta aguas arriba a lo largo del eje y. Es decir, vehículos viajan desde lugares de
distancias positivas a distancias negativas.

Las trayectorias CV fueron agregados de acuerdo con diferentes períodos TOD con intervalos de 1 h a través de diferentes días, para calcular
primero factores dependientes del tiempo pretÞ. Para diferentes períodos TOD, sustancialmente diferente pretÞ se observaron con dos
EXAMEN-ples mostrados en Fig. 8segundo. Las diferencias en pretÞprobablemente debido a diferencias en los dos patrones de tráfico y ajustes
de la señal en los dos periodos diferentes TOD. A continuación, el procedimiento de EM se llevó a cabo para la estimación.
Fig. 9. tasas de penetración de CV más de hora del día.
 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362 357

Fig. 10. Comparación entre el volumen observado con volumen estimado para el caso 1.

Fig. 11. Trayectorias de datos de trayectoria convertidos de los usuarios de navegación.

358 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Con fines de validación, los volúmenes por hora, también se recogieron manualmente durante dos días, es decir, 25/04/16 y 26/04/16 de
11:00 AM a 7:00 PM. Uso de los volúmenes medidos, se calcularon los índices de penetración de CV, mostrado en laFig. 9. En general, las tasas
de penetración variaron de 3% a 12%, variando durante los períodos seleccionados. Las tarifas también variaron sustancialmente en diferentes
enfoques, con menores tasas de penetración de CV en la EB y el enfoque WB, es decir, los principales enfoques, y las tasas más altas en el
enfoque SB, un enfoque de menor importancia. Esta variación podría deberse a que el enfoque SB conecta con las zonas residenciales cerca de la
Universidad de Michigan, que tendrían mayor población de los participantes del proyecto SPMD.

Los volúmenes observados se utilizaron luego para comparar con los volúmenes estimados, con resultados que se muestran en La Fig. 10.
Los tres casos se muestran en tres sub-figuras, respectivamente. En la figura, las barras amarillas muestran el volumen estimado, y las barras
azules muestran los volúmenes observados, tanto en unidades de vehículo por hora por carril (vphpl). los patrones de tráfico sustanciales
diferentes existen en los tres casos. Por ejemplo, el pico más tarde clara existía en ambos casos EB y SB, pero no en el caso del Banco Mundial.
En cuanto a la estimación, los volúmenes estimados son generalmente cerrados a los volúmenes observados para los tres casos. Para más Quan-
tificar la exactitud, se calculó el Porcentaje medio absoluto Error (MAPE) para la estimación en base a la siguiente para-mula, indicados así en la
figura.

MAPE 1 norte jvolo;yo volmi;yoj 8

X
n
or
¼te yo¼1 volo;yo ðÞ
donde Volo;yo es el volumen observado, y Volmi;yo es el volumen estimado, durante el i-ésimo intervalo.

Fig. 12. Las tasas de penetración de los usuarios de la navegación en el tiempo del día.
Fig. 13. Comparación entre el volumen observado con volumen estimado para el caso 2.
 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Los MAPE son 11,2%, 10,1% y 12,3% para los EB, WB y enfoque SB, respectivamente, lo que indica una precisión razonable del
procedimiento propuesto. Entre los 3 enfoques, sin embargo, la estimación para el enfoque SB realiza la peor entre las tres fases, a pesar de las
mayores tasas de penetración CV. Esto es probablemente debido a que los patrones de llegada son más estables a la EB y el BM se acerca con la
coordinación de la señal, que al acercarse SB, es decir, un enfoque de menor importancia. Además, con los volúmenes de tráfico más baja en el
enfoque SB, el número total de las trayectorias de CV observados en el enfoque SB es similar a la del enfoque EB y WB, lo que podría implicar
que el tamaño de la muestra también juegan un papel importante en lugar de la pene tasa -tration solo. Sin embargo,

5.2. Estudio de caso 2: Utilizando datos de un servicio de navegación en ruta

En el segundo estudio de caso, hemos utilizado los datos recogidos de los conductores que utilizan un servicio de navegación en China. Los
datos fueron Col-cionado en días de trabajo durante dos semanas a partir de un arterial señalizada con 5 intersecciones. En primer lugar,
seleccionamos una intersección en el

Fig. 14. Comparación entre la observación y estimación de 30-min Volumen de (sub-Figura a) y el volumen 10-min (sub-Figura b).
360 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

arterial para la estimación del volumen. La estimación del volumen fue validado con datos de detectores de bucle para el enfoque de interés.

En la intersección seleccionado, un conjunto de muestra de las trayectorias GPS entre las interrelaciones secciones aguas arriba y aguas abajo
adyacentes para el a través del movimiento se muestra en la La Fig. 11. El tiempo de cada punto de datos GPS también se convirtió a tiempo
dentro de un ciclo de señal.

Para los fines de validación, se obtuvieron también los datos de volumen para el enfoque seleccionado de detectores de bucle en 12/07/2016.
Con base en los datos del detector, se calcularon las tasas de penetración de los usuarios de la navegación para el movimiento a través de. Los
resultados se muestran en laLa Fig. 12. En general, las tasas de penetración fueron entre 0,5% a 2%. Las tasas de penetración también variaron
sustancialmente a través de diferente hora del día, con las tasas de penetración de pico se producen alrededor de 11 a.m. y 15:00.
Los resultados de la estimación del volumen se muestran en la La Fig. 13. En este caso, no se observó pico pico de la mañana y por la tarde
clara, y los volúmenes de tráfico son bastante similares a lo largo de un día, en el rango entre 200 y 500 vphpl vphpl. En cuanto a la precisión de
la estimación, los volúmenes estimados son generalmente cerca de los volúmenes observados. La MAPE de la estimación es de 9,2% para el
enfoque seleccionado. La tendencia general de estimación es similar a la del Estudio de Caso 1. Sin embargo, los errores de estimación en Caso
de estudio 2 son ligeramente más pequeñas que las de Estudio de Caso 1, a pesar de las tasas de penetración más bajas. Esto es más probable
porque esa señal el tráfico en Caso de estudio 2 estaba en un modo de tiempo fijo, mientras que la señal en Estudio de caso 1 fue controlada por
el sistema de control adaptativo SCOOT. Por lo tanto, los factores dependientes del tiempo o los perfiles cíclicos en Caso de estudio 2 son más
consistentes de ciclo a ciclo,

Además de la estimación del volumen por hora, calculamos aún más el volumen de 30 min y el volumen de 10 min, para probar la perfor-
mance del método propuesto para diferentes intervalos de estimación. Los resultados de las estimaciones se resumen enLa Fig. 14. La figura
superior muestra los resultados para la estimación del volumen de 30 min, y la figura inferior muestra los resultados para la estimación del
volumen de 10 min. Para volúmenes de 30 min, las estimaciones están cerradas a los volúmenes observados con un MAPE de 11,5%, mostrando
precisión Estima-ción razonable para los volúmenes de 30 min. Para volúmenes de 10 min, aunque se puede observar que la tendencia principal
de volúmenes estimados sigue la observación, con un MAPE de 18,7%. Sin embargo, el rendimiento de la estimación es menos consistente con
los mayores errores de estimación de alrededor de 40% a 50%. (Tenga en cuenta que, la estimación en 14:00 produce un error de más de 100%.
Sin embargo, esto probablemente es causada por el volumen anormalmente bajo detector debido a un error detector.) En general, la
inconsistencia sería probablemente debido al bajo número de trayectorias de CV dentro del 10 min ventanas para la entrada de estimación.

Para ilustrar el uso de los datos estimados de volumen para ayudar a la operación de la señal, se estima la hora-volumen para otros cuatro
intersecciones a lo largo de la carretera interesado y generó un diagrama espacio-tiempo (TS-Diagrama) basándose en los vol-UMES estimados
y el tiempo factores dependientes. El diagrama TS es una herramienta conveniente y popular para los ingenieros de tráfico para evaluar per-
formance de la coordinación de la señal, y para afinar los ajustes de señal si es necesario. El procedimiento para construir TS-Diagrama se basa
enZheng et al. (2015), Y el resultado se muestra en la La Fig. 15 para el corredor seleccionado con los 5 intersecciones para el período de tiempo
08 a.m.-09 a.m..

De La Fig. 15, Se puede observar que, en general, las señales se coordinaron bien con el tráfico que viaja en la velocidad de flujo libre para la
mayor parte del tiempo. Sin embargo, para Int. 1 y Int. 3 de la carretera seleccionado, retraso vehículo existen y potencialmente podría reducirse
mediante el ajuste de las compensaciones a estos dos intersecciones, indicando oportunidades de mejora.
Fig. 15. diagrama de tiempo-espacio para el segmento de la prueba.
 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

6. Conclusiones y futuras investigaciones

Con el rápido desarrollo de la tecnología de CV, cambio de paradigma puede ser llevado a los sistemas de señales de tráfico. Los datos de
CV proporcionan valiosas oportunidades para reducir o incluso eliminar la necesidad de detectores de tráfico convencionales. En un futuro
próximo con bajas tasas de penetración, los datos de CVs podría ser particularmente útil para generar medida de rendimiento fuera de línea para
sistemas de señales de tráfico y ajustar el funcionamiento de la señal periódicamente, por ejemplo, dos semanas o un mes. Este potencial es
especialmente ben-eficial para mejorar el funcionamiento de la señal de tiempo fijo.

En el presente trabajo, hemos desarrollado un método para estimar el volumen de tráfico de datos utilizando trayectorias de CV o datos de las
trayectorias de los dispositivos de navegación. Para las señales de tránsito, los volúmenes de tráfico son los insumos clave para señalar la
optimización, así como a muchas otras prácticas de ingeniería de tráfico. Teniendo en cuenta que las implementaciones de CV se encuentran
todavía en sus primeras etapas, el enfoque del enfoque propuesto es dar cabida a bajas tasas de penetración de CV, por ejemplo, por debajo del
10% en la ciudad de Ann Arbor, MI. En el enfoque propuesto, modelamos las llegadas de tráfico como un proceso de Poisson dependiente del
tiempo y derivado de un procedimiento para la EM Estima-ción. Con base en el proceso de Poisson dependiente del tiempo, el método puede
acomodar intersecciones coordinadas, así como intersecciones iso-lated, para la estimación del volumen de tráfico. Hemos probado el
procedimiento de estimación con dos estudios de caso que utilizan datos de CV en el mundo real a partir de los datos del proyecto y la
trayectoria del vehículo SPMD de los usuarios de servicios de navegación, respectivamente. Comparando con los datos de volumen recogidos
manualmente y los datos de detectores de bucle, se encontró una exactitud razonable de las estimaciones, con MAPE en el rango de 9-12%, por
volumen de intervalos en los 30 min y 1 h, y MAPE de 19% para el volumen de intervalo de 10 min. Creemos que la metodología propuesta
sería un elemento importante de la utilización de datos de CV para ajustar las señales de tráfico o re-sincronización. para el volumen de
intervalos en 30 min y 1 h, y MAPE de 19% para el volumen de intervalo de 10 min. Creemos que la metodología propuesta sería un elemento
importante de la utilización de datos de CV para ajustar las señales de tráfico o re-sincronización. para el volumen de intervalos en 30 min y 1 h,
y MAPE de 19% para el volumen de intervalo de 10 min. Creemos que la metodología propuesta sería un elemento importante de la utilización
de datos de CV para ajustar las señales de tráfico o re-sincronización.

Esta investigación no es sino el primer paso de la exploración de los datos de las trayectorias de los dispositivos de CV o de navegación para
ayudar a la operación de señales de tráfico, y puede extenderse en varias direcciones. Una de las direcciones es mejorar el algoritmo para la
estimación de volumen con intervalos cortos, por ejemplo, la estimación de ciclo a ciclo, a través de la fusión de datos de ambos datos históricos
y los datos en tiempo real. Tal estimación del volumen en tiempo real es crítica para el control adaptativo de la señal, y será uno de los ejes de
nuestro trabajo futuro. En addi-ción, la estimación propuesta es sensible al tráfico interrumpido de los estacionamientos adyacentes o caminos de
entrada que introducen ruidos sig-sig- a las trayectorias de los vehículos. Por lo tanto, el algoritmo propuesto es sobre todo conveniente para la
estimación en las intersecciones con semáforos donde no existe una fuente / sumidero cerca de la barra de parada. También, debido a la
suposición de que no existe ninguna cola residual en el arranque de ciclos de la señal, el enfoque propuesto no es adecuado para la estimación de
las condiciones de tráfico sobre-saturadas. Tenemos la intención de hacer frente a estas limitaciones en nuestro trabajo futuro. Por último,
mientras que el enfoque actual está en la estimación de la llegada del tráfico infor-mación, el desarrollo de enfoques sistemáticos para la señal de
tráfico de re-sincronización, con respecto a las compensaciones, escisiones verdes, y el ciclo de longitudes, así como los horarios de tiempo de
días, será otro foco de nuestra trabajo futuro.

Reconocimiento

Parte de los fondos para esta investigación fue proporcionado por el Departamento de Energía bajo el Premio número DE-EE0007212. Las
opiniones expresadas en este documento son las de los autores.

referencias

Abbas, M., Bullock, D., Jefe, L., 2001. En tiempo real compensados transición algoritmo para la coordinación de las señales de tráfico. Transporte. Res. Rec .: J. Transporte. Res.
Tablero (1748), 26-39.

Agbolosu-AMISON, SJ, Parque, B., Centro, M.-AUT, la evaluación de 2008. La rentabilidad de estructuras dinámicas brecha de salida utilizando el método de optimización
estocástica y el software de simulación en el bucle. Informe técnico, Mid-Atlantic Universidades Centro de Transporte.
Ban, X., Gruteser, M., 2010. sensores móviles como sondas de tráfico: hacer frente a la modelización de transporte y protección de la privacidad en un marco integrado. En:
Tráfico y Estudios de Transporte 2010, pp. 750-767.
Ban, X., arenques, R., Hao, P., Bayen, A., 2009. retardo de estimación de patrón para las intersecciones señalizadas utilizando muestras de los tiempos de viaje. Transporte. Res.
Rec .: J.
Transporte. Res. Junta (2130), 109-119.
Ban, XJ, Hao, P., Sun, Z., 2011. tiempo real estimación de longitud de la cola de las intersecciones señalizadas utilizando los tiempos de viaje de los sensores móviles. Transporte.
Res. Parte C:
Technol emergente. 19 (6), 1133-1156.
Bhaskar, los datos A., Chung, E., Dumont, A.-G., detector de bucle de 2011. La fusión y del vehículo sonda para estimar las estadísticas de tiempo de viaje en las redes urbanas
señalizadas.
Comput.-Aid. Infrastruct civil. Ing. 26 (6), 433-450.
Bilmes, JA et al, 1998. Un tutorial suave del algoritmo EM y su aplicación a la estimación de parámetros para mezcla gaussiana y modelos ocultos de Markov.
En t. Comput. Sci. Inst. 4 (510), 126.
Cetin, M., 2012. Estimación de la dinámica de cola en intersecciones señalizadas de datos del vehículo sonda: metodología basada en modelo de onda cinemática. Transporte.
Res. Rec .: J. Transporte. Res. Junta (2315), 164-172.
Chen, M., Chien, S., 2001. autopista predicción tiempo de viaje dinámico con los datos del vehículo sonda: enlace en base frente basada camino. Transporte. Res. Rec .: J.
Transporte.
Res. Junta (1768), 157-161.
Christofa, E., Argote, J., Skabardonis, A., 2013. cola Arterial spillback detección y la señal de control basada en la tecnología de vehículos conectado. Transporte. Res.
Rec .: J. Transporte. Res. Junta (2356), 61-70.
Comert, G., 2013. Los modelos analíticos simple para estimar las longitudes de cola de los vehículos sonda en señales de tráfico. Transporte. Res. Parte B: Methodol. 55, 59- 74.

Comert, G., 2016. Longitud de la cola de estimación de los vehículos sonda en las intersecciones aislados: estimadores de los parámetros primarios. EUR. J. Oper. Res. 252 (2),
502- 521.

Comert, G., Cetin, M., 2009. Longitud de la cola de estimación de la ubicación del equipo de sonda y los impactos de tamaño de la muestra. EUR. J. Oper. Res. 197 (1), 196-202 .
Daganzo, CF, 2005. Una formulación variacional de las ondas cinemáticas: teoría básica y las condiciones de contorno complejas. Transporte. Res. Parte B: Methodol. 39 (2),
187-196.
Día, CM, Bullock, DM, 2016. Las oportunidades para la optimización de desplazamiento de señal libre de detector con penetración en el mercado de vehículos conectados
limitado: una prueba-de-estudio de concepto. Transporte. Res. Rec.
362 J. Zheng, HX Liu / Transportation Research Parte C 79 (2017) 347-362

Feng, Y., Head, KL, Khoshmagham, S., Zamanipour, M., 2015. Un control de señal de adaptación en tiempo real en un entorno de vehículo conectado. Transporte. Res. Parte C:
Technol emergente. 55, 460-473.
Gay, K., KNISS, V., 2015. Seguridad lecciones de despliegue modelo piloto aprendidas y recomendaciones para el futuro conectados actividades de vehículos. Informe técnico,
USDOT FHWA-JPO-16-363.
Goodall, NJ, Smith, BL, Park, B., 2016. estimación microscópica de posiciones del vehículo autopista desde el comportamiento de los vehículos conectados. J. Intell. Transporte.
Syst.
20 (1), 45-54.
Guler, SI, Menéndez, M., Meier, L., 2014. Utilizando la tecnología de vehículo conectado a mejorar la eficiencia de las intersecciones. Transporte. Res. Parte C: Emerging
Technol. 46, 121-131.
Hao, P., Ban, X., whon Yu, J., 2015. cinemática método de estimación de localización cola de vehículos basada en ecuación para intersecciones señalizadas usando sensor móvil
datos. J. Intell. Transporte. Syst. 19 (3), 256-272.
Hao, P., Ban, XJ, Guo, D., Ji, P., 2014. intersección longitud de la cola de estimación de la distribución del ciclo a ciclo usando los tiempos de recorrido de la muestra. Transporte.
Res. Parte B:
Methodol. 68, 185-204.
Hao, P., Sun, Z., Ban, XJ, Guo, D., Ji, P., 2013. estimación índice de Vehículo para las intersecciones señalizadas utilizando los tiempos de recorrido de la muestra. Transporte.
Res. Parte C: Emerging Technol. 36, 513-529.
Él, P., Jefe, KL, Ding, J., 2012. Pamscod: arterial basada en Platoon control de señal multi-modal con datos en línea. Transporte. Res. Parte C: Technol emergentes. 20
(1), 164-184.
Él, P., Jefe, KL, Ding, J., control de semáforos 2014. multi-modal con prioridad, el accionamiento de la señal y la coordinación. Transporte. Res. Parte C: Technol emergentes.
46, 65-82.
Hellinga, BR, Fu, L., 2002. La reducción de sesgo en las estimaciones de tiempo de viaje de enlace arterial basada en sondeos. Transporte. Res. Parte C: Technol emergentes. 10
(4), 257-273.
Herrera, JC, Trabajo, DB, arenques, R., Ban, XJ, Jacobson, P., Bayen, AM, 2010. Evaluación de los datos de tráfico obtenidos a través de los teléfonos móviles habilitados con
GPS: el móvil
experimento de campo del siglo. Transporte. Res. Parte C: Technol emergentes. 18 (4), 568-583.
Hoh, B., Gruteser, M., Herring, R., Ban, J., Work, D., Herrera, J.-C., Bayen, AM, Annavaram, M., Jacobson, Q., 2008. Virtual líneas de disparo de la vida privada el distribuido la
preservación de la vigilancia del tráfico. En: Actas de la 6ª Conferencia Internacional sobre Sistemas móviles, aplicaciones y servicios. ACM, pp. 15-28.
Jenelius, E., Koutsopoulos, HN, 2013. Viaje estimación de tiempo de la red de carreteras urbanas utilizando los datos del vehículo sonda de baja frecuencia. Transporte. Res. Parte
B:
Methodol. 53, 64-81.
Lee, J., Park, B., Yun, I., 2013a. algoritmo de control de intersecciones sensibles en tiempo real acumulada-tiempo de viaje en el entorno del vehículo conectado. J.
Transporte. Ing. 139 (10), 1020-1029.
Lee, J., Park, BB, Malakorn, K., Así, JJ, 2013b. Las evaluaciones de sostenibilidad de control de intersecciones vehículo cooperativa en un corredor urbano. Transporte. Res.
Parte C: Technol emergentes. 32, 193-206.
Li, J.-Q., Zhou, K., Shladover, S., Skabardonis, A., 2013. La estimación de longitud de la cola bajo la tecnología de vehículos conectados: el uso de vehículo sonda, detector de
bucle, y
datos fusionados. Transporte. Res. Rec .: J. Transporte. Res. Junta (2356), 17-22.
Lighthill, MJ, Whitham, GB, 1955. En la onda cinemática. ii. Una teoría del flujo de tráfico en las carreteras atestadas de largo. Actas de la Royal Society de Londres A:
Matemáticas, Física y Ciencias de la Ingeniería, vol. 229. The Royal Society, pp. 317-345.
Larga Cheu, R., Xie, C., Lee, D.-H., 2002. Sonda población vehículo y tamaño de la muestra para la estimación de la velocidad arterial. Comput.-Aid. Infrastruct civil. Ing. 17 (1),
53- 60.

Masters, J., 2016. Haciendo las conexiones adecuadas. SU Int., 9-11

McCracken, J., 1996. 93 Proyecto de demostración de decisiones al máximo la tecnología de hoy en día. Caminos Públicos 59 (3).
Milanés, V., Villagra, J., Godoy, J., Simó, J., Pérez, J., Onieva, E., 2012. Un sistema de gestión de tráfico basado en v2i inteligente. IEEE Trans. Intell. Transporte. Syst. 13
(1), 49-58.
Nanthawichit, C., Nakatsuji, T., Suzuki, H., 2003. La aplicación de datos de sonda de vehículo para la estimación de estado del tráfico en tiempo real y de corto plazo de tiempo
de viaje la predicción en una autopista. Transporte. Res. Rec .: J. Transporte. Res. Junta (1855), 49-59.
NTOC, 2012. 2012 el tráfico nacional de tarjeta de informe de la señal.
Richards, PI, 1956. Las ondas de choque en la carretera. Oper. Res. 4 (1), 42-51.
Sun, Z., Ban, XJ, 2013. Vehículo de reconstrucción de trayectoria para las intersecciones señalizadas utilizando sensores de tráfico móviles. Transporte. Res. Parte C: Technol
emergentes.
36, 268-283.
Sunkari, S., 2004. Los beneficios de resincronizar las señales de tráfico. Inst. Transporte. Ing. ITE J. 74 (4), 26.
Turner, SM, Holdener, DJ, 1995. Los tamaños de las muestras de la sonda vehículo para obtener información en tiempo real: la experiencia de Houston. En: navegación e
información del vehículo Conferencia Systems, 1995. Proceedings. En conjunto con la Conferencia TransTech cuenca del Pacífico. 6º Internacional VNIS.'A paseo en el
futuro'. IEEE, pp. 3-10.

Trabajo, DB, Tossavainen, O.-P., Blandin, S., Bayen, AM, Iwuchukwu, T., Tracton, K., 2008. Un enfoque de filtrado de Kalman conjunto de tráfico de la carretera de estimación
utilizando GPS habilitado dispositivos móviles. En: 47ª Conferencia IEEE sobre Decisión y Control, 2008 (CDC 2008). IEEE, pp. 5062-5068.
Zheng, F., Van Zuylen, H., 2013. estimación de tiempo de viaje enlace urbana basada en los datos del vehículo sonda dispersos. Transporte. Res. Parte C: Technol emergentes. 31,
145-157. Zheng, J., Liu, H., Misgen, S., 2015. Fine de ajuste de tiempo de días transiciones para las señales de tráfico arterial. Transporte. Res. Rec .: J. Transporte. Res. Junta
(2488), 32-40. Zheng, J., Liu, H., Misgen, S., Schwartz, K., Green, B., Anderson, M., 2014. El uso de los datos de tráfico basados en eventos en la generación de diagramas de
tiempo-espacio para la evaluación de
la coordinación de la señal. Transporte. Res. Rec .: J. Transporte. Res. Junta (2439), 94-104.