مدلسازي تعقيب خودرو با استفاده از روش رگرسيون اسپيلاين تطبيقي چندگانه در حوزه بزرگراهي

Car Following Modeling Based on MultiVariate Adaptive Regression Spline, Study Area: A Highway Zone

اخيراً  استفاده ازابزار شبيه سازي جريان ترافيك به عنوان يكي ازروش هاي كارآمد مديريت ترافيك، كنترل ترافيك، تصميم گيري و انتخاب راهبرد بهينه، روز به روز در حال افزايش مي باشد. اين در حالي است كه تمامي مدل‌هاي شبيه‌سازي ترافيكي ميكروسكوپي1 نيازمند يك مدل تعقيب خودرو مناسب اند تا بتوانند شرايط واقعي را به بهترين صورت ممكن نمايش دهند. تاكنون مدل‌هاي تعقيب خودرو بسيار زيادي مطرح شده‌اند. تمامي مدلهاي سنتي كه تاكنون ارائه شده‌اند به علت ماهيت چند‌تخصصي2 در حوزه مطالعه داراي پارامترهاي بسيار زيادي هستند،  به‌گونه‌اي كه كاليبره نمودن اين پارامترها بسيار دشوار است و هرگونه تغيير در اين پارامترها حتي اگر بسيار كم باشد، در خروجي مدل اختلالات شديدي ايجاد مي‌كند. در اين تحقيق، براي اولين بار، با استفاده ازروش رگرسيون اسپيلاين تطبيقي چندگانه3يك مدل تعقيب خودرو با خطاي ميانگين مربعات4 به مقدار  004/0و ضريب همبستگي5 (بين داده هاي مدلسازي شده و داده هاي واقعي) به مقدار 98/0 ارائه شده است. از ويژگي‌هاي مدل پيشنهادي، توانايي تعيين بهترين تابع برازش داده‌هاي آموزشي با حجم بسيار بالا و بدون نياز به عمليات كاليبراسيون است. خروجي اين مدل، تغييرات شتاب خودروي پيرو است. براي ارزيابي عملكرد مدل پيشنهادي، خروجي آن با خروجي مدل‌هاي سنتي مطرح شامل مدل‌هايHelly،GHR  و Gipps مقايسه شد كه نتايج حاصل از شبيه سازي ميكروسكوپي صورت گرفته نشان نشانگر دقت مطلوب مدل پيشنهاد شده در اين تحقيق، نسبت به اين مدل‌ها است.

Recently, utilizing the traffic simulation models have been known as an efficient traffic control and management tool.  However, all traffic microsimulation models require a carfollowing model so that the simulations would be performed based on it. Many carfollowing methods have been proposed yet, but all these methods have several number of parameters to calibrate, in a way a little variation over them creates considerable disturbance. In this paper a new car following model was proposed using the Multivariate Adaptive Regression Spline (MARS) method that do not need any calibration stage. The proposed model inputs are leading vehicle velocity, relative velocity of leading and following vehicles and spacing between them and the output is the acceleration of the following car. As a result of this paper, a car following model with the Mean Squared Error (MSE) equal to 0.004 and the correlation coefficient (R) equal to 0.98 was achieved using the function estimation method through the MARS method. Finally, the MARS output was compared with the results achieved by the Helly linear model, the GHR model and the Gipps model. Based on micro simulation experiment it was shown that the proposed method was more accurate than those models.