شناسايي پديده هيستريس مبتني بر مدل نامتقارن رفتاري راننده (قبل و بعد از آشفتگي جريان ترافيك)

Identifying Traffic Hysteresis Based on Driver Asymmetric Behavior Model: Before and After Traffic Oscillation

شناسايي ترافيك حركت – توقف در آزادراه ها كه منجر به آشفتگي جريان ترافيك مي شود تاكنون نه تنها به دليل كمبود داده هاي عبوري وسايل نقليه و ناكافي بودن سنسورهاي جمع كننده داده ها مبهم مي باشد بلكه همچنين درك ناچيزي به منظور اعتبارسنجي آشفتگي ها در مدل هاي جريان ترافيك وجود دارد كه معمولاً نتيجه اي از روابط رياضي نسبت به رفتار رانندگان مي باشد. در اين مقاله به منظور آناليز ترافيك حركت – توقف مدل تعقيب خودرويي مبتني بر داده هاي عبوري تجربي NGSIM ارائه مي گردد كه نه تنها قابليت ايجاد نمودن انتشار واقعي و تشكيل بالقوه امواج حركت – توقف را در ازدحام ترافيكي دارد، بلكه همچنين مبتني بر مدل نامتقارن رفتاري، مي توان پديده هيسترسيس ترافيكي را آناليز نمود كه در آشفتگي ترافيكي از ديدگاه رفتاري راننده پديدار مي گردد. آناليز آماري پارامترهاي مدل نامتقارن رفتاري آشكار مي نمايد كه همبستگي قابل توجهي بين رفتار راننده قبل، بعد و در زمان آشفتگي وجود دارد كه در صورت آناليز آشفتگي در سطح جزئي نگر، اين همبستگي بايد در نظر گرفته شود و همچنين نتايج آناليز پديده هيسترسيس مبتني بر مدل نامتقارن رفتاري نشان مي دهد كه پيدايش و نوع الگوي پديده هيسترسيس ارتباط نزديكي با رفتار راننده در موقعيت حركت راننده در آشفتگي ترافيكي دارد به عبارت ديگر، در زماني كه راننده با آشفتگي هاي ترافيكي مواجه مي شوند و در زماني كه موج كاهش شتاب آغاز مي شود، پديده هيسترسيس ترافيكي به گروه بندي و الگوهاي رفتاري راننده و سناريو پاسخ هاي رفتاري راننده در دوره تشكيل آشفتگي ترافيكي مرتبط مي گردد.

Identifying Stop and go traffic results in traffic oscillation on freeway. because of scarce vehicle trajectories data and aggregated sensor data not only identifying stop and go traffic still limits but also our understanding of this type of the oscillations in congested traffic is still limited. In this paper، analyzing stop and go traffic based on trajectory data of NGSIM presents car following model that not only is able to reproduce the spontaneous formation and ensuing propagation of stop and-go waves in congested traffic، but also based on a behavioral car following model studies microscopic traffic hysteresis from a behavioral perspective. The statistical analysis of the model’s parameters reveals that there is a strong correlation between driver behaviors before and during the oscillation، and that this correlation should not be ignored if one is interested in microscopic output. Also، statistical results of traffic hysteresis based on driver asymmetric behavior reveals that generation and type of traffic hysteresis patterns depending on driver behavior of position along the oscillation. In other word، when driver meets traffic oscillation and deceleration wave starts، traffic hysteresis depends on driver behavioral of patterns and group and scenarios inside the different stages of an oscillation generation.