Journal of Control
مجله کنترل
JoC
Engineering & Technology
http://joc.kntu.ac.ir
1
admin
2008-8345
2538-3752
10.52547/joc
fa
jalali
1389
3
1
gregorian
2010
6
1
4
1
online
1
fulltext
fa
تخمین زن تطبیقی حالات ترافیک با استفاده از ایده ترکیب تخمین پارامترهای مدل ترافیک
Adaptive Freeway Traffic State Estimator based on Fusion of the Model Parameters Estimates
تخصصي
Special
پژوهشي
Research paper
در این مقاله نتایج شبیه سازی تخمین زن غیرخطی حالات ترافیک با اندازه گیری های ترافیکی بیان شده اند. رویکرد عمومی برای تخمین تطبیقی و زمان حقیقی حالات ترافیک بزرگراه بر مبنای مدل ماکروسکوپیک غیرخطی ترافیک و فیلترکالمن تعمیم یافته می باشد. مدل ماکروسکوپیک ترافیک دارای سه پارامتر مهم، نامعلوم و متغیر: سرعت آزاد، چگالی بحرانی و توان می باشد که این پارامترها را باید با روش های برون خط و یا برخط تعیین کرد. یکی از زمینه های جدید در تخمین حالات ترافیک، تخمین برخط متغیرهای ترافیک (جریان ترافیک، سرعت متوسط و چگالی ترافیک) و پارامترهای مهم مدل ترافیک می باشد که از مزایای مهم این روش نسبت به تخمین برون خط پارامترهای مدل می توان به: عدم نیاز به پردازش خارج خط برای تعیین این پارامترها، تطبیق اتوماتیک و برخط مدل با تغییر در شرایط محیطی و ... اشاره کرد. در این مقاله نیز رویکرد تخمین برخط متغیرهای ترافیک به همراه پارامترهای مدل اتخاذشده است و بعضی از نقاط ضعف در روش های قبل با شبیه سازی ها نشان داده شده اند و در ادامه دو روش مبتنی بر فیلترینگ مجزا و ترکیب تخمین پارامترهای مدل ترافیک، برای بهبود عملکرد روش های پیشین ارائه شده اند و با تست این روش ها با کمک اطلاعات حقیقی ترافیکی، مزایای روش های پیشنهادی بیان شده اند.
This paper presents real-data testing results of a real-time freeway traffic state estimator. The general approach to real-time adaptive of freeway traffic state estimation is based on nonlinear macroscopic traffic flow modeling and extended Kalman fliter algorithm. Macroscopic traffic flow model contains three important and unknown parameters (free speed, critical density and exponenet), which should be estimated with off-line or on-line methods. One innovative aspects of the estimator is the real-time joint estimation of traffic flow variables (traffic flow, mean speed and traffic density) and model parameters, that leads to some significant features such as: avoidance of prior model calibration, automatic adaption to changing external conditions (e.g. weather conditions, traffic composition,…). The purpose of the reported real-data testing is, first, to demonstrate some obstacles in previous methods, second, to propose two methods based on dual filtering and fosion of the model parameter estimates for improving the previous methods.
تخمین حالات ترافیک, مدل ماکروسکوپیک جریان ترافیک, کالمن فیلتر تعمیم یافته, فیلتر تطبیقی, ترکیب تخمین.
Traffic State Estimation, Macroscopic Traffic Flow Model, Extended Kalman Filter, Adaptive Filter, Estimation Fusion.
33
42
http://joc.kntu.ac.ir/browse.php?a_code=A-10-73-2&slc_lang=fa&sid=1
Ehsan
Jafari
احسان
جعفری
ehsanjafari@ut.ac.ir
1003194753284600421
1003194753284600421
Yes
دانشکده مهندسی برقوکامپیوتر، دانشگاه تهران
Behzad
Moshiri
بهزاد
مشیری
moshiri@ut.ac.ir
1003194753284600422
1003194753284600422
No
دانشکده مهندسی برقوکامپیوتر، دانشگاه تهران
karim
Salahshoor
کریم
سلحشور
salahshoor@put.ac.ir
1003194753284600423
1003194753284600423
No
دانشکده نفت تهران، دانشگاه صنعت نفت
Amin
Ramezani
امین
رمضانی
aminramezani@ut.ac.ir
1003194753284600424
1003194753284600424
No
دانشکده مهندسی برقوکامپیوتر، دانشگاه تهران