Traffic State Estimation with Multi-Agent Simulations

dc.contributor.advisorNagel, Kaien
dc.contributor.authorFlötteröd, Gunnaren
dc.contributor.grantorTechnische Universität Berlin, Fakultät V - Verkehrs- und Maschinensystemeen
dc.date.accepted2008-04-23
dc.date.accessioned2015-11-20T15:23:23Z
dc.date.available2008-09-09T12:00:00Z
dc.date.issued2008-09-09
dc.date.submitted2008-09-09
dc.description.abstractDie vorliegende Dissertation beschreibt ein neuartiges Verfahren zur gänzlich disaggregierten Nachführung des Mobilitätsverhaltens von Autofahrern auf Grundlage aggregierter Messungen von Verkehrsflüssen, -dichten oder -geschwindigkeiten, welche durch eine begrenzte Anzahl von Sensoren im Netzwerk aufgenommen werden. Das Problem wird mittels eines bayesschen Ansatzes gelöst, wobei das gegebene a priori Wissen über die Auswahlverteilung der Verhaltensalternativen eines jeden Individuums mit der Likelihood-Funktion der verfügbaren Messungen in eine geschätzte a posteriori Verhaltensverteilung kombiniert wird. Der Ansatz ist insofern simulationsbasiert, als daß (i) allein ein Simulationssystem zur Repräsentation der a priori Verhaltensannahmen benötigt wird und (ii) das Verfahren ausschließlich Ziehungen aus der a posteriori Verhaltensverteilung generiert. Das Verfahren behandelt den Simulator des a priori Verhaltens soweit wie möglich als eine Black Box. Die nachführbaren Verhaltensdimensionen reichen von einfacher Routenwahl bis hin zur Auswahl von Plänen für einen ganzen Tag. Eine gleichgewichtsbasierte Modellierungsannahme ist ebenso zulässig wie ein Telematikmodell unvollständig informierter Fahrer. Die Verwendung aggregierter Sensordaten zur disaggregierten Verhaltensschätzung wird durch eine kombinierte mikroskopische/makroskopische Mobilitätssimulation ermöglicht, welche individuelle Fahrzeuge auf Grundlage eines makroskopischen Modells der Verkehrsflussdynamik bewegt. Das Modell erlaubt eine lineare Vorhersage des Effektes von individuellem Verhalten auf den aggregierten Verkehrszustand und ermöglicht auf diese Weise eine lineare Approximation der logarithmierten Likelihood-Funktion der Sensordaten in Abhängigkeit von dem Verhalten der Fahrerpopulation. Diese Linearisierung wird von zwei operativen bayesschen Schätzern genutzt. Der accept/reject estimator macht keine weitergehenden Annahmen über die a priori Verhaltensverteilung. Er zieht eine Anzahl von Realisierungen aus dieser Verteilung und behält nur eine Teilmenge dieser Ziehungen bei. Diese Teilmenge wird unter Berücksichtigung der Likelihood-Funktion der Messungen derartig ausgewählt, daß sie näherungsweise äquivalent zu einer Stichprobe aus der a posteriori Verhaltensverteilung ist. Der utility-modification estimator addiert einen Korrekturterm zu der Nutzenfunktion einer jeden Verhaltensalternative, die ein simulierter Reisender vor einer Entscheidung auswertet. Diese Korrektur ist ebenfalls durch die Likelihood-Funktion der Messungen bestimmt. Für eine bestimmte Form der a priori Verhaltensverteilung ist das resultierende Verhalten näherungsweise äquivalent zu einer Ziehung aus der a posteriori Verhaltensverteilung. Für die experimentellen Untersuchungen dient ein erweitertes cell-transmission model als Mobilitätssimulation und ein randomisierter Kurzwegalgorithmus als Platzhalter für eine vollständige Verhaltenssimulation. Die Experimente werden unter synthetischen Bedingungen durchgeführt, wobei die Sensordaten durch eine externe Modellinstanz erzeugt werden. Der Testfall umfasst ein Netzwerk von 2459 Kanten und eine mikroskopische Population von 206353 Fahrern. Die experimentellen Ergebnisse zeigen, daß das implementierte Verfahren die folgenden Eigenschaften aufweist: (i) Es nutzt in effizienter Weise eine begrenzte Menge verfügbarer Verkehrszählungen, um das individuelle Routenwahlverhalten in der Population derartig nachzuführen, daß eine deutlich realistischere globale Verkehrslage resultiert. (ii) Es ist sowohl auf ein gleichgewichtsbasiertes Simulationssystem als auch auf einen Simulator ohne Gleichgewichtsannahme anwendbar. (iii) Wenngleich der verfügbare Testfall etwas zu groß ist, um in Echtzeit nachgeführt zu werden, sind in dieser Hinsicht realisierbare Szenarien nicht um Größenordnungen kleiner.de
dc.description.abstractThis dissertation describes a novel method for the fully disaggregate estimation of motorist behavior from aggregate measurements of flows, densities or velocities that are obtained at a limited set of network locations. The problem is solved in a Bayesian setting, where the prior assumption about an individual's choice distribution is combined with the available measurements' likelihood into an estimated posterior choice distribution. The approach is simulation-based in that it (i) only requires a simulation system to represent the behavioral prior distribution and (ii) only generates realizations from the behavioral posterior distribution. The estimator treats the behavioral simulation system as a black box to the greatest possible extent. The possibly estimated behavioral aspects range from single route choice to the selection of full-day plans, and an equilibrium-based modeling assumption is just as feasible as a telematics model of imperfectly informed drivers. The incorporation of aggregate sensor data into this behaviorally disaggregate estimation procedure is enabled by a mixed micro/macro mobility simulation that moves individual drivers through a macroscopic model of traffic flow dynamics. This model allows to linearly predict the effect of individual behavior on aggregate traffic conditions, and through this it provides a linear approximation of the sensor data's log-likelihood given a particular behavioral pattern in the driver population. This linearization is utilized by two operational Bayesian estimators. The accept/reject estimator functions without further assumptions about the behavioral prior distribution. Its takes a number of draws from this prior and retains only a subset of these draws. This subset is chosen in consideration of the measurements' likelihood such that it is equivalent to a sample from the behavioral posterior. The utility-modification estimator adds a correction term to the utility of every behavioral alternative a simulated traveler evaluates before making a choice. This correction also is a function of the measurements' likelihood. Given a particular form of the behavioral prior, the resulting behavior is equivalent to a draw from the behavioral posterior. For experimental investigations, an extended cell-transmission model is implemented as the mobility simulation, and a randomized best-path routing logic serves as a placeholder for a full behavioral simulator. The experiments are conducted in a synthetic setting, where the sensor data is generated by an external model instance. The test case comprises a network of 2459 links and a microscopic population of 206353 drivers. The experimental results show that the implemented estimator has the following properties: (i) It efficiently utilizes limited traffic counts to adjust the population's individual-level route choice such that a significantly more realistic global traffic situation results. (ii) It is equally applicable to an equilibrium-based and to a non-equilibrium-based simulation system. (iii) While the available test case is somewhat too large to be monitored in real-time, a feasible scenario for an online application of the estimator is not smaller by orders of magnitude.en
dc.identifier.uriurn:nbn:de:kobv:83-opus-19803
dc.identifier.urihttps://depositonce.tu-berlin.de/handle/11303/965
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-668
dc.languageEnglishen
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/2.0/en
dc.subject.ddc620 Ingenieurwissenschaften und zugeordnete Tätigkeitenen
dc.subject.otherMultiagenten-Simulationde
dc.subject.otherBayesde
dc.subject.otherKalibrierungde
dc.subject.otherSchätzungde
dc.subject.otherVerkehrde
dc.subject.othermulti-agent simulationen
dc.subject.otherBayesen
dc.subject.otherCalibrationen
dc.subject.otherEstimationen
dc.subject.otherTransportationen
dc.subject.otherSimulationde
dc.subject.othersimulationen
dc.titleTraffic State Estimation with Multi-Agent Simulationsen
dc.title.translatedVerkehrslageerfassung mit Multiagenten-Simulationende
dc.typeDoctoral Thesisen
dc.type.versionpublishedVersionen
tub.accessrights.dnbfree*
tub.affiliationFak. 5 Verkehrs- und Maschinensysteme::Inst. Land- und Seeverkehr (ILS)::FG Verkehrssystemplanung und Verkehrstelematikde
tub.affiliation.facultyFak. 5 Verkehrs- und Maschinensystemede
tub.affiliation.groupFG Verkehrssystemplanung und Verkehrstelematikde
tub.affiliation.instituteInst. Land- und Seeverkehr (ILS)de
tub.identifier.opus31980
tub.identifier.opus4575
tub.publisher.universityorinstitutionTechnische Universität Berlinen

Files

Original bundle
Now showing 1 - 1 of 1
Loading…
Thumbnail Image
Name:
Dokument_25.pdf
Size:
4 MB
Format:
Adobe Portable Document Format

Collections