Modèle de trafic

Notre recherche est basée sur l`observation que les modèles de trafic considérés sont semblables aux équations qui décrivent les ondes de détonation produites par des explosions. En employant la théorie des ondes de dénotation, nous avons développé des moyens de prédire analytiquement la forme exacte et la vitesse de propagation des jamitons. Des simulations numériques des modèles de trafic considérés montrent que les solutions de jamiton prévues sont effectivement atteintes, si la densité du trafic initial est suffisamment dense. Les jamitons considérés peuvent qualitativement être trouvés à la fois dans le trafic réel observé aussi bien que dans les expériences. La description théorique de la solution de jamiton admet une meilleure compréhension de leur comportement. Un modèle mésoscopique ne distingue ni ne trace les véhicules individuels, mais exprime la probabilité d`avoir un véhicule donné à une position, un temps et une vitesse donnés. Pour produire des données utiles pour ITS, les algorithmes qui sont souvent étroitement liés à la structure et aux capacités de leur modèle, utiliseront une gamme de spécifications en tenant compte des capacités du modèle. Les algorithmes veulent souvent prévoir des données dans une perspective à long terme ou à court terme. Pour ce faire, leurs spécifications allaient du filtrage de Kalman, du filtrage exponentiel, des méthodes statistiques non paramétriques, des analyses spectrales et croisées et de l`apprentissage séquentiel, à la théorie de la catastrophe de cuspide. [13] les outils logiciels sont extrêmement bénéfiques lors de la planification du flux de trafic. Walter P Moore utilise plusieurs programmes pour faciliter le processus de planification.

VISSIM, un modèle de simulation microscopique pour le flux de trafic, peut être utilisé de différentes manières, du timing de signal à l`analyse de tissage d`autoroute. Ce logiciel peut être utilisé pour simuler avec précision le trafic urbain et routier, y compris les véhicules motorisés, les cyclistes et les piétons, ainsi que les trains légers et autres véhicules de transport en commun. Avec un niveau de détail élevé, il nous permet de simuler des scénarios de trafic bien avant qu`un client soit prêt à construire. Les sources de données peuvent être collectées pour créer un modèle sont un choix clé pour le modèle et les algorithmes. Les données peuvent être collectées via des dispositifs de surveillance du trafic non embarqués comme détecteurs de boucle. Ces appareils peuvent enregistrer le nombre de véhicules passés dans un intervalle donnant l`occupation. D`autres sources sont littéralement incorporées dans les véhicules et de recueillir la position ou d`autres comportements du véhicule pendant son voyage complet. Ces dispositifs peuvent être des capteurs sans fil comme le système de positionnement global (GPS), les données de voiture flottante (FCD) et les téléphones mobiles. Ces données peuvent éventuellement être collectées en temps réel.

Bien que ces modèles distinguent et décrivent les véhicules individuellement, leur comportement est décrit par des équations agrégées de mouvements comme dans un modèle de flux de trafic macroscopique. La capacité des modèles psycho-espacés de décrire le comportement transitoire du flux de trafic comme la chute de capacitry, et la stabilité des confitures larges (confitures dans lesquelles la vitesse du trafic est proche de zéro, et qui se propagent en amont avec une vitesse quasi constante) a été abordée par Krauss et coll. (1999). La modélisation et l`analyse du trafic urbain font partie des technologies de gestion intelligente du trafic avancées qui sont devenues un secteur crucial de la gestion et du contrôle du trafic. Son but principal est de prédire les États de congestion d`un réseau de transport urbain spécifique et de proposer des améliorations dans le réseau de trafic. Les recherches reposent sur trois informations différentes. Informations historiques et récentes d`un réseau de trafic sur sa densité et son écoulement, un modèle de l`infrastructure de réseau de transport et des algorithmes faisant référence à des dimensions spatiales et temporelles. L`objectif final est de fournir une meilleure optimisation de l`infrastructure du trafic comme les feux de signalisation. Ces optimisations devraient entraîner une diminution des temps de trajet, de la pollution et de la consommation de carburant. Les modèles suivant la voiture supposent que le conducteur réagit aux petits changements de la vitesse du véhicule précédent, même lorsque les distances de passage sont très grandes ou petites. Pour remédier à ce problème, des aperçus de la psychologie perceptuelle ont été utilisés pour montrer comment les conducteurs sont soumis à la limitation dans la perception des stimuli auxquels ils sont sujets. [9] les méthodes historiquement utilisées pour déterminer les États de trafic prévisionnels et la densité ont été pensées pour rendre un résultat de prévision à point unique.