Enhancing Short-Term Traffic Prediction for Large-Scale Transport Networks by Spatio-Temporal Clustering
Tid: To 2021-12-09 kl 13.00
Plats: F3, Lindstedtsvägen 26, Stockholm
Videolänk: https://kth-se.zoom.us/j/66844011086
Språk: Engelska
Ämnesområde: Transportvetenskap, Transportsystem
Respondent: Matej Cebecauer , Transportplanering, Urban mobility group
Opponent: Professor Francisco Camara Pereira, DTU Technical University of Denmark
Handledare: Docent Erik Jenelius, Centrum för transportstudier, CTS, Transportplanering; Dr. Wilco Burghout, Transportplanering
Abstract
Trängsel i storstäderna leder till extra restid, buller, luftföroreningar, koldioxidutsläpp med mera. Transporter är en av de främsta erkända bidragsgivarna till global uppvärmning och klimatförändringar, som får allt större uppmärksamhet från myndigheter och samhällen runt om i världen. Bättre utnyttjande av befintliga resurser genom intelligenta transportsystem (ITS) och digital teknik identifieras av Europeiska kommissionen som teknik med en enorm potential att minska ovanstående negativa effekter kopplade till stora trafikvolymer i stadsområden.
Huvudfokus i detta arbete ligger påkortsiktiga trafikprognoser, som är ett viktigt verktyg inom ITS. I kombination med informationsförsörjning möjliggör de proaktiva beslut för att minska omfattningen av trafikstockningar som uppstår regelbundet eller orsakas av incidenter. Det viktigaste bidraget i detta arbete är att utveckla ett metodologiskt ramverk och bevisa dess förbättrande effekter påkortsiktiga prognoser för storskaliga transportnät. Det förväntas bidra till mer robusta och exakta prognoser av ITS i trafikledningscentraler.
Trafikmönster i storskaliga nät, inklusive stadsgator, kan vara heterogena under dagen och från dag till dag. I detta arbete undersöks rumslig och temporal klustring av heterogena datamängder till mindre, mer homogena datamängder. Detta förväntas ge mer robusta, exakta, skalbara och kostnadseffektiva prognosmodeller.
Avhandlingen är en samling av fem artiklar som bidrar till att förbättra kortsiktiga trafikprognoser i detta sammanhang. Klustring påvisas öka prediktionsprestandan i artiklar II, III, IV och V. I artikel II beaktas nätverksuppdelning och i de tre sista dokumenten klusterbildning. De prediktionsmodeller som används i de inkluderade artiklarna är naiva historiska medelvärdesprediktionsmodeller och mer avancerade parametriska prediktionsmodeller, t.ex. probabilistisk principalkomponentanalys (PPCA) och exponentiell utjämning. I artikel I beaktas och utnyttjas probfordonsdata (FCD) som en kostnadseffektiv opportunistisk källa till hastighets- och restidsdata med omfattande nätverkstäckning.
Den vedertagna metoden för att bestämma antalet kluster är att förlita sig påinterna utvärderingsindex, och dessa är mycket effektiva men isolerade från tillämpningen. I uppsats IV testas denna praxis genom att även beakta prestandan i en tillämpning för korttidsprognoser. Våra resultat visar att om man förlitar sig pådessa index kan det leda till en förlust av prediktionsprestanda påcirka 20% beroende påvilken prognosmodell som används. Dimensionalitetsminskning har en minimal effekt påden resulterande prediktionsprestandan, men klusterbildning kräver 20 gånger mindre beräkningstid och endast 0,1% av den ursprungliga informationen.
Slutligen undersöker vi i artikel V likheterna mellan representativa dagskluster som bildas genom hastighet respektive flöden. Dessutom visar sig utbytbarheten av dagstypcentroider från hastigheter till flöden robust vid prediktion av hastigheter , vilket inte är fallet när det gäller prediktion av flöden.