二阶模型与来自移动传感器的交通数据

由 GPS 或智能手机实现的移动感知已成为交通数据日益重要的来源。为了充分覆盖交通流，保持合理的探测车辆渗透率至关重要。从捕捉加速度/减速度、排放和燃油消耗率等更高阶交通量的角度来看，有必要考察车辆位置采样频率对估计精度的影响。在上述两个问题中，后者在文献中鲜有研究。本文探讨了采样频率和渗透率对高速公路交通移动感知的影响。为了捕捉非均匀驾驶条件以及交通偏离平衡状态的情况，我们采用了二阶相变模型 (PTM)。提出了几种将车辆轨迹数据纳入 PTM 的数据融合方案。此外，本文展示了基于 NGSIM 数据集的案例研究，给出了各种欧拉量和拉格朗日交通量的估计结果。研究结果表明，虽然一阶交通量即使在低采样频率下也能被准确估计，但加速度、偏差和排放率等更高阶交通量往往因车辆位置采样不足而被误判。我们还表明，修正因子法有望降低由低采样频率和渗透率引起的感知误差，使更高阶量的估计在面对高速公路交通数据覆盖不足时更具鲁棒性。