Open this publication in new window or tab >>Show others...
2022 (Swedish)Report (Other academic)
Abstract [sv]
Det uppkopplade samhället möjliggör kontinuerlig insamling av trafikdata genom de moderna fordonens navigationssystem, så väl som genom mobiltelefoner och andra GPS-enheter. Den ökade tillgången till trafikdata ger möjligheter analysera att trafiksystemet ur flera olika perspektiv. En typ av trafikdata som kan extraheras ur GPS-data är fordonshastigheter. Genom att analysera hur fordonshastigheter förändras över tid och identifiera avvikelser från ett normaltillstånd så skulle det vara möjligt att upptäcka och förutsäga potentiella brister i trafiksystemet. Många gånger upptäcks brister i infrastrukturen i ett relativt sent skede vilket i sin tur kan innebära både omfattande och kostsamma åtgärder för att komma till rätta med problemen.
Syftet med förstudien har varit att utveckla och utvärdera metoder och modeller för att detektera brister och identifiera hastigheter som relativt avviker från normaltillståndet, dvs ett fokus på fordonshastigheter som framför allt är ovanligt låga. Utgångspunkten har också varit att finna lämplig metod för att modellera trafiksituationen med hjälp av uppmätta fordonshastigheter. Det vill säga metoder som syftar till att ur ett övergripande perspektiv beskriva normaltillståndet längs med de studerade vägsträckorna. Analyser av normaltillståndets förändring över tid öppnar upp möjligheten att detektera om brister relaterat till vägsträckors kapacitet och framkomlighet uppstått eller avgöra om normaltillståndet på en vägsträcka är stabilt eller förändras över tid.
Det är framför allt de relativt låga fordonshastigheterna som uppstår som blir en indikator på att en vägsträcka har brister. Därför föreslås en metod för att systematiskt identifiera och gruppera uppmätta fordonshastigheter i låga, normala och höga hastigheter. En utgångspunkt har varit robusthet och att möjliggöra jämförelser av hastigheter för olika vägsträckor med olika attribut som antal körfält och skyltad hastighet med varandra. Vi presenterar även ett nytt mått som beskriver hur gruppen med relativt låga hastigheter förhåller sig till friflödeshastigheten som till exempel den skyltade hastigheten. Syftet med måttet är att kvantifiera framkomligheten på en vägsträcka eller vägsegment. Existerande mått och indikatorer baseras idag på fordonshastigheter som spänner från låga till höga hastigheter. Vi har i denna kontext tagit fram ett mått som endast tar hänsyn till vad som anses vara låga hastigheter och friflödeshastighet.
Inom förstudien så har även en metod baserad på klusteranalys använts för de studerade vägsträckorna. Klusteranalys har i olika sammanhang visat sig effektivt för att kategorisera och detektera återkommande mönster i hastighetsprofiler. Syftet med klusteranalysen är att undersöka om det finns någon koppling mellan hastighetsprofiler som har liknande beteende och till exempel veckodag och tidpunkt. Genom klusteranalys skulle det vara möjligt att inte bara detektera vilka vägsträckor där det uppstår problem, utan det skulle även vara möjligt att prognostisera vid vilka veckodagar och tidpunkter där det finns risk att köer och andra problem kan uppstå.
Förstudien är begränsad till användning av fordonhastigheter som datakälla och de framtagna metoderna och modellerna visar att det finns potential att frikoppla sig från andra datakällor som till exempel fordonsflöden för att detektera brister eller avvikelser som skulle kunna indikera brister i transportsystemet.
Abstract [en]
Modern vehicles are to a large extent connected today, either directly by built-in navigation systems in the vehicles or indirectly by other devices such as mobile phones and GPS units. This enables the possibility to continuously collect traffic data in a cost-effective way. The increased access to detailed data allows practitioners and researchers to analyze the transportation system from various perspectives. The travel speed is a common descriptor of the traffic state, and it can be extracted from GPS data. By analyzing how the travel speed vary over time and detect anomalies among the measured travel speeds, it is possible to detect potential deficiencies in the transportation system, e.g., insufficient road capacity which may cause bottlenecks. Often, a weakness in the infrastructure is detected in a very late stage which means that extensive investments may be required to resolve the deficiency.
The purpose of the pilot study is to develop methods and models to detect deficiency in the transportation system and to identity travel speeds that deviates from the normal state, i.e., travel speeds that are considered as very low or very high with respect to the normal behavior. Thus, the starting point of the pilot study is to find appropriate ways to model the traffic state along the studied road segments by using measured travel speeds from a general point of view. Analysis of the traffic state allows the study of how the normal state of the road segments change of time to detect deficiency related to road capacity and road access which may occur if no changes are made, or to detect road segments where the normal state is unchanged.
Typically, slower travel speeds may be an indicator of that a deficiency along a road segment exists. Thus, we present a method to systematically partition measured travel speeds in low, normal, and high travel speeds. The method is robust and enable the possibility to compare different road segment with different attributes, such as number of lanes and free-flow travel speed, with each other. Furthermore, we present a new measurement to describe how the low travel speeds relates to the free flow travel speed, e.g., the speed limit. Existing measurements and indicators used today utilize travel speeds which range from low to high. Our proposed measurement uses low travel speed and free flow travel speed exclusively and aims to quantify the accessibility and condition of a road segment.
The pilot study also includes an initial attempt to apply cluster analysis to detect recurrent patterns along the studied road segments. Cluster analysis is in several contexts an effective method to group time series to detect recurrent patterns among the speed profiles. The purpose of using cluster analysis is to evaluate if speed profiles with similar behavior is related to, for instance, weekday or time of the day. Thus, cluster analysis may be used to detect road segments with recurring low travel speeds, and potentially be used to forecast when congestion or queues may occur.
The pilot study is mainly limited to travel speed data. The proposed methods and models show that it is possibly to solely use travel speed data to detect deficiencies in the transportation system. In particular, the pilot study shows the potential to detect deficiencies in the transportation system without additional data sources such as link flow data.
National Category
Transport Systems and Logistics
Research subject
Mathematics and applications
Identifiers
urn:nbn:se:bth-25030 (URN)
Funder
Swedish Transport Administration
2023-06-282023-06-282024-08-07Bibliographically approved