شناسایی پدیده هیستریس مبتنی بر مدل نامتقارن رفتاری راننده (قبل و بعد از آشفتگی جریان ترافیک)

شناسایی ترافیک حرکت – توقف  در آزادراه‌ها که منجر به آشفتگی جریان ترافیک می‌شود تاکنون نه تنها به دلیل کمبود داده‌های عبوری وسایل نقلیه و ناکافی بودن سنسورهای جمع کننده داده‌ها مبهم می‌باشد بلکه همچنین درک ناچیزی به منظور اعتبارسنجی آشفتگی‌ها در مدل‌های جریان ترافیک وجود دارد که معمولاً نتیجه‌ای از روابط ریاضی نسبت به رفتار رانندگان می‌باشد. در این مقاله به منظور آنالیز ترافیک حرکت – توقف مدل تعقیب خودرویی مبتنی بر داده‌های عبوری تجربی ngsim ارائه می‌گردد که نه تنها قابلیت ایجاد نمودن انتشار واقعی و تشکیل بالقوه امواج حرکت – توقف را در ازدحام ترافیکی دارد، بلکه همچنین مبتنی بر مدل نامتقارن رفتاری، می‌توان پدیده هیسترسیس ترافیکی را آنالیز نمود که در آشفتگی ترافیکی از دیدگاه رفتاری راننده پدیدار می‌گردد. آنالیز آماری پارامترهای مدل نامتقارن رفتاری آشکار می‌نماید که همبستگی قابل‌توجهی بین رفتار راننده قبل، بعد و در زمان آشفتگی وجود دارد که در صورت آنالیز آشفتگی در سطح جزئی‌نگر، این همبستگی باید در نظر گرفته شود و همچنین نتایج آنالیز پدیده هیسترسیس مبتنی بر مدل نامتقارن رفتاری نشان می‌دهد که پیدایش و نوع الگوی پدیده هیسترسیس ارتباط نزدیکی با رفتار راننده در موقعیت حرکت راننده در آشفتگی ترافیکی دارد به‌عبارت‌دیگر، در زمانی که راننده با آشفتگی‌های ترافیکی مواجه می‌شوند و در زمانی که موج کاهش شتاب آغاز می‌شود، پدیده هیسترسیس ترافیکی به گروه‌بندی و الگوهای رفتاری راننده و سناریو پاسخ‌های رفتاری راننده در دوره تشکیل آشفتگی ترافیکی مرتبط می‌گردد.

Identifying Traffic Hysteresis Based on Driver Asymmetric Behavior Model: Before and After Traffic Oscillation

Identifying Stop and go traffic results in traffic oscillation on freeway. because of scarce vehicle trajectories data and  aggregated sensor data not only identifying stop and go traffic still limits but also our understanding of this type of the oscillations in congested traffic is still limited. In this paper, analyzing stop and go traffic based on trajectory data of NGSIM presents car following model that not only is able to reproduce the spontaneous formation and ensuing propagation of stop andgo waves in congested traffic, but also based on a behavioral car following model studies microscopic traffic hysteresis from a behavioral perspective. The statistical analysis of the model’s parameters reveals that there is a strong correlation between driver behaviors before and during the oscillation, and that this correlation should not be ignored if one is interested in microscopic output. Also, statistical results of traffic hysteresis based on driver asymmetric behavior reveals that generation and type of traffic hysteresis patterns depending on driver behavior of position along the oscillation. In other word, when driver meets traffic oscillation and deceleration wave starts, traffic hysteresis depends on driver behavioral of patterns and group and scenarios inside the different stages of an oscillation generation.