Motorway traffic flow analysis and prediction based on GPS data of floating cars in connected systems

Currently, there are various strategies based on streaming real-time traffic flow data to reduce traffic congestion. However, these strategies are only able to provide a short time window for implementing control strategies to alleviate traffic congestion, and the efficiency of the applied strategy may deteriorate significantly as the available time window decreases. Therefore, the propagation of congestion towards upstream is inevitable and some spatial-dependent control strategies, such as rerouting, which can be selected from the list of available options, cannot be efficiently implemented because the traffic has already reached the alternative route junction. Therefore, prediction of traffic congestion seems to be an essential prerequisite for having more efficient implementation of the measure, since a larger time window is available for managing the congestion. In addition, the widespread use of connected and automated vehicles (CAV) is expected to impact traffic performance on highways over the next decade. We have entered the era of intelligent transportation systems (ITS), traffic control approaches need to be aligned with the new scope of ITS. Therefore, the traffic control strategy can be redirected to the car through an application program interface (API), and it is not possible to conduct such a strategy safely and efficiently if reliable prediction is not available. The feasibility of accurate traffic prediction with the implementation of a deep learning neural network was investigated in this thesis by using Long short-term memory (LSTM) models which provide high predictive performance through their ability to recognize longer sequences of time series data. More recently, bidirectional deep learning models (Bi-LSTM) have extended the LSTM capabilities by training the input data twice in forward and backward directions. It is assumed that the prediction scenario is performed in the era of ITS, which we have CAVs. CAVs provide a viable option for a variable speed limit strategy. in this way, the variable speed limit can be adjusted to achieve a homogenous speed distribution. It is also proposed to apply a control strategy for CAVs with API. Finally, traffic forcasting can support and improve the efficiency of traffic flow control strategy. the efficiency of these measures is evaluated by the reduction of traffic density and travel time in the simulated scenario. The importance of the above steps is highlighted in this thesis and proposed as a for intelligent traffic control.

Attualmente, esistono varie strategie basate sullo streaming di dati sul flusso di traffico in tempo reale per ridurre la congestione del traffico. Tuttavia, queste strategie sono in grado di fornire solo un breve intervallo di tempo per l'attuazione di strategie di controllo per alleviare la congestione del traffico e l'efficienza della strategia applicata può deteriorarsi in modo significativo al diminuire dell'intervallo di tempo disponibile. Pertanto, la propagazione della congestione verso monte è inevitabile e alcune strategie di controllo dipendenti dallo spazio, come il reindirizzamento, che possono essere selezionate dall'elenco delle opzioni disponibili, non possono essere implementate in modo efficiente perché il traffico ha già raggiunto lo svincolo del percorso alternativo. Pertanto, la previsione della congestione del traffico sembra essere un prerequisito essenziale per una più efficiente attuazione della misura, poiché è disponibile un arco temporale più ampio per la gestione della congestione. Inoltre, si prevede che l'uso diffuso di veicoli connessi e automatizzati (CAV) avrà un impatto sulle prestazioni del traffico sulle autostrade nel prossimo decennio. Siamo entrati nell'era dei sistemi di trasporto intelligenti (ITS), gli approcci al controllo del traffico devono essere allineati con il nuovo ambito di applicazione degli ITS. Pertanto, la strategia di controllo del traffico può essere reindirizzata all'auto tramite un'interfaccia del programma applicativo (API) e non è possibile condurre tale strategia in modo sicuro ed efficiente se non è disponibile una previsione affidabile. In questa tesi è stata studiata la fattibilità di una previsione accurata del traffico con l'implementazione di una rete neurale di apprendimento profondo utilizzando modelli di memoria a breve termine (LSTM) che forniscono elevate prestazioni predittive grazie alla loro capacità di riconoscere sequenze più lunghe di dati di serie temporali. Più recentemente, i modelli di deep learning bidirezionali (Bi-LSTM) hanno esteso le capacità LSTM addestrando i dati di input due volte in avanti e indietro. Si presume che lo scenario di previsione venga eseguito nell'era degli ITS, di cui abbiamo CAV. I CAV forniscono un'opzione praticabile per una strategia di limite di velocità variabile. in questo modo è possibile regolare il limite di velocità variabile per ottenere una distribuzione omogenea della velocità. Si propone inoltre di applicare una strategia di controllo per i CAV con API. Infine, la pianificazione del traffico può supportare e migliorare l'efficienza della strategia di controllo del flusso di traffico. l'efficienza di queste misure è valutata dalla riduzione della densità di traffico e del tempo di percorrenza nello scenario simulato. L'importanza dei passaggi precedenti è evidenziata in questa tesi e proposta come strumento per il controllo intelligente del traffico.