Имитационное моделирование девиантного поведения в автомобильном транспортном потоке

Аннотация

Предложена имитационная компьютерная модель гетерогенного транспортного потока, основанная на подходе клеточных автоматов. В модели присутствуют три типа агентов --- участников дорожного движения: транспортные средства, управляемые человеком, беспилотные и девиантные транспортные средства. В основе динамики движения лежат правила поведения, сформулированные в усовершенствованной модели S-NFS. Предложены и проанализированы три правила поведения девиантных агентов: два правила связаны с перестроением, и одно --- с намеренным снижением скорости. Показано, что при средней плотности транспортного потока на него в основном влияют девиантные транспортные средства. Рассмотрена задача выявления девиантного поведения в транспортных потоках с использованием нейронных сетей. Исследование проводилось на созданной обучающей выборке, которая получена с помощью разработанной имитационной модели. Наблюдения в выборке включали в себя данные о скорости отслеживаемого транспортного средства, относительных положениях и скоростях соседних транспортных средств, а также информацию о перестроениях. Эти данные организованы в виде матриц, что позволило эффективно внедрить их в архитектуру нейронной сети. Полученные результаты демонстрируют, что нейронные сети, даже с относительно простой архитектурой, эффективно классифицируют транспортные средства в потоке и выявляют их девиантное поведение, что подчеркивает перспективность применения нейронных сетей в интеллектуальных транспортных системах

Работа выполнена при финансовой поддержке РНФ (грант № 24-21-00306)

Просьба ссылаться на эту статью следующим образом:

Быков Н.В., Костров М.А., Товарнов М.С. Имитационное моделирование девиантного поведения в автомобильном транспортном потоке. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2025, № 3 (152), с. 64--87. EDN: RUPHAG

Литература

[1] Pan Y., Wu Y., Xu L., et al. The impacts of connected autonomous vehicles on mixed traffic flow: a comprehensive review. Phys. A: Stat. Mech. Appl., 2024, vol. 635, art. 129454. DOI: https://doi.org/10.1016/j.physa.2023.129454

[2] Guo X.-Y., Zhang G., Jia A.-F. Study on mixed traffic of autonomous vehicles and human-driven vehicles with different cyber interaction approaches. Veh. Commun., 2023, vol. 39, art. 100550. DOI: https://doi.org/10.1016/j.vehcom.2022.100550

[3] Abdeen M.A.R., Yasar A., Benaida M., et al. Evaluating the impacts of autonomous vehicles’ market penetration on a complex urban freeway during autonomous vehicles’ transition period. Sustainability, 2022, vol. 14, no. 16, art. 10094. DOI: https://doi.org/10.3390/su141610094

[4] Muhammad T., Kashmiri F.A., Naeem H., et al. Simulation study of autonomous vehicles’ effect on traffic flow characteristics including autonomous buses. J. Adv. Transp., 2020, vol. 2020, no. 1, art. 4318652. DOI: https://doi.org/10.1155/2020/4318652

[5] Baek S.K., Minnhagen P., Bernhardsson S., et al. Flow improvement caused by agents who ignore traffic rules. arXiv preprint arXiv:0901.3513. DOI: https://doi.org/10.48550/arXiv.0901.3513

[6] Devyatkov V.V., Alfimtsev A.N. Selective covariance-based human localization, classification and tracking in video streams from multiple cameras. BIOSTEC 2018-- BIOINFORMATICS, 2018, vol. 3, pp. 81--88. DOI: http://dx.doi.org/10.5220/0006538100810088

[7] Chowdhury M.F., Biplob M.R.A., Uddin J. Real time traffic density measurement using computer vision and dynamic traffic control. ICIEV and icIVPR, 2018, pp. 353--356. DOI: https://doi.org/10.1109/ICIEV.2018.8641039

[8] Buch N., Velastin S.A., Orwell J. A review of computer vision techniques for the analysis of urban traffic. IEEE Trans. Intell. Transp. Syst., 2011, vol. 12, no. 3, pp. 920--939. DOI: https://doi.org/10.1109/TITS.2011.2119372

[9] Popov A.Y., Ibragimov S.V., Malyshev S.A. Multiple objects association system for the smart city. ElConRus, 2021, pp. 2211--2216. DOI: https://doi.org/10.1109/ElConRus51938.2021.9396415

[10] Baulin F.B., Buryi E.V. Feature extraction techniques for LIDAR range profile based object recognition. Comput. Opt., 2021, vol. 45, no. 6, pp. 934--941. DOI: https://doi.org/10.18287/2412-6179-CO-891

[11] Fitasov E.S., Legovtsova E.V., Pal’guev D.A. Experimental estimation of the projection method of the Doppler filtering of radar signals when detecting air objects with low radial velocities. Radiophys. Quantum El., 2021, vol. 64, no. 4, pp. 300--308. DOI: https://doi.org/10.1007/s11141-021-10132-5

[12] Saprykin Y., Ryazntsev V., Smirnov A. Application of neural networks to the analysis of time series data in the recognition of driver fatigue. ITNT, 2021. DOI: https://doi.org/10.1109/ITNT52450.2021.9649427

[13] Hochreiter S., Schmidhuber J. Long short-term memory. Neural Comput., 1997, vol. 9, no. 8, pp. 1735--1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735

[14] Suyatinov S.I., Buldakova T.I., Vishnevskaya J.A. Identification of situations based on synergetic model. SUMMA, 2021, pp. 509--514. DOI: https://doi.org/10.1109/SUMMA53307.2021.9632207

[15] Sakulin S., Alfimtsev A., Kvitchenko K., et al. Network anomalies detection approach based on weighted voting. IJISP, 2022, vol. 16, no. 1. DOI: https://doi.org/10.4018/IJISP.2022010105

[16] Nagel K., Schreckenberg M. A cellular automaton model for freeway traffic. J. Phys. I France, 1992, vol. 2, no. 12, pp. 2221--2229. DOI: https://doi.org/10.1051/jp1:1992277

[17] Kerner B.S., Klenov S.L. A microscopic model for phase transitions in traffic flow. J. Phys. A: Math. Gen., 2002, vol. 35, no. 3, pp. L31--L43. DOI: https://doi.org/10.1088/0305-4470/35/3/102

[18] Kokubo S., Tanimoto J., Hagishima A. A new cellular automata model including a decelerating damping effect to reproduce Kerner’s three-phase theory. Phys. A: Stat. Mech. Appl., 2011, vol. 390, no. 4, pp. 561--568. DOI: https://doi.org/10.1016/j.physa.2010.10.027

[19] Tanimoto J., Futamata M., Tanaka M. Automated vehicle control systems need to solve social dilemmas to be disseminated. Chaos Solitons Fractals, 2020, vol. 138, art. 109861. DOI: https://doi.org/10.1016/j.chaos.2020.109861

[20] Kukida S., Tanimoto J., Hagishima A. Analysis of the influence of lane changing on traffic-flow dynamics based on the cellular automaton model. Int. J. Mod. Phys. C, 2011, vol. 22, no. 3, pp. 271--281. DOI: https://doi.org/10.1142/S012918311101621X