Optimal Sensor Placement And Density Estimation In Large-Scale Traffic Networks
Placement optimal des capteurs et estimation de la densité dans les réseaux de trafic à grande échelle
Résumé
This PhD thesis is done in the context of the ERC Advanced Grant project Scale-FreeBack. Its overall aim is to set new foundations for a theory dealing with complex physical networks with arbitrary dimension. One particular case is intelligent transportation systems and their challenges to prevent the occurrence of congestions.The contributions of the PhD work are mainly related to the monitoring of large-scale traffic network states. We deal with three main problems: the location of sensors under budget constraints, the estimation of traffic density using heterogeneous data sources, and the estimation of an aggregated state for a region of an urban traffic network.First, the optimal sensor placement problem is considered. Our contribution consists in the analysis of two sensor technologies, one that measures the absolute flow in a road, and another that estimates intersection parameters called turning ratios, which are a relative measure of route choice behavior of drivers. We propose an approach to choose the locations for each type of technology such that a minimal number of total sensors are required, and that traffic flow can be estimated for each road of the network.The second problem considers the reconstruction of flow and density using heterogeneous sources of information. In addition to the fixed flow sensors used in the first problem, another available data source is the so called Floating Car Data (FCD) which provides the trajectories of individual vehicles, albeit at an unknown penetration rate and generally aggregated due to privacy regulations. We analyze how to fuse these data sources to be able to estimate the density and flow of every road in the network, for the static and dynamical cases depending on the amount of available information.For the third problem, we consider the estimation of the aggregated density of an urban network. This is of interest when the density of every individual road of a zone is not required to be known, or when computational power is limited. The convergence of an estimator for the average density of the zone was analyzed, but it was found that in general, the estimator does not converge. To solve this problem, we propose a method to calculate a virtual representation of the same underlying physical network where each road is divided into a number of cells, such that the estimator for the virtual system converges. Under certain conditions, we show that the difference between the real and virtual averages is small.The effectiveness of our contributions were tested using simulated and real data. In the first case, the simulation consists of an application of the well known microscopic traffic software Aimsun, where the dynamics of individual vehicles are calculated in a modeled real network. In the second case, real data is obtained from sensors located in the downtown area of the city of Grenoble and collected using the Grenoble Traffic Lab(GTL).
Ce travail de doctorat est effectué dans le cadre du projet Scale-FreeBack et financé par le Conseil de Recherche Européen. Son objectif général est de poser de nouvelles bases pour une théorie traitant des réseaux physiques complexes à dimension arbitraire. Un cas particulier est celui des systèmes de transport intelligents, qui sont confrontés à des défis importants pour empêcher l'apparition de congestions.Les contributions du travail de doctorat se concentrent sur la phase de surveillance de la gestion du trafic. Nous traitons trois problèmes principaux : la localisation des capteurs dans le cadre de contraintes budgétaires, l'estimation de la densité du trafic en utilisant des sources de données hétérogènes, et l'estimation d'un état de trafic moyen pour une région d'un réseau.Tout d'abord, le problème du placement optimal des capteurs est examiné. Notre contribution consiste en analyser deux technologies de capteurs, l'une qui mesure le flux absolu dans une route, et l'autre qui estime les paramètres d'intersection ici appelés turning ratios, qui sont une mesure relative du comportement des conducteurs en matière de choix d'itinéraire. Nous trouvons comment choisir les emplacements pour chaque type de technologie de telle sorte qu'un nombre minimal de capteurs soit nécessaire et que le flux de trafic puisse être calculé pour chaque route du réseau.Le deuxième problème concerne la reconstruction du flux et de la densité à l'aide de sources d'information hétérogènes. En plus des capteurs fixes analysés dans le premier problème, une autre source de données disponible est le textit{Floating Car Data} (FCD), qui regroupe les trajectoires des véhicules individuels, avec un taux de pénétration inconnu et généralement agrégées en raison de la réglementation sur la protection de la vie privée. Nous analysons comment intégrer ces sources de données afin de pouvoir estimer la densité et le débit de chaque route du réseau, à la fois statiques et dynamiques en fonction de la quantité d'informations disponibles.Pour le troisième problème, nous considérons l'estimation de la densité agrégée d'une zone urbaine. Cela est intéressant lorsque la densité de chaque route individuelle d'une zone n'est pas nécessaire, ou lorsque la puissance de calcul est limitée. La convergence d'un estimateur pour la densité moyenne de la zone a été analysée, mais il a été constaté qu'en général, l'estimateur ne converge pas. Pour résoudre ce problème, nous proposons une méthode qui calcule une représentation virtuelle du même réseau physique où chaque route est divisée en un certain nombre de cellules, de sorte que l'estimateur du système virtuel converge. Dans certaines conditions, nous montrons que la différence entre les moyennes réelles et virtuelles est faible.L'efficacité de nos contributions a été testée en utilisant des données simulées et réelles. La simulation consiste en une application du célèbre logiciel de trafic microscopique Aimsun, où la dynamique des véhicules individuels est calculée dans un réseau réel modélisé. Les données réelles sont obtenues à partir de capteurs situés dans le centre-ville de la ville de Grenoble.
Origine : Version validée par le jury (STAR)