Stochastic and Dynamic Fundamental Diagram for Mixed Traffic

지완 장 (Jiwan Jiang) 과 소영 안 (Soyoung Ahn) 의 논문 "혼합 교통을 위한 확률적 및 동적 기본 다이어그램 (Stochastic and Dynamic Fundamental Diagram for Mixed Traffic)"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

전통적인 교통류 이론은 정상 상태 평형 하에서 유량, 밀도, 속도 간의 정적이며 결정론적인 관계를 나타내는 **기본 다이어그램 (Fundamental Diagram, FD)**에 의존합니다. 그러나 실제 교통은 평형 상태를 유지하는 경우가 드물며, 단일 곡선이 아닌 타원형 루프로 유량 - 밀도 경로를 그리는 **교통 히스테리시스 (traffic hysteresis)**를 보입니다.

기존 문헌은 혼합 교통 (자동화 차량 [AV] 과 인간 운전 차량 [HDV] 으로 구성) 을 다룰 때 세 가지 중요한 격차에 직면해 있습니다:

1. 결정론적 가정: 대부분의 모델은 인간 운전자의 반응 시간 내재적 무작위성과 AV 제어기의 매개변수 불확실성을 무시하고, 차간 추종 (CF) 거동을 결정론적으로 취급합니다.
2. 배열 (Sequencing) 의 간과: AV 의 침투율 (비율) 은 종종 연구되지만, 플레톤 내 AV 와 HDV 의 **공간적 배열 (순서)**은 자주 간과됩니다. 현장 관측에 따르면, 군집화 대 무작위 분산은 거시적 성능에 상당한 영향을 미칩니다.
3. 동적 복잡성: 고차 차량 동역학, 확률적 거동, 차량 배열을 통합하여 혼합 교통에서 히스테리시스 루프가 어떻게 진화하는지 설명하는 포괄적인 프레임워크가 부족합니다.

2. 방법론

저자들은 미시적 운전 거동과 거시적 교통 상태를 연결하는 배열 기반 확률적 동적 FD 프레임워크를 제안합니다. 방법론은 세 가지 핵심 요소로 구성됩니다:

A. 기술 함수 분석 (Describing Function Analysis, DFA)

HDV 차간 추종 모델 (예: OVM, GFM, FVDM, IDM) 의 비선형성을 처리하면서도 주파수 영역 분석 능력을 유지하기 위해 저자들은 DFA 를 사용합니다.

• 선형화: DFA 는 정현파 입력으로 구동될 때 출력의 기본 고조파만 유지함으로써 비선형 시스템을 근사화합니다.
• 전달 함수: 이를 통해 비선형 CF 법칙에 대한 근사적이고 진폭 의존적인 선형 전달 함수 ($G(j\omega)$) 를 유도할 수 있습니다. 이는 비선형 HDV 모델과 선형 AV 제어기 간의 간극을 메워줍니다.
• 고조파 균형: 이 방법은 가정된 정현파 응답이 시스템 출력과 일치하는 진폭과 위상 편이를 해결함으로써 동적 일관성을 보장합니다.

B. 혼합 플레톤을 위한 확률적 프레임워크

이 연구는 정현파 교란에 의해 주도되는 $N$대의 차량으로 구성된 플레톤을 모델링합니다.

• 재귀적 진폭 모델: $l$번째 차량의 진동 진폭 ($A_l$) 은 선행 차량의 진폭 ($A_{l-1}$) 과 해당 차량의 특정 CF 법칙 및 매개변수를 기반으로 재귀적으로 계산됩니다.
• 불확실성의 원인: 프레임워크는 다음을 통합합니다:
  1. 모델 이질성: 서로 다른 CF 법칙 (예: HDV 의 경우 IDM 대 OVM; AV 의 경우 선형 대 고차).
  2. 매개변수 무작위성: CF 매개변수는 NGSIM 및 MA 데이터셋을 통해 근사 베이지안 계산 (Approximate Bayesian Computation) 으로 보정된 사전 분포에서 추출된 확률 변수로 취급됩니다.
  3. 배열 가변성: 차량 순서의 명시적 열거 (예: AV 선두, HDV 선두, 교차, 무작위).

C. 확률적 동적 FD 공식화

• 거시적 매핑: 미시적 간격 및 속도 진동은 거시적 밀도 ($\tilde{k}$) 및 유량 ($\tilde{q}$) 으로 매핑됩니다.
• 몬테카를로 시뮬레이션: 재귀적 확률 과정의 복잡성으로 인해 밀도와 유량의 결합 분포에 대한 폐쇄형 확률 밀도 함수 (PDF) 를 구하는 것은 불가능하므로, 저자들은 몬테카를로 시뮬레이션을 사용합니다. 수천 개의 시퀀스와 매개변수 세트를 샘플링하여 동적 FD 의 결합 PDF 를 생성합니다.

3. 주요 기여

1. 새로운 프레임워크: **차량 클래스 이질성 (AV 대 HDV)**과 공간적 배열을 모두 명시적으로 고려하는 최초의 확률적, 배열 기반 동적 FD 개발.
2. 분석 - 계산 하이브리드: 비선형성의 분석적 처리를 위한 기술 함수 분석 (DFA) 과 전체 확률 분포를 포착하기 위한 몬테카를로 시뮬레이션의 성공적 통합.
3. 배열 효과의 정량화: 차량의 순서가 교통 안정성과 히스테리시스 크기를 결정하는 데 침투율만큼 중요함을 입증.
4. 보정: 실제 고해상도 궤적 데이터 (I-80 및 I-24 데이터셋) 와 통제된 AV 실험 (MA 데이터셋) 을 사용하여 CF 모델 확률 및 매개변수 보정.

4. 주요 결과

이 연구는 AV 침투율 (0% 에서 100%) 과 배열 시나리오를 변화시키며 21 대 차량 플레톤으로 수치 실험을 수행했습니다.

A. 차량 배열의 영향

• AV 선두 시나리오 (AV 가 선두): 가장 큰 히스테리시스 루프와 가장 높은 유량 변이성을 발생시켰습니다.
  • 메커니즘: AV 가 구조화된 진동을 시작합니다. 이러한 진동이 후행 HDV 로 전파됨에 따라 HDV 의 비선형적이고 진폭 의존적인 거동이 진동을 증폭시켜 불규칙하고 넓은 히스테리시스 루프로 이어집니다.
• HDV 선두 시나리오 (HDV 가 선두): 가장 작은 히스테리시스 루프와 가장 낮은 변이성을 발생시켰습니다.
  • 메커니즘: 앞쪽의 HDV 가 초기 교란을 생성하지만, 그 뒤를 따르는 AV(진폭에 덜 민감함) 는 하류로 전파되는 동안 진동을 감쇠시키고 안정화시킵니다.
• 교차/무작위: 중간 결과를 초래하여 혼합 전략이 중요함을 확인시켰습니다.

B. AV 침투율의 영향

• 히스테리시스 감쇠: 일반적으로 AV 침투율 증가는 히스테리시스 루프의 크기 (면적) 와 변이성을 감소시킵니다.
  • 고밀도 볼록 껍질 면적: 861.82 (AV 0%) 에서 694.34 (AV 100%) $veh^2/(km \cdot h)$로 감소.
  • 유량 표준 편차: 104.29에서 72.19 $veh/h$로 감소.
• 비단조성: 개선이 엄격하게 선형적인 것은 아닙니다. 일부 중간 침투 시나리오 (예: 33.3% 또는 66.7%) 에서는 특정 배열에 따라 변이성이 일시적으로 증가할 수 있으며, 이는 배치 고려 없이 단순히 "AV 가 더 많다"는 것이 항상 "더 나은 안정성"을 의미하지 않음을 강조합니다.

C. 주파수 응답 분석

• HDV 모델 (OVM, GFM, FVDM, IDM) 은 일반적으로 저주파수에서 **임계 안정성 (이득 $|G| \approx 1$)**을 보여 파동 증폭에 취약합니다.
• IDM 은 매개변수 선택에 가장 민감하여 동적 응답에서 가장 넓은 분포를 보였습니다.

5. 의의 및 함의

• 이론적 발전: 정적 FD 와 결정론적 모델을 넘어, 자동화 시대의 교통 확률적 및 동적 성질을 이해하기 위한 엄밀한 수학적 기초를 제공합니다.
• 정책 및 관리:
  • 플레톤 형성: 교통 관리 전략은 차량 배열을 고려해야 합니다. 예를 들어, AV 를 혼합 플레톤의 후미에 배치하거나 (또는 HDV 가 선두하도록 보장) AV 를 선두에 배치하는 것보다 정지 - 출발 파동을 억제하는 데 더 효과적일 수 있습니다.
  • 전환기 관리: AV 의 부분 도입 단계에서는 AV 수를 단순히 늘리는 것만으로는 부족하며, 히스테리시스를 최소화하고 용량을 극대화하기 위해 공간적 분포를 최적화해야 합니다.
• 향후 방향: 이 프레임워크는 AV 의 향후 제어기 튜닝이 인간 운전자의 확률적 성질과 배열 의존적 불안정성의 잠재력을 명시적으로 고려해야 함을 시사합니다.

결론적으로, 이 연구는 혼합 환경에서의 교통 히스테리시스는 AV 와 HDV 의 구성뿐만 아니라, 특정 배열을 통해 어떻게 상호작용하는지에 의해 결정되며, 이는 안정된 혼합 교통 시스템을 설계하기 위한 새로운 관점을 제공함을 입증합니다.