⚡ electrical engineering

Stochastic and Dynamic Fundamental Diagram for Mixed Traffic

Deze studie presenteert een stochastisch en dynamisch fundamenteel diagramkader voor gemengd verkeer dat aantoont hoe zowel het penetratiepercentage als de specifieke volgorde van geautomatiseerde en door mensen bestuurde voertuigen de omvang en variabiliteit van verkeershysterese aanzienlijk beïnvloeden.

Oorspronkelijke auteurs: Jiwan Jiang, Soyoung Ahn

Gepubliceerd 2026-04-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiwan Jiang, Soyoung Ahn

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je verkeer voor als een lange rij mensen die hand in hand lopen en proberen met dezelfde snelheid te bewegen. Soms struikelt de persoon vooraan of versnelt, en die kleine schokgolf loopt door de hele rij. In verkeerskunde heet deze golf een "hysteresis-lus". Denk eraan als een rubberen band: als je hem uitrekt (verkeer wordt drukker), veert hij op een andere manier terug dan hoe hij werd uitgerekt. Het artikel laat zien dat als je alleen kijkt naar het gemiddelde aantal mensen in de rij, je het hele verhaal mist van hoe die rubberen band veert en uitrekt.

Hier is wat dit artikel doet, opgesplitst in eenvoudige concepten:

1. Het Probleem: De "Statische" Kaart versus de "Echte" Rit

Traditioneel gebruiken ingenieurs een "Fundamentele Diagram" om verkeer te voorspellen. Denk hierbij aan een statische kaart van een stad. Die vertelt je: "Als er 50 auto's per mijl zijn, zal de snelheid 30 mijl per uur zijn." Het veronderstelt dat het verkeer kalm en stabiel is.

Maar echt verkeer is rommelig. Het is meer als een live video van een achtbaan. Wanneer er een verstoring optreedt (zoals een plotseling remmen), beweegt het verkeer niet zomaar langs de kaart; het tekent een rommelige, elliptische lus. Het artikel noemt dit "verkeershysteresis". De oude kaarten kunnen niet uitleggen waarom verkeer soms vastloopt, zelfs nadat de weg weer vrij is.

2. De Nieuwe Spelers: Mensen versus Robots

Nu mengen we door mensen bestuurde voertuigen (HDV's) met geautomatiseerde voertuigen (AV's).

Mensen zijn als een groep vrienden die samen lopen. Ze reageren verschillend, afhankelijk van hoe snel ze gaan, hoe moe ze zijn en hoeveel ruimte ze hebben. Hun reacties zijn niet-lineair en een beetje chaotisch. Als de persoon ervoor een beetje beweegt, kan een mens overdrijven en hard remmen.
AV's (Robots) zijn als een marsorkest. Ze volgen strikte regels. Als de leider beweegt, berekent de robot precies hoe hij moet bewegen. Hun reacties zijn lineair en voorspelbaar.

Het artikel vraagt: Wat gebeurt er als je de chaotische vrienden mengt met het marsorkest?

3. De Geheime Ingrediënt: "Beschrijvende Functie-analyse"

De wiskunde in het artikel is zwaar, maar het idee is simpel. De auteurs gebruiken een truc genaamd Beschrijvende Functie-analyse.
Stel je voor dat je probeert te begrijpen hoe een wiebelig, niet-lineair object (zoals een menselijke bestuurder) reageert op een steady ritme (zoals een drumbeat). In plaats van de onmogelijke vergelijking voor elke enkele wiebel op te lossen, zeggen de auteurs: "Laten we gewoon kijken naar de hoofdbeweging." Ze zetten het rommelige menselijke gedrag om in een "ongeveer lineaire" versie die ze kunnen berekenen. Het is alsof je een gekartelde, gekrabbelde lijn omzet in een gladde, rechte lijn, net genoeg om de wiskunde te laten werken.

4. De Grote Ontdekking: Het Gaat Niet Alleen om Hoeveel, maar ook om Waar

De onderzoekers draaiden duizenden computersimulaties (alsof ze miljoenen keren dobbelstenen rollen) om te zien hoe het verkeer zich gedraagt bij verschillende mengsels van mensen en robots. Ze ontdekten twee enorme dingen:

A. De Volgorde Maakt Uit (Het Zitplan)
Het maakt niet alleen uit hoeveel robots er in de rij zitten; het maakt uit waar ze zitten.

Scenario 1: Robots Vooraan. Als de robots vooraan zitten, starten ze een zeer precieze, ritmische wiebel. Wanneer de mensen achter hen deze wiebel voelen, raken ze in de war en reageren ze overdreven, omdat mensen nerveuzer worden naarmate de wiebel groter wordt. Dit creëert een enorme, rommelige lus (grote file).
Scenario 2: Mensen Vooraan. Als de mensen vooraan zitten, creëren ze een rommelige wiebel. Maar wanneer de robots achter hen dit voelen, gladstrijken ze het rustig. Dit creëert een kleinere, strakkere lus (minder verkeersproblemen).
Analogie: Stel je een rij mensen voor die een emmer water doorgeven. Als de eerste persoon (robot) water perfect giet, kan de tweede persoon (mens) in paniek raken en het morsen. Maar als de eerste persoon (mens) een beetje morsen, kan de tweede persoon (robot) het perfect opvangen. De volgorde verandert het resultaat.

B. Meer Robots Helpt Meestal, maar Plaatsing is Cruciaal
Over het algemeen zorgt het hebben van meer robots in de rij voor soepeler verkeer en verkleint het de omvang van die "hysteresis-lussen". De robots fungeren als schokdempers. Het artikel waarschuwt echter dat als je de robots op de verkeerde plekken zet (zoals helemaal vooraan), ze de menselijke bestuurders juist nerveuzer kunnen maken, wat leidt tot grotere problemen dan als je minder robots had.

5. De Conclusie

Het artikel concludeert dat we, om verkeer te begrijpen, niet alleen het aantal robots kunnen tellen. We moeten kijken naar de volgorde.

De Oude Manier: "We hebben 50% robots, dus het verkeer zal 50% beter zijn."
De Nieuwe Manier: "We hebben 50% robots, maar omdat ze vooraan zitten, kan het verkeer eigenlijk slechter zijn dan als ze achteraan zaten."

Kortom, verkeer is een dans. Het artikel laat zien dat het kennen van de muziek (het aantal robots) niet genoeg is; je moet weten wie de dans leidt (de volgorde) om te begrijpen hoe de hele rij zich zal bewegen.

1. Probleemstelling

De traditionele verkeersstroomtheorie vertrouwt op het Fundamentele Diagram (FD), dat een statische, deterministische relatie tussen stroom, dichtheid en snelheid onderstelt in een steady-state evenwicht. Echter, realistisch verkeer blijft zelden in evenwicht; het vertoont verkeershysterese, waarbij het pad van stroom-dichtheid een elliptische lus beschrijft in plaats van een enkele kromme.

Bestaande literatuur staat voor drie kritieke hiaten bij de aanpak van gemengd verkeer (bestaande uit Geautomatiseerde Voertuigen [AV's] en Menselijk Bestuurde Voertuigen [HDV's]):

Deterministische Aannames: De meeste modellen behandelen rijgedrag (CF) als deterministisch, en negeren de intrinsieke willekeur van menselijke reactietijden en de parametrische onzekerheid van AV-controllers.
Verwaarlozing van Sequencing: Hoewel penetratiepercentages (het percentage AV's) vaak worden bestudeerd, wordt de ruimtelijke volgorde (rangschikking) van AV's en HDV's binnen een konvooi vaak over het hoofd gezien. Veldobservaties suggereren dat clustering versus willekeurige spreiding de macroscopische prestaties aanzienlijk beïnvloedt.
Dynamische Complexiteit: Er ontbreekt een uitgebreid kader dat voertuigdynamica van hogere orde, stochastisch gedrag en voertuigvolgorde integreert om te verklaren hoe hysterese-lussen evolueren in gemengd verkeer.

2. Methodologie

De auteurs stellen een Sequence-Based Stochastic Dynamic FD-kader voor dat microscopisch rijgedrag verbindt met macroscopische verkeersstaten. De methodologie bestaat uit drie kerncomponenten:

A. Beschrijvende Functie-analyse (DFA)

Om de non-lineariteit van HDV-rijgedragsmodellen (bijv. OVM, GFM, FVDM, IDM) te hanteren terwijl de mogelijkheid tot frequentiedomein-analyse behouden blijft, maken de auteurs gebruik van DFA.

Linearisatie: DFA benadert niet-lineaire systemen door alleen de fundamentele harmonische van de uitgang te behouden wanneer deze wordt aangedreven door een sinusvormige ingang.
Overdrachtsfuncties: Dit maakt het afleiden van benaderende, amplitude-afhankelijke lineaire overdrachtsfuncties ( $G(j\omega)$ ) voor niet-lineaire CF-wetten mogelijk. Dit overbrugt de kloof tussen niet-lineaire HDV-modellen en lineaire AV-controllers.
Harmonische Balans: De methode zorgt voor dynamische consistentie door de amplitude en faseverschuiving op te lossen waarbij de aangenomen sinusvormige respons overeenkomt met de uitgang van het systeem.

B. Probabilistisch Kader voor Gemengde Konvooien

De studie modelleert een konvooi van $N$ voertuigen dat wordt geleid door een sinusvormige verstoring.

Recursief Amplitudemodel: De oscillatieamplitude van het $l$ -de voertuig ( $A_l$ ) wordt recursief berekend op basis van de amplitude van de voorganger ( $A_{l-1}$ ) en de specifieke CF-wet en parameters van het voertuig.
Bronnen van Onzekerheid: Het kader integreert:
1. Modelheterogeniteit: Verschillende CF-wetten (bijv. IDM versus OVM voor HDV's; Lineair versus Hogere orde voor AV's).
2. Parameterwillekeur: CF-parameters worden behandeld als stochastische variabelen getrokken uit a priori verdelingen (gecalibreerd via Benaderende Bayesiaanse Berekening op NGSIM- en MA-datasets).
3. Sequentievariabiliteit: Expliciete enumeratie van voertuigvolgorde (bijv. AV-eerst, HDV-eerst, afwisselend, willekeurig).

C. Stochastische Dynamische FD Formulering

Macroscopische Mapping: Microscopische afstands- en snelheidsoptillaties worden gemapt naar macroscopische dichtheid ( $\tilde{k}$ ) en stroom ( $\tilde{q}$ ).
Monte Carlo Simulatie: Omdat gesloten vorm waarschijnlijkheidsdichtheidsfuncties (PDF's) voor de gezamenlijke verdeling van dichtheid en stroom onhandelbaar zijn vanwege de complexiteit van het recursieve stochastische proces, gebruiken de auteurs Monte Carlo-simulaties. Ze bemonsteren duizenden sequenties en parametersets om de gezamenlijke PDF van het dynamische FD te genereren.

3. Belangrijkste Bijdragen

Nieuw Kader: Ontwikkeling van het eerste stochastische, sequentie-gebaseerde dynamische FD dat expliciet rekening houdt met zowel voertuigklasse-heterogeniteit (AV versus HDV) als ruimtelijke sequentie.
Analytisch-Rekenkundige Hybride: Succesvolle integratie van Beschrijvende Functie-analyse (voor analytische hanteerbaarheid van non-lineariteiten) met Monte Carlo-simulatie (om volledige stochastische verdelingen vast te leggen).
Kwantificering van Sequencing-effecten: Aantonen dat de volgorde van voertuigen even kritiek is als het penetratiepercentage bij het bepalen van verkeersstabiliteit en hysterese-grootte.
Calibratie: Calibratie van CF-modelkansen en parameters met behulp van real-world hoog-resolutie trajectdata (I-80 en I-24 datasets) en gecontroleerde AV-experimenten (MA dataset).

4. Belangrijkste Resultaten

De studie voerde numerieke experimenten uit met een 21-voertuigen konvooi, variërend in AV-penetratiepercentages (0% tot 100%) en sequentiescenario's.

A. Impact van Voertuigvolgorde

AV-Eerst Scenario (AV's leidend): Produceerde de grootste hysterese-lussen en de hoogste stroomvariabiliteit.
- Mechanisme: AV's initiëren gestructureerde oscillaties. Wanneer deze zich voortplanten naar achterliggende HDV's, versterkt het niet-lineaire, amplitude-afhankelijke gedrag van de HDV's de oscillaties, wat leidt tot grillige en brede hysterese-lussen.
HDV-Eerst Scenario (HDV's leidend): Produceerde de kleinste hysterese-lussen en de laagste variabiliteit.
- Mechanisme: HDV's aan de voorkant genereren initiële verstoringen, maar de daaropvolgende AV's (die minder gevoelig zijn voor amplitude) dempen en stabiliseren de oscillaties terwijl ze stroomafwaarts voortplanten.
Afwisselend/Willekeurig: Resulteerde in intermediaire uitkomsten, wat bevestigt dat mengstrategieën belangrijk zijn.

B. Impact van AV Penetratiepercentage

Hysterese Demping: Over het algemeen vermindert het verhogen van het AV-penetratiepercentage de grootte (oppervlakte) en variabiliteit van de hysterese-lus.
- Oppervlakte van de Convexe Huls bij Hoge Dichtheid: Daalde van 861,82 (0% AV) naar 694,34 (100% AV) $voertuig^2/(km \cdot h)$ .
- Standaardafwijking Stroom: Daalde van 104,29 naar 72,19 $voertuig/h$.
Niet-monotonie: De verbetering is niet strikt lineair. In sommige intermediaire penetratiescenario's (bijv. 33,3% of 66,7%) kan de variabiliteit tijdelijk toenemen afhankelijk van de specifieke volgorde, wat benadrukt dat "meer AV's" niet altijd gelijkstaat aan "betere stabiliteit" zonder rekening te houden met plaatsing.

C. Frequentieresponsanalyse

HDV-modellen (OVM, GFM, FVDM, IDM) vertonen over het algemeen marginale stabiliteit (versterking $|G| \approx 1$ ) bij lage frequenties, waardoor ze vatbaar zijn voor golfversterking.
IDM toonde de hoogste gevoeligheid voor parameterkeuze, wat resulteerde in de breedste spreiding in dynamische respons.

5. Betekenis en Implicaties

Theoretische Vooruitgang: Het artikel gaat voorbij aan statische FD's en deterministische modellen en biedt een rigoureuze wiskundige basis voor het begrijpen van de stochastische en dynamische aard van verkeer in het tijdperk van automatisering.
Beleid en Management:
- Konvooivorming: Verkeersmanagementstrategieën moeten voertuigvolgorde overwegen. Bijvoorbeeld, het plaatsen van AV's aan de achterkant van een gemengd konvooi (of ervoor zorgen dat HDV's leiden) kan effectiever zijn in het onderdrukken van stop-en-go-golven dan het plaatsen van AV's aan de voorkant.
- Beheer in de Transitiefase: Tijdens de fase van gedeeltelijke adoptie van AV's is het simpelweg verhogen van het aantal AV's onvoldoende; hun ruimtelijke verdeling moet worden geoptimaliseerd om hysterese te minimaliseren en capaciteit te maximaliseren.
Toekomstige Richtingen: Het kader suggereert dat toekomstige controller-tuning voor AV's expliciet rekening moet houden met de stochastische aard van menselijke bestuurders en het potentieel voor sequentie-afhankelijke instabiliteit.

Concluderend toont de studie aan dat verkeershysterese in gemengde omgevingen niet alleen wordt bepaald door de samenstelling van AV's en HDV's, maar kritiek door hoe ze interageren via hun specifieke sequentie, wat een nieuwe lens biedt voor het ontwerpen van stabiele gemengde verkeerssystemen.