Stochastic and Dynamic Fundamental Diagram for Mixed Traffic

1. Formulação do Problema

A teoria tradicional de fluxo de tráfego baseia-se no Diagrama Fundamental (DF), que descreve uma relação estática e determinística entre fluxo, densidade e velocidade sob equilíbrio de estado estacionário. No entanto, o tráfego do mundo real raramente permanece em equilíbrio; ele exibe histerese de tráfego, onde o caminho fluxo-densidade traça um loop elíptico em vez de uma única curva.

A literatura existente enfrenta três lacunas críticas ao abordar o tráfego misto (composto por Veículos Automatizados [AVs] e Veículos Conduzidos por Humanos [HDVs]):

1. Suposições Determinísticas: A maioria dos modelos trata o comportamento de seguimento de veículo (CF) como determinístico, ignorando a aleatoriedade intrínseca dos tempos de reação humanos e a incerteza paramétrica dos controladores de AVs.
2. Negligência da Sequenciação: Embora as taxas de penetração (a porcentagem de AVs) sejam frequentemente estudadas, a sequência espacial (ordenação) de AVs e HDVs dentro de um pelotão é frequentemente negligenciada. Observações de campo sugerem que o agrupamento versus a dispersão aleatória impacta significativamente o desempenho macroscópico.
3. Complexidade Dinâmica: Há uma falta de um quadro abrangente que integre dinâmicas veiculares de alta ordem, comportamento estocástico e sequenciação de veículos para explicar como os loops de histerese evoluem no tráfego misto.

2. Metodologia

Os autores propõem um quadro DF Dinâmico Estocástico Baseado em Sequência que conecta comportamentos de condução microscópicos com estados de tráfego macroscópicos. A metodologia consiste em três componentes principais:

A. Análise de Função Descritiva (DFA)

Para lidar com a não linearidade dos modelos de seguimento de veículo de HDVs (por exemplo, OVM, GFM, FVDM, IDM) mantendo a capacidade de realizar análise no domínio da frequência, os autores empregam a DFA.

• Linearização: A DFA aproxima sistemas não lineares retendo apenas o harmônico fundamental da saída quando acionada por uma entrada senoidal.
• Funções de Transferência: Isso permite a derivação de funções de transferência lineares aproximadas e dependentes da amplitude ($G(j\omega)$) para leis de CF não lineares. Isso preenche a lacuna entre modelos de HDV não lineares e controladores de AV lineares.
• Balanço Harmônico: O método garante consistência dinâmica ao resolver a amplitude e o deslocamento de fase onde a resposta senoidal assumida corresponde à saída do sistema.

B. Quadro Probabilístico para Pelotões Mistos

O estudo modela um pelotão de $N$ veículos liderado por uma perturbação senoidal.

• Modelo de Amplitude Recursiva: A amplitude de oscilação do $l$-ésimo veículo ($A_l$) é calculada recursivamente com base na amplitude do predecessor ($A_{l-1}$) e na lei de CF específica do veículo e seus parâmetros.
• Fontes de Incerteza: O quadro incorpora:
  1. Heterogeneidade de Modelos: Diferentes leis de CF (por exemplo, IDM vs. OVM para HDVs; Linear vs. Alta ordem para AVs).
  2. Aleatoriedade Paramétrica: Os parâmetros de CF são tratados como variáveis aleatórias extraídas de distribuições a priori (calibradas via Computação Bayesiana Aproximada nos conjuntos de dados NGSIM e MA).
  3. Variabilidade de Sequência: Enumeração explícita da ordenação de veículos (por exemplo, AV primeiro, HDV primeiro, alternado, aleatório).

C. Formulação de DF Dinâmico Estocástico

• Mapeamento Macroscópico: Oscilações microscópicas de espaçamento e velocidade são mapeadas para densidade ($\tilde{k}$) e fluxo ($\tilde{q}$) macroscópicos.
• Simulação de Monte Carlo: Como as funções de densidade de probabilidade (PDFs) de forma fechada para a distribuição conjunta de densidade e fluxo são intratáveis devido à complexidade do processo estocástico recursivo, os autores utilizam simulações de Monte Carlo. Eles amostram milhares de sequências e conjuntos de parâmetros para gerar a PDF conjunta do DF dinâmico.

3. Contribuições Principais

1. Quadro Inovador: Desenvolvimento do primeiro DF dinâmico estocástico baseado em sequência que contabiliza explicitamente tanto a heterogeneidade de classe de veículo (AV vs. HDV) quanto a sequenciação espacial.
2. Híbrido Analítico-Computacional: Integração bem-sucedida da Análise de Função Descritiva (para tratabilidade analítica de não linearidades) com simulação de Monte Carlo (para capturar distribuições estocásticas completas).
3. Quantificação dos Efeitos de Sequenciação: Demonstração de que a ordem dos veículos é tão crítica quanto a taxa de penetração na determinação da estabilidade do tráfego e da magnitude da histerese.
4. Calibração: Calibração de probabilidades e parâmetros de modelos de CF utilizando dados de trajetória de alta resolução do mundo real (conjuntos de dados I-80 e I-24) e experimentos controlados com AVs (conjunto de dados MA).

4. Resultados Principais

O estudo conduziu experimentos numéricos com um pelotão de 21 veículos, variando as taxas de penetração de AVs (0% a 100%) e cenários de sequenciação.

A. Impacto da Sequenciação de Veículos

• Cenário AV-Primeiro (AVs liderando): Produziu os maiores loops de histerese e a maior variabilidade de fluxo.
  • Mecanismo: AVs iniciam oscilações estruturadas. À medida que estas se propagam para HDVs que seguem, o comportamento não linear e dependente da amplitude dos HDVs amplifica as oscilações, levando a loops de histerese erráticos e amplos.
• Cenário HDV-Primeiro (HDVs liderando): Produziu os menores loops de histerese e a menor variabilidade.
  • Mecanismo: HDVs na frente geram perturbações iniciais, mas os AVs subsequentes (que são menos sensíveis à amplitude) amortecem e estabilizam as oscilações à medida que se propagam a jusante.
• Alternado/Aleatório: Resultou em resultados intermediários, confirmando que estratégias de mistura importam.

B. Impacto da Taxa de Penetração de AVs

• Amortecimento de Histerese: Geralmente, o aumento da penetração de AVs reduz a magnitude (área) e a variabilidade do loop de histerese.
  • Área do Casco Convexo de Alta Densidade: Diminuiu de 861,82 (0% AV) para 694,34 (100% AV) $veic^2/(km \cdot h)$.
  • Desvio Padrão do Fluxo: Diminuiu de 104,29 para 72,19 $veic/h$.
• Não Monotonicidade: A melhoria não é estritamente linear. Em alguns cenários de penetração intermediária (por exemplo, 33,3% ou 66,7%), a variabilidade pode aumentar temporariamente dependendo da sequência específica, destacando que "mais AVs" nem sempre equivale a "melhor estabilidade" sem considerar o posicionamento.

C. Análise de Resposta em Frequência

• Modelos de HDV (OVM, GFM, FVDM, IDM) geralmente exibem estabilidade marginal (ganho $|G| \approx 1$) em baixas frequências, tornando-os propensos à amplificação de ondas.
• O IDM mostrou a maior sensibilidade à escolha de parâmetros, resultando na maior dispersão na resposta dinâmica.

5. Significado e Implicações

• Avanço Teórico: O artigo vai além dos DFs estáticos e modelos determinísticos, fornecendo uma base matemática rigorosa para entender a natureza estocástica e dinâmica do tráfego na era da automação.
• Política e Gestão:
  • Formação de Pelotões: Estratégias de gestão de tráfego devem considerar a sequenciação de veículos. Por exemplo, colocar AVs na traseira de um pelotão misto (ou garantir que HDVs liderem) pode ser mais eficaz na supressão de ondas de parar-e-andar do que colocar AVs na frente.
  • Gestão da Era de Transição: Durante a fase de adoção parcial de AVs, simplesmente aumentar o número de AVs é insuficiente; sua distribuição espacial deve ser otimizada para minimizar a histerese e maximizar a capacidade.
• Direções Futuras: O quadro sugere que o ajuste futuro de controladores para AVs deve contabilizar explicitamente a natureza estocástica dos motoristas humanos e o potencial de instabilidade dependente da sequência.

Em conclusão, o estudo demonstra que a histerese de tráfego em ambientes mistos é governada não apenas pela composição de AVs e HDVs, mas criticamente por como eles interagem através de sua sequenciação específica, oferecendo uma nova lente para o projeto de sistemas de tráfego misto estáveis.