HLSR: Hybrid Live Forecast Selective Dynamic Vehicle Rerouting for Real-Time Congestion Avoidance
本文提出了 HLSR，一种选择性混合实时预测框架，该框架通过整合实时速度、短时预测以及针对驾驶员定制的指标，动态地为有限的车辆子集重新规划路径，从而在无需进行全网重新规划的情况下实现有效的实时拥堵规避。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
城市正变得日益密集，而城市内的道路也难以跟上这种步伐。随着越来越多的人从农村迁往城市中心，交通网络的压力也随之加剧。由于空间和成本限制，单纯通过修建更多道路往往是不可能的，因此城市必须寻找更聪明的方法来管理现有车辆的流量。目前的导航应用（如智能手机上的应用）在驾驶员开始行程时的即时交通状况下寻找最快路线方面表现良好。然而，当驾驶员已经在路上时，这些应用就会遇到困难。如果前方发生交通拥堵，这些应用往往无法为已经投入特定路径的驾驶员重新规划路线，或者更糟的是，它们可能会将过多的驾驶员引导至一条新路线，从而在其他地方造成新的瓶颈。交通工程师面临的挑战在于，如何进行恰到好处的干预，以平滑拥堵，而不至于因改变每一辆车的计划而引发混乱。
为了解决这个问题，研究人员开发了一种名为 HLSR 的新系统，全称为“混合实时—预测选择性动态车辆重路由”（Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting）。该方法在对台湾台南市进行的详细计算机模拟中得到了测试，该模拟使用了一个追踪单辆车辆的微观交通模型。HLSR 的核心理念是“选择性”而非“全面性”。它并不试图为城市中的每一辆车重新规划路线，而是识别特定的瓶颈，并仅对那些可能被困住或正在接近问题区域的车辆进行干预。它的作用就像一名观察流量的交通管理员，发现正在形成的拥堵后，在车辆被困之前，轻轻地引导靠近拥堵的车辆走上不同的路径，同时让其余的交通自然流动。
该系统通过三个主要阶段运行。首先，它通过观察两个特定指标来检测拥堵：道路的拥挤程度以及车辆的行驶速度。它并不依赖于单一因素；相反，它要求在道路拥挤且速度显著下降时，才会判定拥堵真实存在。这可以防止系统对那些能够自行缓解的轻微减速做出反应。一旦确认拥堵，系统就会选择需要重新规划路线的车辆。它会观察当前位于通往拥堵路段上的车辆，以及即将进入这些路段的车辆。这确保了干预的及时性，在驾驶员完全陷入队列之前就捕捉到他们。
HLSR 最显著的创新在于它如何计算最佳新路线。传统系统通常只关注当前的交通状况。然而，HLSR 将此时此刻正在发生的状况与未来几分钟内的短期预测相结合。对于驾驶员将立即行驶的路段，系统信任来自道路传感器的实时数据。对于驾驶员稍后才会到达的更远路段，系统则依赖于对未来交通速度的预测。这种混合方法使系统能够避开那些现在看起来畅通、但预计在驾驶员到达时会变得拥堵的路线。此外，它还通过考虑不同驾驶员的行为（例如他们倾向于比平均水平开得更快还是更慢）来使这些预测个性化。
模拟结果非常显著。在 8,000 辆车的场景中，新系统将平均行驶时间减少到了 380.6 秒。这明显快于仅使用实时数据来重新规划相同数量车辆的系统，后者的平均时间为 438.1 秒。它也优于试图重新规划城市中每一辆车的实时数据系统，后者的平均时间为 408.1 秒。研究人员发现，混合实时与预测的方法是成功的关键驱动力；如果没有预测元素，系统的性能会明显下降。即使当交通量增加到 16,000 辆甚至 20,000 辆时，HLSR 系统仍然是最有效的，保持了比所有其他测试方法更低的行驶时间。
研究还探讨了系统在选择重路由车辆时应该向后追溯多远。他们发现，向后追溯过远会导致远离拥堵的驾驶员进行不必要的变更，而追溯过近则会错过需要帮助的驾驶员。最佳设置是向后追溯九个路段，这平衡了既要及早干预又不会干扰过多人的需求。研究人员还测试了预测未来交通的不同方式。他们发现，一个专门设计用于对最佳路线进行排序的系统，比一个仅仅准确预测每个路段速度的系统，在实现减少行驶时间这一总体目标方面效果更好。
最终，这项研究表明，一种针对性的、智能化的交通管理方法比一刀切的方法更有效。通过结合实时观测与短期预测，并仅在必要时进行干预，城市可以在不造成大规模干扰的情况下减少行驶时间和排放。模拟表明，这种方法足以应对沉重的交通负荷，为旨在保持城市顺畅运行的智能交通系统提供了一条切实可行的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。