Denna rapport är ett kandidatexamensarbete vid Kungliga Tekniska Högskolan och ärämnat att fungera som en handbok för autonoma fordon, detta genom att arbetet är indelati tre huvudområden; det autonoma fordonets uppbyggnad, det autonoma fordonetshistoria samt det autonoma fordonets roll i det framtida samhället. Syftet med arbetet äratt ge en övergripande helhetsbild av dessa tre områden. Arbetet har avgränsats till attendast fokusera på personbilsindustrin, och tillvägagångssättet har varitinformationsinsamling från vetenskapliga källor. Ett autonomt fordon använder sig av ett flertal olika sensorer och system för att kunnaläsa av sin omgivning och därefter fatta beslut som resulterar i konkreta handlingar. Deviktigaste systemen innefattar lidar, radar, kameror, ultraljudssensorer, GPS, IMU samtkodare. Den största delen av utvecklingen av autonoma fordon har skett under de senastehundra åren. Startskottet kan anses vara Francis Houdinas något primitiva bil “LinriccanWonder” år 1925. Idag, cirka hundra år senare, har flera stora fordonstillverkare valt attlägga ett visst fokus på att utveckla dessa betydligt mer avancerade fordon. Fördelarnamed dessa fordon är många, och en integration av dessa på vägarna kan bland annat ledatill ett bättre trafikflöde, säkrare vägar, och en ökad grad av självständighet inom ett flertalgrupper i samhället. Dock finns det ett flertal utmaningar att ta itu med innan dessa fordonkan bli en möjlighet, vilka innefattar frågor kring bland annat cybersäkerhet, integritetoch ansvar. Frågan kring ansvar är möjligtvis den största flaskhalsen i utvecklingen ochhandlar om vem som bär ansvaret om ett autonomt fordon skulle infinna sig i en olycka,vilket om det läggs på fordonstillverkaren möjligtvis kan stjälpa utvecklingen av dessafordon.

Comprehensive information on traffic flow is essential for vehicular emission monitoring and traffic control. However, such information is not observable everywhere and anytime on the road because of high installation costs and malfunctions of stationary sensors. In order to compensate for stationary sensors’ weakness, this thesis analyses an approach for inferring traffic flows from mobile data provided by INRIX, a commercial crowd-sourced traffic dataset with wide spatial coverage and high quality. The idea is to develop Artificial Neural Network (ANN)-based models to automatically extract relations between traffic flow and INRIX measurements, e.g., speed and travel time, from historical data considering temporal and spatial dependencies. We conducted experiments using four weeks of data from INRIX and stationary sensors on two adjacent road segments on the E4 highway in Stockholm. Models are validated via traffic flow estimation based on one week of INRIX data. Compared with the traditional approach that fits the stationary flow-speed relationship based on the multi-regime model, the new approach greatly improves the estimation accuracy. Moreover, the results indicate that the new approach’s models have better resistance to the drift of input variables and can decrease the deterioration of estimation accuracy on the road segment without a stationary sensor. Hence, the new approach may be more appropriate for estimating traffic flows on the nearby road segments of a stationary sensor. The approach provides a highly automated means to build models adaptive to datasets and improves estimation and imputation accuracy. It can also easily integrate new data sources to improve the models. Therefore, it is very suitable to be applied to Intelligent Transport Systems (ITS) for traffic monitor and control in the context of the Internet of Things (IoT) and Big Data. / Information om trafikflödet är nödvändig för övervakning av fordonsutsläpp och trafikstyrning. Trafikflöden kan dock inte observeras överallt och när som helst på vägen på grund av höga installationskostnader och t.ex. funktionsstörningar hos stationära sensorer. För att kompensera för stationära sensorers svagheter analyseras i detta arbete ett tillvägagångssätt för att estimera trafikflöden från mobila data som tillhandahålls av INRIX. Detta kommersiella dataset innehåller restider som kommer från användare av bl.a. färdnavigatorer i fordon och som har en bred rumslig täckning och hög kvalitet. Idén är att utveckla modeller baserade på artificiellt neuronnät för att automatiskt extrahera samband mellan trafikflödesdata och restidsdata från INRIX-mätningarna baserat på historiska data och med hänsyn till tidsmässiga och rumsliga beroenden. Vi utförde experiment med fyra veckors data från INRIX och från stationära sensorer på två intilliggande vägsegment på E4:an i Stockholm. Modellerna valideras med hjälp av estimering av trafikflöde baserat på en veckas INRIX- data. Jämfört med det traditionella tillvägagångssättet som anpassar stationära samband mellan trafikflöde och hastighet baserat på fundamentaldiagram, förbättrar det nya tillvägagångssättet noggrannheten avsevärt. Dessutom visar resultaten att modellerna i den nya metoden bättre hanterar avvikelser i ingående variabler och kan öka noggrannheten på estimatet för vägsegmentet utan stationär sensor. Den nya metoden kan därför vara lämplig för att uppskatta trafikflöden på vägsegment närliggande en stationär sensor. Metodiken ger ett automatiserat sätt att bygga modeller som är anpassade till datamängderna och som förbättrar noggrannheten vid estimering av trafikflöden. Den kan också enkelt integrera nya datakällor. Metodiken är lämplig att tillämpa på tillämpningar inom intelligenta transportsystem för trafikövervakning och trafikstyrning.

Microscopic traffic simulation has become an important tool to investigate traffic efficiency and road safety. In order to produce meaningful results, incorporated driver behaviour models need to be carefully calibrated to represent real world conditions. In addition to macroscopic relationships such as the speed-density diagram, they should also adequately represent the average risk of accidents occurring on the road. In this thesis, I present a two stage computationally feasible multi-objective calibration process. The first stage performs a parameter sensitivity analysis to select only parameters with considerable effect on the respective objective functions to keep the computational complexity of the calibration at a manageable level. The second stage employs a multi-objective genetic algorithm that produces a front of Pareto optimal solutions with respect to the objective functions. Compared to traditional methods which focus on only one objective while sacrificing accuracy of the other, my method achieves a high degree of realism for both traffic flow and average risk. / Mikroskopisk trafiksimulering har blivit ett viktigt verktyg för att undersöka trafik effektivitet och trafiksäkerhet. För att producera meningsfulla resultat måste inbyggda drivrutinsbeteendemodeller noggrant kalibreras för att representera verkliga förhållanden i världen. Förutom makroskopiska relationer, såsom hastighetsdensitetsdiagrammet, bör de också på ett adekvat sätt representera den genomsnittliga risken för olyckor som uppträder på vägen. I denna avhandling presenterar jag en tvåstegs beräkningsberättigbar mångsidig kalibreringsprocess. Det första steget utför en parameterkänslighetsanalysför att bara välja parametrar med stor effekt på respektive objektiv funktioner för att hålla kalibrerings komplexiteten på en hanterbar nivå. Det andra steget använder en mångriktig genetisk algoritm som ger framsidan av Pareto optimala lösningar med hänsyn till objektivfunktionerna. Jämfört med traditionella metoder som fokuserar på endast ett mål, samtidigt som man offrar den andra, ger min metod en hög grad av realism för både trafikflöde och genomsnittlig risk.

Road traffic control has been around for a long time to guarantee the safety of vehicles and pedestrians. However, anomalies such as accidents or natural disasters cannot be avoided. Therefore, it is important to be prepared as soon as possible to prevent a higher number of human losses. Nevertheless, there is no system accurate enough that detects and classifies anomalies from the road traffic in real time. To solve this issue, the following study proposes the training of a machine learning model for detection and classification of anomalies on the highways of Stockholm. Due to the lack of a labeled dataset, the first phase of the work is to detect the different kind of outliers that can be found and manually label them based on the results of a data exploration study. Datasets containing information regarding accidents and weather are also included to further expand the amount of anomalies. All experiments use real world datasets coming from either the sensors located on the highways of Stockholm or from official accident and weather reports. Then, three models (Decision Trees, Random Forest and Logistic Regression) are trained to detect and classify the outliers. The design of an Apache Spark streaming application that uses the model with the best results is also provided. The outcomes indicate that Logistic Regression is better than the rest but still suffers from the imbalanced nature of the dataset. In the future, this project can be used to not only contribute to future research on similar topics but also to monitor the highways of Stockholm. / Vägtrafikkontroll har funnits länge för att garantera säkerheten hos fordon och fotgängare. Emellertid kan avvikelser som olyckor eller naturkatastrofer inte undvikas. Därför är det viktigt att förberedas så snart som möjligt för att förhindra ett större antal mänskliga förluster. Ändå finns det inget system som är noggrannt som upptäcker och klassificerar avvikelser från vägtrafiken i realtid. För att lösa detta problem föreslår följande studie utbildningen av en maskininlärningsmodell för detektering och klassificering av anomalier på Stockholms vägar. På grund av bristen på en märkt dataset är den första fasen av arbetet att upptäcka olika slags avvikare som kan hittas och manuellt märka dem utifrån resultaten av en datautforskningsstudie. Dataset som innehåller information om olyckor och väder ingår också för att ytterligare öka antalet anomalier. Alla experiment använder realtidsdataset från antingen sensorerna på Stockholms vägar eller från officiella olyckor och väderrapporter. Därefter utbildas tre modeller (beslutsträd, slumpmässig skog och logistisk regression) för att upptäcka och klassificera outliersna. Utformningen av en Apache Spark streaming-applikation som använder modellen med de bästa resultaten ges också. Resultaten tyder på att logistisk regression är bättre än resten men fortfarande lider av datasetets obalanserade natur. I framtiden kan detta projekt användas för att inte bara bidra till framtida forskning kring liknande ämnen utan även att övervaka Stockholms vägar.

When roadworks are performed, one of the impacts is delays in the traffic. Partly because of reduced speed limits past the work zones but mainly because of the facility's limited quality of service. This could result in significant delays for the road users with lost work and spare time as a consequence. The lost time in congestions could have been used more efficiently. It is therefore of interest to estimate these delays for different types of roadworks to calculate its macro economical impact. The estimations may be a factor in different types of planning, for example in roadwork planning, in work zone scheduling or in life cycle assessments. The estimations can be conducted using different methods, such as analytical, queuing theory or macrosimulation. However, to include the details of specific work zones an analysis method of higher detail is required. First to include varying geometric details, secondly due to the higher level of detail in the representation of the traffic. Therefore may microsimulation be a suitable analysis method. The purpose of this master thesis was to investigate microsimulations suitability for work zone analysis, by using the software AIMSUN. AIMSUN were different work zone types modeled, first of highways. Later was a 2-lane road modeled for which the traffic control was a fixed signal, then controlled by a simpler extension developed in C++ that simulated a flagger control. Using a developed helper program, the work zone models could be simulated for a large set of daily flow levels and heavy vehicle ratios. Together with corresponding results for normal conditions, it was possible to calculate the delays. The results were relationships between the total delays, for various heavy vehicle ratios. A concern with the results was deviations of the delays for different daily flows and heavy vehicle ratios. Even if the deviations will not have any greater impact on the total cost, they may be unwanted in decision models. Processing of the result may therefore be necessary. This master thesis has showed that microsimulation may be a suitable method to analyze work zone impacts. Using the high level of detail, work zones special character can be captured. Possible future work is to improve the reliability of results by performing validations of results with real work zone data to compare speeds, headways and queue lengths. Additional work may include to consider the diversion delays. / När vägarbeten utförs uppkommer fördröjningar i trafiken. Delvis på grund av reducerade hastigheter förbi arbetsområdet men i huvudsak på grund av minskad framkomlighet. Det kan resultera i betydande fördröjningar för trafikanterna med förlorad arbets- och fritid som följd.  Den förlorade tiden i köer kunde då ha använts effektivare. Det är då av intresse att kunna uppskatta fördröjningarna vid olika typer av vägarbeten för att beräkna dess samhällsekonomiska påverkan. Uppskattningarna kan då vara en faktor vid beslut inom olika typer av planering, till exempel vid vägarbetsplanering, schemaläggning eller livscykelanalyser. För att göra dessa uppskattningar kan olika metoder användas, till exempel analytiskt, med köteori eller makrosimulering. Men för att kunna inkludera detaljerna vid olika vägarbeten krävs en analysmetod med högre detaljnivå. Dels för att få med geometriska detaljer, dels detaljnivån i representation av trafiken. Då kan mikrosimulering vara en lämplig metod. Syftet med det här examensarbetat var att undersöka mikrosimulerings användbarhet vid vägarbetesanalyser, det genom att använda programvaran AIMSUN. I AIMSUN modellerades olika typer av vägarbeten, först för motorvägar. Sedan modellerades en 2-fältsväg där trafikkontrollen dels sköttes av en skyttelsignal, sedan utvecklades ett enklare tillägg i C++ som simulerade en flaggvakt som istället skötte trafikkontrollen. Med hjälp av ett utvecklat program kunde modellerna simuleras för en stor mängd olika dygnsflöden och andel tung trafik. Tillsammans med motsvarande grundscenario kunde fördröjningarna beräknas. Resultaten blev samband mellan totala fördröjningen under dagen beroende på dygnsflödet, det för olika andelar tung trafik. Ett bekymmer med resultaten var variationer i fördröjningarna mellan olika dygnsflödesnivåer och andelar tung trafik. Även om variationerna inte ger så stort utslag på totala kostnaden, så kan variationerna vara icke önskvärda i till exempel beslutsmodeller. En viss bearbetning av resultaten kan då vara nödvändig. Det här examensarbetet har visat att mikrosimulering kan vara en lämplig metod för att analysera vägarbetens påverkan. Med dess höga detaljnivå har vägarbetenas olika karaktär kunnat återskapas. Möjligt framtida arbete är att öka pålitligheten i resultaten genom validation med trafikdata från verkliga vägarbeten med jämförelser mellan hastigheter, avstånd och kölängder. Ytterligare arbete kan vara att uppskatta fördröjningar av att fordon väljer omvägar för att undvika vägarbetenas köer.