Due to the escalating demand for traffic information and management, the significance of traffic state estimation, which involves the assessment of traffic conditions on road segments with limited measurement data, is increasing. Two primary estimation methods are model-driven and data-driven. The former uses traffic flow models, while the latter relies on extensive historical data to explore relationships between traffic states. Due to the uninterrupted nature of highway traffic flow, conventional model-driven approach is adopted in the study to estimate traffic information from sensing data. Data-driven approach is applied to enhance the estimation results. The project mainly focuses on comparing the estimation performance between the Particle Filter and the commonly used Extended Kalman Filter. These two methods are implemented in combination with two typical traffic flow models: Cell Transmission Model and METANET. Moreover, the project investigates the potential of using vehicle-to-everything (V2X) data in traffic state estimation, either alone or combined with traditional inductive loop detector (ILD) data. Being an emerging traffic data source, V2X communication has been recently installed and tested on the motorways near Stockholm. This study provides essential insights into how V2X data can benefit existing traffic information estimation and its performance. To evaluate the models mentioned above, the estimation algorithms and traffic flow models are implemented in a self-developed platform, which may be useful for further work. Results from simulation experiments show that Particle Filter can carry out traffic state estimation with comparable accuracy to Extended Kalman Filter. While standalone V2X speed data falls short, effective fusion methods are implemented to combine both data types, ultimately achieving the desired accuracy. These fusion methods encompass direct filtering, weighted averaging, and linear regression. Future investigations could broaden their scope to include new data sources, such as unmanned aerial vehicles (UAVs), and delve into advanced data fusion techniques, such as deep learning. / På grund av den ökande efterfrågan på trafikinformation och trafikhantering ökar betydelsen av trafiklägesuppskattning, vilket innebär bedömning av trafikförhållandena på vägsegment med begränsade mätningsdata. Två primära uppskattningsmetoder är modellbaserade och datadrivna metoder. Den förra använder trafikflödesmodeller, medan den senare förlitar sig på omfattande historiska data för att utforska samband mellan trafiklägen. På grund av det oavbrutna vägtrafikflödet antas en konventionell modellbaserad metod i studien för att uppskatta trafikinformation från sensordata. Den datadrivna metoden används för att förbättra estimatresultaten. Projektet fokuserar främst på att jämföra prestandan i uppskattningen mellan Partikelfiltret och den vanligtvis använda Extended Kalman Filter. Dessa två metoder implementeras i kombination med två typiska trafikflödesmodeller: Cell Transmission Model och METANET. Dessutom undersöker projektet möjligheterna att använda fordons-till-allt (V2X) data i trafiklägesuppskattning, antingen ensamt eller i kombination med data från traditionella induktiva slingdetektorer (ILD). Som en framväxande källa till trafikdata har V2X-kommunikation nyligen installerats och testats på motorvägarna nära Stockholm. Denna studie ger väsentlig inblick i hur V2X-data kan gynna befintlig uppskattning av trafikinformation och dess prestanda. För att utvärdera ovan nämnda modeller implementeras uppskattningsalgoritmerna och trafikflödesmodellerna i en självutvecklad plattform, vilket kan vara användbart för framtida arbete. Resultaten från simuleringsexperiment visar att Partikelfiltret kan utföra trafiklägesuppskattning med jämförbar noggrannhet jämfört med Extended Kalman Filter. Medan fristående V2X-hastighetsdata inte når hela vägen fram implementeras effektiva sammanslagningsmetoder för att kombinera båda datatyperna och slutligen uppnå önskad noggrannhet. Dessa sammanslagningsmetoder omfattar direkt filtrering, viktad medelvärdesbildning och linjär regression. Framtida undersökningar kan utvidga deras omfattning för att inkludera nya datakällor, såsom obemannade flygfordon (UAV:er), och utforska avancerade tekniker för datafusion, såsom djupinlärning.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-339426 |
| Date | January 2023 |
| Creators | Xu, Jiaqi |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS), Stockholm : KTH Royal Institute of Technology |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2023:729 |
Page generated in 0.0032 seconds