Resumen

Se aplicó un modelo de mezcla finita de regresión logística (FMLR) para analizar la heterogeneidad dentro de la población de conductores fusionados. Este modelo puede proporcionar automáticamente información oculta útil sobre las características de la población de conductores. Se utilizaron el algoritmo EM y el algoritmo Newton-Raphson para estimar los parámetros. Para lograr el objetivo de este estudio, se aplicó el modelo FMLR a un conjunto de datos de trayectorias extraído del conjunto de datos NGSIM y se identificó un modelo FMLR de 2 componentes. Las conclusiones importantes pueden resumirse como sigue: Los conductores estudiados pueden clasificarse en dos componentes. Uno se denomina "impulsores que rechazan el riesgo". Estos conductores coinciden con estudios anteriores y se fusionan principalmente lo antes posible y tienen una clara preferencia por los grandes huecos. El otro es el de los conductores arriesgados, que son mucho menos sensibles al tamaño del hueco y prestan más atención a las condiciones del tráfico circundante, como la velocidad del vehículo delantero en el carril auxiliar y el espacio entre el vehículo que se incorpora y los vehículos que le preceden en el carril auxiliar. Los conductores arriesgados utilizan el carril auxiliar para llegar a la zona más descendente o menos congestionada del carril principal. El modelo propuesto también puede producir una precisión de predicción mayor que el modelo de regresión logística.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:modelo de regresión logística, carril auxiliar, riesgo, tomar conductores, población de conductores, componente modelo fmlr, conductores, modelo, algoritmo em, modelo fmlr
• Keywords:logistic regression model, auxiliary lane, risk, taking drivers, driver population, component fmlr model, drivers, model, em algorithm, fmlr model