Resumen

A pesar de la amplia aplicación de los Floating Car Data (FCD) en la estimación del tiempo de viaje y la congestión de los enlaces urbanos, la escasez de observaciones procedentes de una baja tasa de penetración de coches flotantes equipados con GPS dificulta la estimación de la distribución del tiempo de viaje (TTD), especialmente cuando los tiempos de viaje pueden tener distribuciones multimodales que están asociadas con los estados subyacentes del tráfico. En este caso, el estudio desarrolla un enfoque bayesiano basado en el marco del filtro de partículas para la estimación de la TTD del enlace utilizando observaciones de tiempo de viaje en tiempo real e históricas de FCD. En primer lugar, los tiempos de viaje del enlace se clasifican por diferentes estados de tráfico según los niveles de retrasos de los vehículos. A continuación, se representa una función de transición de estados como una matriz de probabilidad de transición de la cadena de Markov entre los enlaces anteriores y actuales con observaciones históricas. Utilizando la función estado-transición, se construye una distribución de importancia como la suma de los TTD de los enlaces históricos condicionados por los estados ponderados por las probabilidades de estado de los enlaces actuales. Además, se desarrolla una estrategia de muestreo para abordar el problema de la escasez de observaciones seleccionando las partículas con mayor peso en términos de la distribución de importancia y una función de verosimilitud gaussiana. Por último, el TTD del enlace actual puede reconstruirse mediante un algoritmo genérico Markov Chain Monte Carlo que incorpora partículas con pesos elevados. El enfoque propuesto se evalúa utilizando FCD del mundo real. Los resultados indican que el enfoque propuesto proporciona buenas estimaciones precisas, muy próximas a las distribuciones empíricas. Además, se prueba el enfoque con distintos porcentajes de coches flotantes. Los resultados son alentadores, incluso cuando existen distribuciones multimodales y muy pocas o ninguna observación.

• 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:enfoque, observaciones, distribución de importancia, distribuciones multimodales, función de transición, probabilidades de estado del enlace actual, algoritmo monte carlo de cadena de markov genérica, observaciones históricas del tiempo de viaje, tiempo de viaje en enlaces urbanos, función de verosimilitud gaussiana
• Keywords:approach, observations, importance distribution, multimodal distributions, transition function, current link state probabilities, generic markov chain monte carlo algorithm, historical travel time observations, urban link travel time, gaussian likelihood function