MARC

 008250123s2024        us                              c    eng  d
■001000017165079
■00520250211153121
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346872405
■035    ▼a(MiAaPQ)AAI31762613
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aFu,  Sicheng.
■24510▼aSpatial-Temporal  Traffic  Flow  Recovery  and  Prediction  in  Large-Scale  Urban  Transportation  Networks
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-06,  Section:  B.
■500    ▼aAdvisor:  Ran,  Bin.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aIn  urban  transportation  systems,  comprehensive  and  accurate  traffic  flow  information  is  essential  for  effective  planning,  infrastructure  development,  route  optimization,  and  enhancing  Intelligent  Transportation  Systems  (ITS)  to  improve  safety,  mobility,  and  sustainability.  However,  significant  spatial  and  temporal  challenges  hinder  the  efficient  use  of  this  data.  Spatially,  urban  traffic  detectors  are  often  sparsely  placed  due  to  cost  and  physical  constraints,  leading  to  data  gaps  that  limit  network  coverage  and  monitoring  accuracy.  Temporally,  urban  traffic  flow  is  highly  variable,  influenced  by  factors  such  as  road  types,  lane  configurations,  intersections,  and  recurring  congestion  patterns,  making  it  difficult  to  rely  solely  on  historical  and  real-time  data  for  proactive  decision-making.  To  address  these  challenges,  this  thesis  introduces  a  comprehensive  approach  to  urban  traffic  flow  recovery  and  prediction,  utilizing  a  vehicle-road-cloud  architecture  within  the  ITS  to  support  obtaining  traffic  flow  information  across  the  city  network  in  both  spatial  and  temporal  dimensions.To  address  spatial  data  gaps,  this  dissertation  proposes  two  urban  traffic  flow  recovery  methods  based  on  a  sparse  optimization  framework  and  an  analytical  optimization  framework.  These  methods  utilize  GPS  speed  data  from  connected  automated  vehicles  (CAVs)  alongside  sparse  flow  data  to  achieve  comprehensive,  network-wide  traffic  flow  recovery.  Both  methods  employ  a  dynamic  traffic  assignment  matrix  to  connect  large-scale  network  speed  data  with  individual  link-level  flows.  The  Sparse  Recovery  method  utilizes  the  LASSO  framework  to  induce  sparsity,  which  is  particularly  effective  when  link  flow  data  is  missing  due  to  limited  sensor  coverage.  The  Analytical  Recovery  method  formulates  the  optimization  problem  using  a  quadratic  objective  function,  which  offers  intuitive  insights  into  traffic  flow  dynamics  by  using  Stochastic  Gradient  Descent  (SGD)  and  Lagrange  Relaxation  (LR)  for  parameter  fine-tuning.  These  methods  were  validated  through  both  a  real-world  case  study  and  a  hypothetical  case  study  in  Futian  District,  Shenzhen.  Utilizing  a  city-level  simulation  platform  built  with  SUMO  to  replicate  urban  traffic,  both  methods  demonstrated  close  alignment  with  actual  traffic  flows  and  consistently  maintained  low  estimation  errors.  This  underscores  their  potential  for  effective  large-scale  traffic  flow  recovery  using  GPS  data,  even  when  flow  observations  are  limited.To  extend  the  temporal  dimension  of  traffic  flow  data,  this  thesis  further  introduces  a  Dynamic  Urban  Spatial  Temporal  Graph  Convolutional  Network  (DUST-GCN)  that  leverages  historical  traffic  data  and  road  information  integrated  to  predict  future  urban  traffic  flow.  Accounting  for  the  dynamic  and  heterogeneous  nature  of  urban  traffic,  DUST-GCN  incorporates  a  temporal-spatial  attention  mechanism  to  capture  dynamic  dependencies,  an  adaptive  graph  structure  to  reflect  changing  inter-road  relationships,  and  road-specific  embeddings  that  capture  the  unique  characteristics  of  various  road  types.  To  improve  long-term  prediction  accuracy,  a  hybrid  periodic  input  design  integrates  daily  and  weekly  patterns,  supported  by  GRU  layers  for  long-term  temporal  modeling.  Using  newly  developed  real-world  urban  traffic  datasets  with  corresponding  road  information  for  experiments,  DUST-GCN  consistently  outperformed  baseline  models  across  different  urban  traffic  scenarios,  proving  its  reliability  and  adaptability.Overall,  the  traffic  flow  recovery  and  prediction  approaches  developed  in  this  work  provide  comprehensive  spatial-temporal  traffic  information  across  city  networks.  These  advancements  support  urban  traffic  departments  in  traffic  management,  scheduling,  control,  and  work  zone  deployment,  offering  robust  tools  for  proactive  and  efficient  urban  transportation  planning.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aEnvironmental  engineering
■653    ▼aSpatial-temporal  data
■653    ▼aTraffic  flow  data
■653    ▼aTraffic  flow  prediction
■653    ▼aTraffic  flow  recovery
■653    ▼aTraffic  simulation
■653    ▼aUrban  transportation
■690    ▼a0709
■690    ▼a0543
■690    ▼a0775
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g86-06B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165079▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books