MARC

 008260126s2025        us                              c    eng  d
■001000017358499
■00520260202104710
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286456482
■035    ▼a(MiAaPQ)AAI32118587
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a385
■1001  ▼aJiang,  Jiwan.
■24510▼aFundamental  Diagram  for  Mixed  Traffic  Flow:  Stochastic  and  Dynamic  Properties
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a132  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Ahn,  Soyoung  Sue.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aWith  the  increasing  integration  of  automated  vehicles  (AVs)  into  existing  traffic  systems  predominantly  composed  of  human-driven  vehicles  (HDVs),  understanding  mixed  traffic  dynamics  becomes  critically  important  for  efficient  and  stable  transportation  management.  This  dissertation  aims  to  elucidate  the  stochastic  and  dynamic  properties  of  traffic  flow,  mixed  with  HDVs  and  AVs.  To  achieve  this,  the  study:  (1)  investigates  the  stochastic  car-following  features  inherent  to  both  HDVs  and  AVs;  (2)  analytically  derives  a  stochastic  dynamic  fundamental  diagram  (FD)  for  AV  traffic  based  on  a  well-known  car  following  control  model;  and  (3)  extends  the  above  FD  framework  to  mixed  traffic  by  incorporating  the  stochastic  and  nonlinear  properties  characteristic  of  HDVs.Car  following  (CF)  models  are  crucial  for  understanding  traffic  dynamics;  however,  human  drivers'  CF  behaviors  are  unpredictable  and  nonlinear.  Identifying  the  best  CF  model  remains  challenging  despite  extensive  research,  compounded  by  the  introduction  of  automated  vehicles  with  proprietary  controllers.  To  address  this,  the  present  study  introduces  a  stochastic  learning  framework  based  on  Approximate  Bayesian  Computation  (ABC),  which  systematically  integrates  multiple  CF  models  into  a  hybrid  representation.  This  approach  evaluates  and  combines  models  according  to  their  likelihood  of  accurately  describing  observed  driving  behaviors,  thus  enhancing  interpretability  and  predictive  accuracy.  Evaluations  conducted  using  two  distinct  datasets  demonstrate  that  this  hybrid  model  framework  significantly  improves  trajectory  reproduction  for  both  HDVs  and  AVs  compared  to  traditional  single-model  approaches.The  fundamental  diagram  (FD)  of  traffic  flow  describes  intrinsic  relationships  among  flow,  density,  and  speed,  serving  as  a  foundational  tool  for  traffic  analysis.  Advancing  beyond  static  FD  representations,  this  study  analytically  formulates  a  dynamic  FD  by  deriving  it  directly  from  vehicle-level  CF  (control)  laws,  thus  capturing  complex  dynamic  phenomena  such  as  traffic  hysteresis.  This  analytical  derivation  leverages  a  frequency-domain  representation  of  vehicle  kinematics  coupled  with  continuum  approximations  of  macroscopic  traffic  variables.  The  proposed  formulation  is  sufficiently  general  to  accommodate  any  analytically  describable  CF  law  applicable  to  either  HDVs  or  AVs.  Numerical  experiments  shed  light  on  how  the  choice  of  density-flow  measurement  regions  and  CF  parameters  influence  dynamic  FD  properties  within  AV  platoons.Building  upon  these  developments,  this  research  further  extends  the  FD  framework  to  mixed  traffic  environments,  explicitly  incorporating  the  stochastic  and  nonlinear  CF  characteristics  of  HDVs.  Utilizing  describing  function  analysis  (DFA),  approximate  linear  transfer  functions  are  derived  for  nonlinear  HDV  CF  models.  Subsequently,  a  sequence-based  stochastic  dynamic  FD  is  established  for  mixed  platoons,  enabling  quantification  of  density  and  flow  under  varying  vehicle  sequencing  configurations  and  AV  penetration  rates.  Given  the  complexity  of  the  stochastic  interactions  and  the  absence  of  closed-form  solutions,  Monte  Carlo  simulations  are  employed  to  characterize  the  resulting  FD  properties  comprehensively.  Findings  from  these  simulations  indicate  that  HDVs  introduce  greater  randomness  and  variability,  whereas  AVs  produce  more  structured,  though  still  oscillatory,  dynamic  patterns.  This  underscores  the  necessity  of  carefully  managing  AV  integration  strategies  to  mitigate  unintended  amplification  of  traffic  oscillations.In  conclusion,  this  dissertation  establishes  a  systematic  and  integrated  framework  for  modeling  and  understanding  mixed  traffic  dynamics,  effectively  capturing  both  the  stochasticity  inherent  in  human  driver  behaviors  and  the  nonlinear  dynamics  introduced  by  diverse  AV  control  strategies.  The  outcomes  of  this  research  provide  critical  insights  and  methodological  contributions  that  support  the  development  of  advanced  traffic  modeling  tools  and  simulation  approaches.  Ultimately,  these  findings  contribute  to  a  comprehensive  understanding  of  traffic  dynamics  in  mixed-vehicle  contexts,  informing  future  traffic  management  strategies  and  supporting  the  broader  transition  towards  increasingly  automated  transportation  systems.
■590    ▼aSchool  code:  0262.
■650  4▼aTransportation
■650  4▼aEngineering
■650  4▼aAutomotive  engineering
■650  4▼aEnvironmental  engineering
■653    ▼aAutomated  vehicle
■653    ▼aCar  following
■653    ▼aFundamental  diagram
■653    ▼aHuman  driven  vehicle
■653    ▼aMixed  traffic
■653    ▼aTraffic  hysteresis
■690    ▼a0709
■690    ▼a0775
■690    ▼a0537
■690    ▼a0540
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358499▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서