Utilizamos cookies propias y de terceros para mejorar nuestra web mediante el análisis de tu navegación en nuestro sitio. Si continuas navegando, consideraremos que aceptas su uso. Para más información, consulta nuestra Política de Cookies.

Aceptar

Cancelar

Para no perderte ni un solo proyecto,

coloca el dispositivo en posición vertical.

; )

La clave para analizar la funcionalidad del tráfico: El comportamiento de los conductores

10/11/2020

Comportamiento al volante

La evaluación del tráfico se estudia sobre la funcionalidad de las infraestructuras del mismo, p. Ej. carreteras, intersecciones semaforizadas o intersecciones con restricciones, etc. Este tipo de análisis se centra en las interacciones entre los participantes del tráfico (motorizado/no motorizado) e infraestructuras, con el fin de revelar la relación entre los participantes del tráfico y la funcionalidad resultante.

Por este motivo, las evaluaciones del tráfico son estudios empíricos que se basan en gran medida en mediciones de alta calidad de datos reales, incluyendo los siguientes aspectos,

  • Dónde: el aspecto geométrico, por ejemplo, dirección, carril;
  • Cuanto: la densidad y la intensidad del tráfico;
  • Quien: usuarios de la infraestructura, tipo de vehículo, peatones, etc.;
  • Cuando: periodos, por ejemplo, hora punta y hora valle, o festivo y día laboral;
  • Cómo: parámetros de comportamiento de conducción, por ejemplo, velocidad, headway;
  • Qué: bajo condición especificada, por ejemplo, lluvia, accidente.

Entre ellos, los factores de comportamiento de conducción que refieren velocidad, gaps ,cuando incorporrarse, o como actuar de la infraestructura estudiada son los datos más complejos de obtener del mundo real.

No solo porque son difíciles de recopilar bajo diferentes entornos sin interrumpir el tráfico en el sitio, sino también porque es muy complejo de procesar en datos brutos. Debido a eso, esos datos de comportamiento muchas veces se pasan por alto o se usan los valores por defecto en el análisis de del tráfico.

Son muchas las  tecnologías y dispositivos nuevos de recopilación de datos en el trabajo de campo  que se ha introducido en el marcado como los loop detectors, y dispositivos basados en radar, en GPS, o en cámaras de video, incluido los dispositivos UAV: (Unmanned Aerial Vehicle). La recopilación de datos sobre comportamiento de conducción se vuelve más factible y precisa

Entre los dispositivos mencionados, el UAV (conocido como drone) es más y más utilizado para conocer el flujo de tráfico y forma de conducción ya que no necesita equipos adicionales en tierra y, al no ser invasivo, no influye en el comportamiento del conductor. Es capaz de capturar las decisiones de maniobra táctica de los conductores en diferentes condiciones de tráfico, como flujo libre / congestionado, condiciones normales / lluviosas, condiciones de desplazamiento / no desplazamiento, debido a su costo y la calidad de los datos, con un coste razonable.

Como Vectio está tan familiarizado con la recopilación de datos utilizando UAV, tenemos una gran experiencia para lidiar con videos que puedan contener fallos en el proceso, como mala luz, inestabilidad o condiciones de lluvia.

Hay varios programas que permiten a los modeladores procesar videos grabados por UAV. Los modeladores podrían obtener la información no solo sobre el recuento de tráfico por cada movimiento y cada tipo de vehículo, sino también relacionados con el comportamiento de conducción, como velocidad, headway, aceleración, cambio de carril y aceptación de espacios (gap aceptada).

Uno de los que hemos explorado recientemente es el software Goodvision[1]. que proporciona a los modeladores de tráfico una plataforma interactiva para obtener los parámetros de comportamiento de información antes mencionados a través del enfoque de proceso de video.Aquellos lectores que estén interesados en conocer mejor los servicios de Goodvision pueden consultar su sitio web y el blog de Daniel[2]

El presente blog muestra un ejemplo de cómo obtenemos el critical gap utilizando los datos recopilados por UAV. El crtical gap es un parámetro importante que se utiliza para calcular la capacidad y el retraso de una carretera en la teoría de aceptación de espacios de intersecciones no señalizadas. Se define como el tiempo mínimo (intervalo) entre vehículos sucesivos en la corriente de tráfico opuesta (principal) que es aceptable para la entrada de vehículos de corriente opuesta (menor) (Guía del usuario de SIDRA). La precisión de la estimación de la capacidad está determinada principalmente por la precisión del critica gap.

Se propone el siguiente método de 4 pasos para estimar el critical gap de una glorieta, de modo que se puedan obtener primero los gaps aceptados y los gaps máximos rechazados requeridos, y luego calcular el gap crítico utilizando la técnica de máxima verosimilitud (máximum likelihood estimation).

  • Observación preliminar de la densidad del tráfico y recogida de la velocidad de aproximación/circulación de cada brazo de la rotonda para filtrar los movimientos del tráfico con sucesivas corrientes (Imagen 1 e imagen 2). Necesita ser observado; tanto el gap aceptado como el gap máximo rechazado se pueden obtener en movimiento con un flujo de tráfico exitoso. El analista debe establecer el umbral como un margen de seguimiento mínimo para detectar el flujo de tráfico exitoso. El umbral es variable en función del tipo de infraestructura de tráfico.
graph-1
Imagen 1. Visualización de trayectorias de vehículos en una rotonda estudiada (proporcionado por la plataforma Goodvision)
graph-2
Imagen 2. Heat-map de velocidad (proporcionado por la plataforma Goodvision)
  • Defina el evento de gap. A través de la plataforma, el analista podría configurar la zona de parada para recolectar los espacios de los vehículos de flujo menor y la línea de circulación para obtener los espacios de flujo de tráfico principal (Imagen 3).
graph-3
Imagen 3. Gap event
  • Desarrollar el método propio para obtener la flota de vehículos que circulan dentro de la rotonda, y el tiempo (headway) de cada vehículo de entrada o espera para acceder a la rotonda. Así, se puede calcular los gaps aceptados y los gaps máximo rechazados (a ver gráfico 1).
graph
Gráfico 1.Distribución de los gaps aceptados y los de rechazos máximos
  • Calcular el gap crítico de cada carril y cada movimiento de tráfico utilizando el método de máxima verosimilitud.

Se aplica el metódo de maximum likelihood (MLE) para estimar el gap crítico que se basa en el hecho de que el gap crítico de un conductor está entre el rango de su gap rechazado más grande y su gap aceptado. Se debe suponer una distribución probabilística para los gaps críticos. El lector puede encontrar más información en el trabajo de Tian et al., (1999).

De esta forma, el  gap crítico obtenido se puede emplear para calibrar y validar el programa de microsimulación como Aimsun, VISSIM, y así cubrir todo el rango de tráfico en una misma configuración de carretera. Finalmente, todos los datos recopilados ser adoptados para evaluar la operación del tráfico según el nivel de servicio.

Además de la metodología presentada en este blog que utiliza un video de drone y la plataforma Goodvision para extraer los parámetros de comportamiento de conducción, también existen otros recursos con datos de los datasets de trayectoria de acceso público, por ejemplo, el conjunto de datos highD (alemán), el conjunto de datos NGSIM (EE. UU.) Y los portales de datos abiertos (Canadá), puede contribuir significativamente a este período de prosperidad de los estudios de flujo de tráfico.

 

Gracias por su lectura.

Yang Wang | PhD. Transport Planner

 

Referencias

 

Tian, Zongzhong, et al. "Implementing the maximum likelihood methodology to measure a driver’s critical gap." Transportation Research Part A: Policy and Practice 33.3-4 (1999): 187-197.

Akçelik, R., and Mark Besley. "Sidra-2 user guide." (1984).

Toledo, Tomer. "Driving behaviour: models and challenges." Transport Reviews 27.1 (2007): 65-84.

Salvo, Giuseppe, Luigi Caruso, and Alessandro Scordo. "Urban traffic analysis through an UAV." Procedia-Social and Behavioral Sciences 111 (2014): 1083-1091.