Enfoque Basado en Datos para Modelar las Condiciones de Tráfico Mixto No Basadas en Carriles

La diversa naturaleza de las categorías de vehículos y la disciplina de carriles resultante en el tráfico mixto (heterogéneo) causan interacciones espaciales complejas. Como resultado, el proceso de comportamiento de conducción en condiciones de tráfico mixto es significativamente diferente, donde ocurren continuamente tanto movimientos longitudinales como laterales de los vehículos. Bajo las condiciones de tráfico homogéneas prevalecientes en los países desarrollados, el comportamiento de conducción es parcialmente discreto, donde los modelos de comportamiento de seguimiento longitudinal y cambios de carril en el exterior pueden modelar el comportamiento del tráfico. Sin embargo, los modelos establecidos de seguimiento de vehículos y cambios de carril no se pueden utilizar directamente para dar forma a las condiciones de tráfico mixto. Tales condiciones también requieren el uso de datos de trayectoria vehicular de micro nivel de alta calidad. En consecuencia, al darse cuenta de esta necesidad, se desarrollaron datos de trayectoria vehicular para diferentes condiciones de flujo de tráfico. Los datos se utilizaron para extraer los parámetros necesarios para modelar las posiciones de los vehículos utilizando algoritmos de aprendizaje automático. Se seleccionaron tres algoritmos de aprendizaje automático supervisado establecidos (k-NN, bosque aleatorio y árbol de regresión) y aprendizaje profundo para modelar las condiciones de tráfico mixto. Los parámetros que influyen en los movimientos longitudinales y laterales se identifican utilizando el análisis de correlación de Spearman. Además, se realizan ejecuciones de simulación utilizando el lenguaje Python. El rendimiento de los algoritmos se evalúa tanto a nivel microscópico como macroscópico utilizando indicadores de tráfico relevantes. Los resultados muestran que un modelo de aprendizaje profundo y k-NN tienden a replicar mejores condiciones de tráfico mixto que el bosque aleatorio y los árboles de regresión.