通过各种仿真模型和现实交通数据进⾏虚拟交通是重构详细交通流的有前途的⽅法。虚拟流量可以使多种应⽤受益，包括但不限于视频游戏，虚拟现实，流量⼯程和⾃动驾驶。在本次调查中，我们对交通模拟和动画的最新技术进⾏了全⾯回顾。我们⾸先讨论应⽤于不同详细程度的三类交通模拟模型。然后，我们介绍各种数据驱动的动画技术，包括现有的数据收集⽅法以及模拟交通流的验证和评估。接下来，我们讨论交通模拟如何使⾃动驾驶汽车的培训和测试受益。最后，我们讨论了交通模拟和动画的当前状态，并提出了未来的研究⽅向。
1引⾔
近年来，视觉流量吸引了许多研究社区的关注，包括但不限于计算机游戏，城市可视化，城市规划和⾃动驾驶。在虚拟现实，游戏和动画中，城市场景必不可少，这些场景不可避免地涉及到⼤量的车辆⾏驶。为了控制单个车辆的运动，⼀种简单的解决⽅案是使⽤关键帧⽅法。但是，在⼤型交通场景中使⽤关键帧⽅法模拟交通拥堵，频繁变道和⾏⼈与车辆的交互作⽤，不仅需要复杂的设计和动画师的反复调整，⽽且所产⽣的车辆运动也很少符合物理定律。因此，有效地模拟⼤规模流量已成为计算机图形学中越来越必要的主题。此外，由于道路⽹络可视化⼯具（如OpenStreetMap，ESRI 和Google Maps）的普及，将实时交通流纳⼊虚拟道路⽹络已变得⾄关重要。然⽽，很难访问车辆的实际轨迹并将其实时地整合到虚拟应⽤程序中。这些趋势激发了对数据驱动的流量模拟[WSLL15]的研究努⼒。
除了上述在动画和可视化中的应⽤之外，交通模拟在交通研究中还具有⼴泛的应⽤。交通仿真软件包，例如VISSIM [PTV11]，TSIS [TSI18]和PARAMICS [PAR18]，是研究⼈员研究交通⽹络性能的有效⼯具。基于虚拟现实的驾驶培训计划通过产⽣现实的交通环境[VRd18，LWX * 18]帮助新驾驶员提⾼了驾驶技能。交通模拟还可以⽤作⽣成各种交通条件以训练和测试⾃动驾驶车辆的有效⼯具[SAMR18]。
此外，车辆交通量的增加和复杂道路⽹络导致了许多与交通有关的问题，例如交通拥堵，事件管理，信号控制和⽹络设计优化。使⽤基于分析模型的传统⼯具很难解决这些问题[SHVDWVW16]。因此，已经尝试使⽤先进的计算技术对交通的建模，模拟和可视化进⾏许多研究⼯作，以分析交通管理的交通状况[PBH12，WLY * 13，WYL * 14]或协助城市发展中的交通重建[ GDGAVU14]。
交通模拟的主要重点是回答以下问题：给定道路⽹络，⾏为模型和初始车辆状态，交通将如何演变？关于交通流的建模和仿真，有⼤量的数学描述，可以⼤致分为宏观模型[SWML10]，微观模型[SJ12]和介观模型[SWL11]。尽管宏观⽅法将车辆的收集视为连续流动，但微观⽅法却在周围车辆的影响下为每个车辆的动⼒学建模。相⽐之下，介观模型结合了微观模型和宏观模型的优势，可以模拟不同细节级别的流量。另外，道路⽹络的⽣成和表⽰也是交通仿真中的⼀个基本问题。
尽管前⾯提到的交通模型可以有效地捕获⾼层交通状况，但是所得的模拟结果通常与街道上的真实交
通情况并不相似。随着先进的传感硬件和计算机视觉技术的发展，以视频，LiDAR和GPS传感器形式的经验性交通流数据集变得越来越可⽤。这种现象产⽣了数据驱动的交通动画技术。⽰例⼯作包括从现有道路传感器[SVDBLM11，WSL13，LWL17]获取的时空数据重构交通流，从有限的轨迹样本[CDR * 18]合成新的交通流以及通过从交通监控数据集中学习⾏为模式和个⼈特征[CSJ13，BMWD16]。
尽管在交通模拟和动画⽅⾯取得了重⼤进展，但迄今为⽌，如何衡量模拟交通的真实性仍未得到充分探索。此外，在基于模型的交通仿真和数据驱动的动画⽅法中，始终要关注基于仿真交通与现实交通之间的相似性进⾏模型验证。为了解决这些问题，当前的⽅法包括使⽤主观⽤户评估并将客观评估指标纳⼊度量[CDX * 18]。
通过各种交通模拟和动画技术的虚拟交通也已应⽤于⾃动驾驶培训。⾃动驾驶有可能改变我们的交通系统。但是，最近的测试失败强调了在模拟环境中对这些⾃动化机器的培训，然后再将其部署到现实世界中[BNP * 18，LWL19，LPZ * 19]。
当前，通常在虚拟环境[WEG * 00，DRC * 17，apo18]中使⽤具有预定⾏为的单个⼲扰道路⽤户（例如，车辆，⾏⼈或⾃⾏车）来测试⾃动驾驶车辆的性能。在模拟的交通流中进⾏训练，并在各种道路使⽤者之间进⾏丰富的交互，⾃动驾驶汽车可以潜在地获得处理复杂城市环境中复杂交通状况的能⼒。此外，交通模拟和动画还可以受益于为⾃动驾驶汽车开发的基于学习的运动计划和决策算法。具
体来说，随着收集的驾驶数据集数量的增加，由此产⽣的精确交通仿真可以从更准确的交通语义上丰富⾃动驾驶汽车的运动计划和决策。
为了实现安全的⽆⼈驾驶，需要具有逼真的交通流量和复杂交通状况的⾼保真驾驶模拟器。这样的模拟器可以以有效且可再现的⽅式产⽣关键的训练环境。由于交通模拟在⾃动驾驶研究中变得⾄关重要，因此在本次调查中，我们将特别从三个⽅⾯描述⾃动驾驶的最新发展：数据采集，运动计划和测试模拟。
组织。本调查的其余部分安排如下。第2节介绍了三类基于模型的交通模拟⽅法，并为道路⽹络的过程建模和⼏何表⽰
组织。本调查的其余部分安排如下。第2节介绍了三类基于模型的交通模拟⽅法，并为道路⽹络的过程建模和⼏何表⽰提供了不同的代表性⽅法。第3节概述了基于不同数据采集⽅法的各种数据驱动动画技术。第4节研究了动画⽅法的验证和⽣成的虚拟流量的评估。第5节介绍了最近在数据采集，运动计划以及将虚拟交通⽤于⾃动驾驶研究⽅⾯的⼯作。最后，第6节和第7节在总结本调查的基础上，讨论了现有研究的当前状态以及我们对未来研究⽅向的看法。
2基于模型的交通模拟
交通模拟中的⼀个重要组成部分是描绘各个细节级别的车辆运动。交通流建模和仿真的早期研究可以追溯到1950年代，当时分别提出了宏观交通模型和微观交通模型[Pip53，LW55]。经过多年的发展，交通模拟技术有三种通⽤类型[VWKVLVH15，FSS18]（如图2所⽰），即宏观（2.1节），微观（2.2节）和中观（2.3节）。
图1
通过各种交通模拟和动画⽅法⽣成的交通流：（a）Chao等⼈在⾼速公路⽹络上的综合交通流。[CDR * 18]，（b）来⾃沈和⾦的信号交叉路⼝的密集交通场景[SJ12]，（c）使⽤来⾃Wilkie等⼈的道路传感器数据重建虚拟交通流。[WSL13]，（d）使⽤Li等⼈的GPS数据重建的城市规模交通。[LWL17]，以及（e）⽤于⾃动驾驶测试的异构交通仿真[CJH * 19]。
图2
本次调查介绍了交通模拟和动画组件的架构。⾸先，传统交通模拟和动画的组成部分：道路⽹络⽣成（第2.4节）；交通数据获取（第3.1节）；基于模型的仿真（第2节）；数据驱动的动画（第3.2节）; 以及验证和评估（第4节）。第⼆，⾃动驾驶研究的组成部分：⾃动驾驶培训数据集（第5.1节）；运动计划和决策⽅法。
图3
基于模型模拟的详细程度对基于模型的交通模拟⽅法进⾏分类。在这⾥，LWR和ARZ分别指的是
Lighthill.Whitham.Richards [LW55，Ric56]和Aw.Rascle.Zhang [AR00，Zha02]提出的两种流⾏的宏观交通模型。
交通流量可以被视为⼈流量的⼀种：流量中的车辆具有相似的⽬标和⾏为规则，在保持个⼈驾驶特性的同时与邻居互动。在计算机图形学中，⼈模拟⼀直是重要的研究领域，⽀持对集体⾏为和动⼒学的研究[PAB08，ZCC * 10]。可以通过宏观⽅式（以牺牲单个个体的实际运动为代价对⼈进⾏整体建模）[NGCL09]或微观⽅式（将体作为个体个体的运动集合进⾏建模）来实现⼈模拟[WLP16] 。
2.1宏观⽅法
宏观⽅法也称为连续体⽅法，它以较低的详细程度描述车辆的⾏为和相互作⽤：交通流由速度，流量，密度等⽅⾯的连续体表⽰。宏观⽅法主要⽤于在道路上进⾏有效的交通模拟⼤型道路⽹络，着重于再现以集体量（例如流量密度和交通流量）衡量的综合⾏为。
Lighthill和Whitham [LW55]和Richards [Ric56]开发了⼀种早期的⼀阶宏观模型，称为LWR模型。他们的模型假设交通流率仅取决于描述交通密度关系的交通密度。
该模型基于⼀维可压缩⽓体动⼒学与单车道上交通流演变之间的相似性，建⽴了⽤于对交通流进⾏建模的⾮线性标量守恒定律。本质上，LWR模型描述了具有低分辨率细节的⼤规模交通流的运动。它的局限性之⼀是⽆法在⾮平衡条件下（例如⾛⾛停停的波浪）模拟车辆的运动。
后来，Payne [Pay71]和Whitham [Whi74]提出了⼀个连续的⼆阶交通流模型，该模型被称为Payne-Whitham（PW）模型。尽管⼀阶模型假定存在固定的平衡状态，但是⼆阶模型引⼊了⼀个第⼆个微分⽅程来描述交通速度动⼒学。作为限制，PW模型可能会引⼊负速度，并且从车辆动⼒学⽣成的信息传播的速度可能快于车速，这意味着驾驶员可能会受到其后续车辆的影响。Aw and Rascle [AR00]和Zhang [Zha02]提出了对PW模型的修改，以消除其⾮物理⾏为。具体来说，Aw和Rascle [AR00]引⼊了压⼒项，以确保没有任何信息能⽐汽车的速度更快地传播。张[Zha02]，类似地，提出了对PW模型的动量⽅程的修改，以处理向后传播的交通。⽣成的模型称为Aw-Rascle-Zhang（ARZ）模型，⾃
[Ras02，GP06，LMHS07，MR07]以来已进⾏了深⼊研究。Mammar等。[MLS09]表明，ARZ模型在数值上⽐LWR模
[Ras02，GP06，LMHS07，MR07]以来已进⾏了深⼊研究。Mammar等。[MLS09]表明，ARZ模型在数值上⽐LWR模型更适合现实世界的数据。
为了产⽣详细的3D动画和交通流的可视化，Sewall等⼈。[SWML10]提出了⼀种连续交通仿真模型，
⽤于在⼤型道路⽹络上⽣成现实的交通流。他们通过引⼊新的车道变换模型并为每辆车使⽤离散表⽰，使单车道ARZ模型适应多车道交通。如图4所⽰，通过将每个车道离散化为多个像元来模拟交通流。为了更新每个像元的状态，将空间离散化的有限体积⽅法[LeV02]与Riemann求解器结合使⽤来求解ARZ⽅程。为了模拟车道合并和换道⾏为，Sewall等⼈。通过将车辆表⽰为“⼩车”，将连续动⼒学与离散的车信息结合起来。这些“回转”是由潜在的连续流驱动的。
通用自动驾驶汽车图4
宏观交通仿真⽅法的插图[SWML10]。每个泳道分为离散的单元格。在给定的时间步长，通过求解ARZ⽅程更新每个像元的状态，然后使⽤这些解决⽅案更新每个车道中每个车辆的状态。
总之，宏观交通模型是模拟⼤规模交通的有效⼯具。但是，此类技术仅限于⾼速公路⽹络，因此不适合模拟由单个汽车之间的丰富交互组成的街道级交通。此外，由于这些模型没有对车辆的车道合并⾏为进⾏建模，因此它们⽆法处理车道转换过程中的密度传递。
2.2微观⽅法
微观模型可产⽣⾼细节的车辆运动：每辆车辆都被视为满⾜某些控制规则的离散主体。已经针对特定的城市交通模拟开发了许多微观模型，这归因于它们在建模代理的异构⾏为，各种道路拓扑以及周围车辆之间的相互作⽤⽅⾯的灵活性。
微观模型的早期例⼦包括细胞⾃动机模型[NS92]和跟车模型[Pip53，HG63]。元胞⾃动机模型中车辆的运动由预先指定的时间，空间和状态变量中的演化规则描述。具体⽽⾔，将道路离散为多个单元，然后模型确定车辆何时从当前单元移⾄下⼀个单元。由于其简单性，元胞⾃动机模型的计算效率很⾼，并且可以在⼤型道路⽹络[KSSS04]上模拟⼤量车辆。但是，由于其离散性，⽣成的虚拟流量只能重现有限数量的真实流量⾏为。
在过去的⼏⼗年中，通过对主题车辆对其前部车辆的响应进⾏建模，已经开发了许多跟车模型的变体和扩展。最佳速度模型（OVM）[BHN * 95]和智能驾驶模型（IDM）[TH02]是两个著名的例⼦。在OVM模型中，假定⽬标车辆保持其最佳速度。它的加速度取决于它的速度和前车的最佳速度之间的差。在IDM模型中，车辆的加速度或减速度是根据其当前速度以及相对于其前部车辆的相对速度和位置来计算的。车辆特定的参数使IDM模型能够模拟各种车辆类型和驾驶⽅式。
除了模拟单车道上的交通流外，还研究了多车道模拟[SN03，Dav04，THG05，HNT07]。⼀个⽰例是修改后的最佳速度模型[Dav04]，该模型⽤于模拟双车道⾼速公路和带匝道的单车道⾼速公路上的交通。另⼀个⽰例是两车道交通模型[THG05]，该模型⽤于模拟交通横向影响。
为了⽣成详细的交通模拟，Shen和Jin [SJ12]提出了⼀种增强的IDM以及连续的换道技术。他们的技术可以产⽣顺畅的加/减速策略和灵活的变道⾏为的交通流。该模型修改了原始IDM模型，使其更适合信
号化城市道路⽹。具体⽽⾔，加速过程分为描述驾驶员意图达到其期望速度的⾃由道路加速项和描述驾驶员保持与其附近车辆的安全距离的意图的减速项。通过添加激活控制控制部分来修改减速项，该激活控制控制部分⽤于对停⽌的车辆产⽣更平稳的反应。此外，该模型将城市道路上的换车⾏为分为两种情况：⾃由车道变更和命令式车道变更，并为这两种情况提供了灵活的连续模型。
⾃由⾏车道经常在相对⾃由的道路条件下发⽣。此⾏为由Kesting等⼈的双通道MOBIL模型建模。[KTH07]。当⽬标车辆由于某些强制性因素（例如到达车道尽头或在⼗字路⼝转弯）⽽需要换道动作时，将应⽤强制性换道，⽽⽬标车辆与其前导车辆之间的间隙可能不⾜以免费变道（图5）。陆等⼈。[LCX * 14]扩展了全速差模型[JWZ01]，以处理乡村交通模拟中的近车制动情况。后来，Lu等。还在交通仿真中引⼊了个性模型[LWX * 14]。
图5
车辆必须更改其车道的情况[SJ12]：（a）到达当前车道的尽头，（b）事故车辆出现在当前车道的前⾯，并且（c）引导标志出现在交叉路⼝。
与模拟车道（标志性或多个）上的交通相⽐，模拟交叉路⼝的交通更为困难。Doniec等。[DMPE08]通过将交叉路⼝交通视为多主体协调任务，提出了⼀种⽤于交通模拟的多主体⾏为模型。具体来说，⾸先，每辆车都会感知周围的交通并做出决定；其次，引⼊了⼀种预测算法来⽣成仿真车辆的预测能⼒。
Wang等。[WXZ * 18]引⼊了影⼦流量的概念，⽤
做出决定；其次，引⼊了⼀种预测算法来⽣成仿真车辆的预测能⼒。Wang等。[WXZ * 18]引⼊了影⼦流量的概念，⽤于在流量模拟中以统⼀的⽅式对流量异常进⾏建模。Chao等。[CDJ15]设计了⼀个基于规则的流程，以在混合交通模拟中对车辆与⼈的交互进⾏建模。
总之，由于微观交通模型旨在描述特定的车辆⾏为，因此它们可⽤于模拟连续车道和交叉路⼝的交通。瓶颈通常是计算成本，尤其是在需要⼤规模仿真时。
2.2.1混合⽅法
尽管连续⽅法（即宏观模型）优于⼤型交通模拟和基于代理的技术（即微观模型）优于单个车辆的建模，Sewall等⼈。[SWL11]结合了这两种类型的⽅法，并提出了⼀种混合⽅法。他们的⽅法使⽤基于代理的模型来模拟感兴趣区域中的流量，⽽其余区域使⽤连续体模型来模拟流量（请参见图6）。通过在两种建模⽅法之间⾃动动态切换，他们的⽅法可以根据⽤户的喜好在不同详细程度下模拟流量。
图6
混合交通仿真⽅法[SWL11]的说明。黄⾊边界框内的流量使⽤基于代理的技术进⾏模拟，⽽其余流量使⽤连续性技术进⾏模拟。
2.3介观⽅法
介观模型是宏观和微观⽅法之间的中间⽅法。介观模型的核⼼思想是使⽤概率分布函数[HB01c]以聚合的⽅式描述交通流动态，同时代表单个驾驶员的⾏为。介观模型可分为三类：聚类模型，车距分布模型和⽓体动⼒学模型[FSS18]。集模型通过描述具有相同属性的车辆组来表⽰交通流的动态[KMLK02，MKL05]。车距分布模型集中在时间车距的统计属性上。在介观⽅法中，最著名的模型是⽓体动⼒学模型，其中绘制了⽓体动⼒学和交通动⼒学之间的类⽐。
[PA60，THH99，HHST01，HB01a]。
在运输⼯程中，⽓体动⼒学模型通常不⽤于模拟，但在推导其他连续体模型时仍保持其作⽤[Hel01]。例
如，Hoogendoorn和Bovy [HB00，HB01b]基于⽓体动⼒学模型推导了⼀个多类多车道连续流交通模型。⽓体动⼒学模型也是许多宏观模型的基础，例如⾃适应巡航控制策略[DNP15]。动⼒学理论还被⽤来推导出车辆交通的数学模型[FT13]，其中放宽了对车辆连续分布的空间位置和速度的假设。在计算机图形学中，由于⼤量未知参数以及复杂的微分或积分项，介观模型很少⽤于交通仿真中，这限制了仿真和动画效果。
2.4道路⽹的产⽣
交通模拟是车辆与道路⽹络之间相互作⽤的⼀种形式。基础道路⽹络的获取和建模是重要但具有挑战性的⽅⾯。现实世界道路⽹络的数字表⽰已越来越多，但是这些数据通常不能直接⽤于模拟交通。基于宏观和微观建模⽅法的交通模拟是在形成车道的道路⽹络上进⾏的。道路⽹络包含许多功能，例如车道，交叉路⼝，合并区域和坡道。已经提出了许多⽅法⽤于道路⽹络的过程建模和⼏何表⽰。
教区等。[PM06]提出了⼀个名为CityEngine [cit18]的系统，它使⽤基于L系统的程序⽅法来⽣成道路⽹络（图7a）。以地图图像为输⼊，该系统可以⽣成⼀组⾼速公路和街道，将⼟地分为很多部分，并为各个分配区的建筑物构建适当的⼏何形状。后来，许多研究⼈员改进了基于CityEngine [CEW * 08，BN08，GPMG10]的道路⽹络⽣成模型。例如，Sun 等。[SYBG02]提出了基于模板的道路⽹络⽣成模型。具有更⼤的灵活性，⽤户可以使⽤Chen等⼈的⾃动道路⽹络⽣成模型直接编辑道路⽹络。[CEW * 08]。最近，西⽥等⼈。[NGDA16]展⽰了⼀种交互式道路设计系统，该系统使⽤了从⽰例道路⽹络中提取的补丁和统计信息。哈特曼等。[HWWK17]提出了⼀种基于⽰例的⽅法，⽤于使⽤⽣成对抗⽹络（GAN）来综合道路⽹络。他们使⽤⼆进制图像表⽰道路⽹补丁。因为这些⽅法是为构建虚拟场景⽽设计的，所以它们通常⽆法为交通仿真提供必要的信息，例如车道到车道的连接和邻接。
图7
使⽤（a）CityEngine [cit18]和（b）Wilkie等⼈的技术创建的道路⽹络。[WSL12]。
提出了⼏种⽤于交通仿真的道路建模技术。Yang和Koutsopoulos [YK96]使⽤节点，链接，路段和车道来描述道路⽹络的语义。他们的模型已经整合到交通仿真软件MITSIM [BAKY02]中。在此模型中，路段表⽰⼀组具有相同⼏何折线的车道，⽽链接则表⽰路段的集合。⽮量数据存储在段的数据结构中。所存储的信息包括分段弧的起点/终点和曲率。节点⽤
道，⽽链接则表⽰路段的集合。⽮量数据存储在段的数据结构中。所存储的信息包括分段弧的起点/终点和曲率。节点⽤于描述相交。在此，必须将节点作为输⼊数据提供给模型，并且仅⽤于描述链接是否已连接。不考虑交叉点每个⽅向上的链接之间的冲突关系。在VISSIM [PTV11]中，采⽤交通仿真软件，链接和连接器来描述道路⽹络的拓扑结构，这有助于呈现具有更复杂⼏何形状的道路。但是，VISSIM中的道路⽹络仅由连续的路段组成，因此很难处理交叉路⼝不同⽅向之间的冲突。同样，其他道路⽹络表⽰模型[Par03，BC05，SWL11，SJ12]也已可⽤。最近，Cura等⼈。[CPP18]使⽤真实的地理信息系统（GIS）数据⽣成了⼀个连贯的街道⽹络模型，其中包含拓扑交通信息，路⾯和街道对象。该系统可以提供车道和车道互连作为交通模拟所需的基本⼏何信息。但是，他们使⽤车道作为基本单位来定义和组织道路⽹络，⽽忽略了道路⽹络的⽮量数据。值得⼀提的是，为了促进不同驾驶模拟器之间的数据交换，提出了⼀种名为OpenDRIVE [DG06]的开放数据格式，以标准化逻辑道路描述。
值得⼀提的是，取决于应⽤程序，不同详细级别的交通模拟需要有关基础道路⽹络的不同信息。通常，
宏观交通模拟需要较少的路⽹细节-主要是需要⼏何信息，以便可以对交通流的密度和速度的传播进⾏建模。相⽐之下，微观交通模拟会输出单个车辆的详细运动，因此通常需要有关路⽹的更多信息。这些信息包括车道（⽽不是道路）分离和连接，交通信号逻辑，交叉路⼝和坡道的移动优先级等。
3数据驱动的交通模拟
在本节中，我们探讨了现实交通数据的获取（第3.1节）以及⽤于交通重建和综合的各种数据驱动⽅法（第3.2节）。
3.1交通数据采集
交通传感器有⼏种形式[LBH * 10，Led08]。仅举⼏个例⼦，⼀个固定的传感器是感应环路检测器，通常放置在⾼速公路和主要道路上，以记录每辆经过的车辆的属性。另⼀个固定传感器是摄像机，它也⽤于监视流量。除了固定传感器之外，移动传感器也⽆处不在：⼿机和GPS设备⽤于记录车辆的速度及其位置。
⾃从1960年代初推出[AKH * 12，KMGK06]以来，感应环路检测器已成为使⽤最多的传感器。它可以检测车辆的通过或到达某个点，例如，接近交通信号灯或⾼速公路交通。绝缘的导电回路安装在⼈⾏道中。通过或停在检测区域内的车辆会降低环路的电感。然后，电⼦单元将该事件感测为频率降低，
并向控制器发送脉冲以表⽰车辆通过或存在。该道路传感器通常可以跟踪通过时间，车道ID和车辆速度。
摄像机作为道路传感器，也已得到⼴泛部署。⼀个⽰例是下⼀代仿真（NGSIM）程序[NGS18]，其中沿道路安装了摄像头，以每秒10帧的速度捕获交通数据。结果数据集包含详细的车辆轨迹。表1列出了四种流⾏的NGSIM数据集，包括道路长度，道路类型，记录时间和车辆数量。图8显⽰了在美国101⾼速公路上收集数据的⽰例：⼋个同步摄像机安装在与⾼速公路相邻的36层建筑物的顶部，记录通过研究区域的车辆。为了处理捕获的⼤量数据，开发了NGSIM-VIDEO [NGS18]以从图像中⾃动提取车辆轨迹。
图8
在美国101号⾼速公路上安装了8个摄像机。右图显⽰了安装在俯瞰⾼速公路的建筑物顶部的摄像机。
表1.四个选定的NGSIM数据集[NGS18]
尽管传统的通过道路传感器收集交通数据的⽅法通常⽐较昂贵，但诸如GPS报告之类的移动数据已变得越来越可⽤，并已⽤于估算城市范围内的交通状况[AA06，LNWL17]。出租车和共享乘车服务（例如Uber和Lyft）系统地为其车队配备了这些设备。汽车的位置，速度和⽅向等属性将发送到中央处理
中⼼。处理后，有⽤的信息（例如交通状况和替代路线）将⼴播给道路上的驾驶员[TEBH98]。当前公共可⽤的GPS数据集包括Mobile Century [HWH * 10]，T-Drive
[tdr19]，GeoLife [geo19]和Uber Movement [ube17]。尽管很有前途，除了固有噪声外，GPS数据通常还包含较低的采样率，这意味着两个连续点之间的时间差可能很⼤（例如，⼤于60 s），并且表现出时空稀疏性，这意味着数据可能稀疏。某些时间段和区域。因此，为了在重建交通动态中使⽤GPS数据，需要⼏个处理步骤[LNWL17，LJCL18]。
除了单车数据之外，还付出了很多努⼒来收集互联车辆的交通数据[HL08，RMR14]。例如，安全试点模型部署（SPMD）计划于2012年在美国密歇根州的安阿伯市启动。⼤约3000辆汽车配备了GPS天线和DSRC（专⽤短程通信）设备。每辆车向附近的车辆和路边单位⼴播基本安全消息，包括其位置和速度。这些联⽹车辆数据为改善智能交通系统应⽤以及详细的多车道交通模拟和动画提供了机会。由于此类数据可以以较⾼的频率（例如10 Hz [BS15]）进⾏采样，这可能会导致存储和通信系统的可观成本，因此通常通过下采样但信息保留的技术[MOH * 14，LLP19]。
3.2交通重建与综合
发布评论