Road Three-phase Traffic Modeling And Classification

Traffic control and optimization have become increasingly critical with the rise of autonomous vehicles and the growing number of cars on the road. Effective traffic management requires a comprehensive understanding of road conditions, often achieved through traffic flow or density predictions using sensors or cameras. However, these data sources are frequently limited and noisy. This thesis proposes a novel approach using a traffic cellular automaton model to generate synthetic data representing various road conditions, classified into three phases according to the three-phase theory. We then proposed using Graph Neural Networks to train on these synthetic, labeled graphs and predict the state of each road segment over time. The model demonstrated high performance, achieving 93% accuracy and excellent class/phase separation. This work contributes to traffic control by developing a strong and efficient traffic classification model and generating balanced, comprehensive data for improved traffic management.

Il controllo e l'ottimizzazione del traffico sono diventati sempre più critici con l'ascesa dei veicoli autonomi e l'aumento del numero di auto sulla strada. Una gestione efficace del traffico richiede una comprensione completa delle condizioni stradali, spesso ottenuta attraverso previsioni del flusso o della densità del traffico utilizzando sensori o telecamere. Tuttavia, queste fonti di dati sono spesso limitate e rumorose. Questa tesi propone un approccio innovativo utilizzando un modello di Traffic Cellular Automaton per generare dati sintetici rappresentanti varie condizioni stradali, classificati in tre fasi secondo la Three-phase Traffic Theory. Abbiamo quindi proposto di utilizzare le Reti Neurali Grafiche per addestrare su questi grafi sintetici etichettati e prevedere lo stato di ciascun segmento stradale nel tempo. Il modello ha dimostrato alte prestazioni, raggiungendo un'accuratezza del 93% e un'eccellente separazione tra classi/fasi. Questo lavoro contribuisce al controllo del traffico sviluppando un modello di classificazione del traffico forte ed efficiente e generando dati equilibrati e completi per una gestione del traffico migliorata.