Pengumpulan data secara real time dalam rekayasa lalu lintas sangat penting untuk kontrol dan

manajemen koridor lalu lintas yang lebih baik. Dalam

literatur, banyak metode pengumpulan data yang telah digunakan seperti; loop magnetik, penghitung
tabung jalan, sensor piezo,

radar, Bluetooth, dll. untuk menaksir keterkaitan tautan, kecepatan rata-rata atau kepadatan suatu
koridor. Baru-baru ini, Mengambang

Data Mobil (FCD) telah menjadi sumber data lalu lintas penting lainnya dan memiliki peningkatan
penggunaan karena biayanya yang lebih rendah

dan cakupan yang lebih tinggi meskipun masalah keandalannya. FCD diperoleh dari kendaraan yang
dilengkapi GPS yang bergerak di lalu lintas

dapat memberikan kecepatan atau kecepatan perjalanan data untuk banyak segmen bahkan untuk
interval 1-menit secara real-time. Padahal tidak sepenuhnya

beragam menyediakan lebih dari satu parameter arus lalu lintas, mengukur efektivitas data yang luas ini

sumber dalam mendeteksi beberapa kondisi lalu lintas perkotaan yang penting adalah tujuan akhir dari
studi ini. Sebagai studi kasus, interval 1-menit

FCD untuk arteri perkotaan di Ankara telah dikumpulkan selama jam sibuk pagi selama 2 bulan.
Kecepatan rata-rata

nilai-nilai diubah menjadi parameter status 4-skala kualitatif berdasarkan definisi Tingkat Layanan (LOS)
untuk

jalan perkotaan. Pencarian pola di atas status segmen berturut-turut menggunakan panjang
penelusuran yang berbeda (yaitu 2 segmen, 3

segmen, dll.) menunjukkan bahwa FCD mampu mendeteksi lokasi kemacetan atau kemacetan yang
berulang, dan bahkan memiliki

gagasan tentang panjang antrean yang terbentuk sebelum kemacetan.

1. Perkenalan

Estimasi akurat dan dapat diandalkan dari keadaan lalu lintas di jalan arteri perkotaan adalah bagian
penting dari manajemen lalu lintas

dan kontrol. Secara tradisional, berbagai sumber data lalu lintas (loop magnetik, penghitung tabung
jalan, radar, Bluetooth) memiliki

telah digunakan untuk memperkirakan parameter lalu lintas seperti okupansi tautan, kecepatan rata-
rata dan kepadatan koridor. Pada akhirnya, ini

parameter digabungkan untuk memperkirakan keadaan lalu lintas (atau karakteristik) berdasarkan
hubungan mendasar antara
aliran, kepadatan, dan kecepatan. Hubungan ini memungkinkan identifikasi kondisi lalu lintas yang
berbeda (padat, arus bebas, dll.)

dan acara (yaitu masuk atau keluar dari antrean / bottleneck, propagasi gelombang kejut, dll.).

Baru-baru ini, sumber data lain, Floating Car Data (FCD), telah semakin banyak digunakan. Hal ini
terutama disebabkan oleh

biaya yang lebih rendah dan cakupan yang lebih tinggi, meskipun ada masalah keandalan. Prinsip FCD
adalah mengumpulkan lalu lintas real-time

data, dengan menempatkan kendaraan melalui ponsel atau GPS di seluruh jaringan jalan. Data seperti
lokasi mobil, kecepatan

dan arah perjalanan dikirim secara anonim ke pusat pemrosesan pusat. Informasi ini kemudian diproses,
sesuai urutan

untuk memperoleh waktu perjalanan atau kecepatan rata-rata melalui ruas jalan. Jika diambil dari
kendaraan probe tunggal, kecepatan dan posisi

data dapat diperoleh secara berkala (misalnya 1 atau 5 menit) untuk setiap ruas jalan (Xu et. al., 2013).
Namun, data dari a

armada kendaraan umumnya sudah diproses sebelumnya untuk memperoleh kecepatan segmen (atau
waktu tempuh) saja. Karena GPS telah menjadi semakin

umum, biasanya digunakan untuk memantau layanan manajemen armada (seperti supir taksi, dan truk),
dengan taksi

armada sangat berguna karena banyaknya sistem komunikasi on-board di daerah perkotaan (Leduc,

2008). Data lalu lintas yang diperoleh dari kendaraan pribadi cenderung lebih cocok untuk jalan raya dan
daerah pedesaan.

Diklaim bahwa FCD untuk Turki diperoleh dari 600.000 kendaraan yang dilengkapi GPS. Ketika jumlah
total

kendaraan di Turki dianggap, yaitu sekitar 19 juta, ini sesuai dengan tingkat penetrasi sekitar 3%.

Data dari kendaraan ini memberikan kesempatan untuk mempelajari FCD sehubungan dengan
pengakuan keadaan lalu lintas dan kemacetan

deteksi untuk jalan arteri perkotaan di Turki, yang membentuk fokus penelitian ini. Pola lalu lintas
didefinisikan berikut

Tingkat Layanan (LOS) definisi, berdasarkan kecepatan segmen pada jalan arteri perkotaan (HCM, 2010).
Kompleksitas dan

ketepatan dari setiap model estimasi tergantung pada ketersediaan data yang beragam dan ekstensif.
Sedangkan data FCD adalah
ekstensif, sejauh mana keragamannya dapat diperdebatkan dalam hal mampu memperkirakan lebih dari
satu parameter aliran lalu lintas.

Mungkin pertanyaan penelitian yang lebih menarik adalah evaluasi kebutuhan dan biaya perkiraan lebih
dari satu

parameter arus lalu lintas di jaringan perkotaan, yang memerlukan pengumpulan data yang rumit atau
teknik kombinasi data dari

berbagai sumber data lalu lintas. Sementara itu mungkin dan bermanfaat untuk mengumpulkan data
pada koridor antarkota yang banyak digunakan melalui

secara berurutan memasang beberapa sensor / sumber, secara ekonomis tidak mungkin untuk
melengkapi semua jalan utama di kota

dengan sensor, atau komputasi sederhana untuk cepat menganalisis data di jaringan perkotaan. Oleh
karena itu, perlu

mengevaluasi kekuatan dan batas menggunakan FCD saja untuk mendeteksi pola perkotaan sebagai
sumber tunggal, yang merupakan ruang lingkup

dari penelitian ini. Kontribusi utama dari makalah ini adalah untuk membuktikan kemampuan FCD
sebagai alat evaluasi cepat untuk

sejumlah besar data yang diperoleh dari jaringan yang luas.

Dalam studi ini, hanya didasarkan pada waktu perjalanan yang bergantung pada FCD (karenanya
kecepatan), informasi diarsipkan secara kuantitatif

dan kualitatif dalam bentuk parameter “status”. Dengan tidak adanya kepadatan dan nilai aliran, negara
didefinisikan

sebagai fungsi dari penurunan kecepatan rata-rata dibandingkan dengan nilai-nilai aliran bebas, yang
tidak ada. Ruang lingkup dari

studi termasuk deteksi pola kritis seperti kemacetan yang berulang, lokasi pelepasan kemacetan, dan
segmen

menderita antri di hulu mereka, dll. Struktur makalahnya adalah sebagai berikut: tinjauan literatur
singkat tentang

perkiraan keadaan lalu lintas dari FCD disajikan dalam Bagian 2, diikuti oleh metodologi dalam Bagian 3,
hasil keseluruhan dalam

Bagian 4, dan kesimpulan dan rekomendasi lebih lanjut dalam Bagian 5.

2. Tinjauan Literatur

2.1. Karakterisasi keadaan lalu lintas

Studi karakterisasi keadaan lalu lintas dalam literatur dapat secara umum dikumpulkan ke dalam tiga
kategori: i)
penentuan kecepatan rata-rata, ii) deteksi lokasi kemacetan / bottleneck, dan iii) penentuan lalu lintas

parameter aliran. Studi estimasi kecepatan rata-rata, yang merupakan langkah pertama dalam
karakterisasi keadaan lalu lintas, adalah

umumnya dilakukan untuk menganalisis profil kecepatan koridor yang dipilih, untuk memeriksa
perubahan mendadak di antara

segmen berturut-turut, dan untuk mengeksplorasi distribusi statistik kecepatan untuk setiap ruas jalan

lokasi kemacetan yang berulang atau deteksi lokasi kemacetan, yang juga menjadi fokus banyak
penelitian

(Xu et al., 2013; Li et al., 2012; Reinthaler et al., 2010).

Khususnya untuk penentuan hubungan antara parameter aliran lalu lintas, dua dari tiga parameter

(kecepatan, kepadatan dan aliran) harus diketahui, untuk menjelaskan hubungan di antara mereka.
Studi semacam ini

melibatkan pengumpulan data dan implementasi model arus lalu lintas terkenal untuk menyesuaikan
data (Zhao et al.,

2009; Anuar et al., 2015), atau mengembangkan model matematika untuk mendapatkan diagram
fundamental (Celikoglu dan Silgu,

2015; Celikoglu, 2013; Celikoglu, 2014). Untuk penelitian semacam itu, Celikoglu (2013, 2014)
memperoleh data lalu lintas dari

Remote Traffic Microwave Sensor Data (RTMS), termasuk volume dan data kecepatan yang diambil
setiap 3 menit. Berbasis LOS

klasifikasi diusulkan untuk derivasi dari diagram fundamental aliran lalu lintas. Data lalu lintas diperoleh
dari

RTMS, termasuk parameter kecepatan dan volume. Kepadatan digunakan sebagai parameter input, dan
model jaringan saraf berbasis diusulkan untuk klasifikasi pola lalu lintas, dengan nilai laju aliran
sehubungan dengan kecepatan untuk masing-masing

LOS diperoleh. Dalam studi lanjutan, Celikoglu dan Silgu (2015) melakukan metode pengelompokan
multivariat untuk

klasifikasi pola lalu lintas di koridor yang sama.

2.2. Estimasi status lalu lintas menggunakan FCD

Studi estimasi keadaan lalu lintas untuk jalan arteri perkotaan umumnya terfokus pada baik secara
eksklusif menggunakan data FCD,

atau menggabungkan data tersebut dengan sumber data lain (seperti RTMS, loop induktif, kamera
video, Automated
Sistem İdentifikasi kendaraan, dll.) Untuk memperkirakan keadaan lalu lintas. Sebagai contoh yang
terakhir, Zhao et al. (2009) dianalisis

karakteristik arus lalu lintas pada jalan tol di Beijing menggunakan data FCD dan RTMS. Kecepatan rata-
rata

diperoleh dari kedua tipe data, sedangkan volume diakses dari data RTMS saja. Data digabungkan, agar

dapatkan hubungan kecepatan-aliran dalam diagram fundamental. Analisis regresi dilakukan untuk
kedua RTMS

dan kecepatan rata-rata FCD, dan menunjukkan bahwa nilai kecepatan RTMS umumnya 6% lebih tinggi
daripada nilai kecepatan FCD.

Chase dkk. (2012) mengevaluasi kecepatan yang dilaporkan yang diperoleh dari 3 jenis data trafik yang
berbeda: i) FCD diperoleh

dari Inrix dengan agregasi 5 menit. Waktu perjalanan, kecepatan, kecepatan rata-rata dan kecepatan
referensi data diperoleh; ii)

Sensor radar microwave dengan data kecepatan agregasi 5-mnt. Volume dan nilai hunian dikumpulkan
dari

koridor yang sama untuk periode studi yang sama; iii) Sensor radar, yang hanya memperoleh nilai
kecepatan. Profil kecepatan

menunjukkan bahwa semua tipe data memiliki pola yang sama. Perbedaan kecepatan diperoleh dari
sensor radar Inrix dan microwave

data dibandingkan dan perbedaan ditemukan terdistribusi normal. Untuk evaluasi keadaan lalu lintas,
data kecepatan Inrix

dan data sensor radar microwave digabungkan untuk menyelidiki hubungan aliran-kecepatan. Mirip
dengan studi ini,

Anuar dkk. (2015) menggunakan detektor FCD dan loop untuk mendapatkan hubungan antara aliran dan
kecepatan, dan menyatakan

model yang paling dekat menggambarkan hubungan ini adalah diagram fundamental Van Aerde.
Haghani (2010) membandingkan

kecepatan rata-rata segmen jalan yang diperoleh dari data FCD dan Bluetooth. Evaluasi statistik
dilakukan untuk 4

kategori kecepatan: i) di bawah 30mph, ii) 30-45 mph, iii) 45 dan 60 mph, dan iv) kecepatan di atas 60
mph. Berarti Bluetooth

kecepatan tidak ditemukan berbeda secara signifikan dari kecepatan FCD untuk setiap kategori
kecepatan.

Dengan tidak adanya sumber data tambahan, dalam diskusi tentang penggunaan data FCD yang
ekstensif untuk mendeteksi kemacetan,
Xu et al. (2013) menyoroti masalah ketika berurusan dengan set data historis yang sangat besar ketika
berusaha untuk menemukan

pola lalu lintas dan kemacetan yang berarti. Mereka memperoleh FCD dari 12.000 armada taksi yang
dilengkapi GPS di kota Wuhan,

Cina. Mereka mengusulkan metode statistik untuk analisis data (manajemen kubus data). Li et al. (2012)
menggunakan 3 bulan

FCD historis untuk memeriksa variabilitas dalam kecepatan rata-rata, dan berusaha menentukan lokasi
kemacetan

tergantung pada penurunan mendadak dalam kecepatan rata-rata di segmen jalan berurutan. Fabritiis
dkk. (2008) mengusulkan a

model berbasis jaringan saraf untuk memperkirakan kecepatan rata-rata melalui bagian, dan untuk
menentukan lokasi kemacetan

dua koridor yang dipilih. Kong et al. (2015) mengembangkan metode evaluasi komprehensif fuzzy untuk
mengidentifikasi

lokasi kemacetan untuk setiap 5 menit. Berbeda dengan studi ini, Adu-Gyamfi dan Sharma (2015)
mengeksplorasi

keandalan data kecepatan probe untuk mendeteksi tren kemacetan. Studi ini berfokus pada pengenalan
pola dan waktu

serangkaian analisis data untuk mengidentifikasi persamaan dengan data kecepatan berbasis probe.
Reinthaler dkk. (2010) menggunakan FCD dari keduanya

armada taksi dan transportasi umum di kota Dusseldorf Jerman. Data berbasis transportasi umum
ditemukan untuk menyediakan

hasil yang lebih akurat untuk mempercepat suatu

3. Metodologi

Metode yang digunakan dalam penelitian ini termasuk pemanfaatan data mentah FCD (dengan
pengukuran 1 menit) yang

pada dasarnya diproses untuk mendapatkan keadaan lalu lintas berbasis LOS (dari 1 hingga 4) seperti
yang ditunjukkan pada Gambar 1. Menggunakan yang telah ditentukan

definisi pola lalu lintas perkotaan, algoritma pencarian pola sederhana dijalankan untuk mendeteksi pola
lalu lintas perkotaan dengan mereka

lokasi dan frekuensi yang diamati. Pencarian ini dapat dilakukan menggunakan 2 (atau lebih) pencarian
segmen berurutan (2CSS,

3CSS, dll.) Versi dari algoritma, yang hanya membutuhkan definisi pola yang tepat sebagai input.
Masalah utama di
Algoritma ini adalah definisi dari "keadaan lalu lintas" dan prosesnya dari nilai-nilai kecepatan segmen.
Ini diusulkan untuk digunakan

Interval LOS perkotaan berbasis-HCM, karena hanya bergantung pada nilai kecepatan rata-rata. Isu
kedua adalah definisi kritis

pola untuk lalu lintas perkotaan, yang harus ditentukan berdasarkan keadaan lalu lintas, juga. Ini akan
dibahas dalam

mengikuti subbagian.

3.1. LOS dan definisi negara untuk koridor perkotaan

LOS adalah ukuran kuantitatif yang mewakili kualitas layanan (HCM, 2010). Umumnya, 6 negara LOS
berbeda

didefinisikan untuk jenis jalan yang berbeda, di mana LOS A mewakili kondisi operasi terbaik dan LOS F
yang terburuk. HCM

(2010) mendefinisikan LOS untuk jalan perkotaan sebagai “pengurangan dalam kecepatan perjalanan
sebagai persentase dari kecepatan aliran bebas dari

koridor". Tabel 1 menunjukkan ambang batas kecepatan dan nilai LOS yang sesuai berdasarkan HCM
(2010) untuk 50km / jam dan

Kecepatan aliran bebas 90km / jam. Di Turki, jalan arteri perkotaan memiliki batas kecepatan hukum 50
km / jam, yang dapat ditingkatkan

hingga 70 km / jam atau bahkan 82 km / jam (dengan batas toleransi 10% sebelum penalti dikeluarkan,
yang sesuai dengan 90

km / jam dalam praktek) oleh pemerintah setempat. Dengan asumsi aliran bebas 90 km / jam di koridor
studi, LOS A dan LOS B

menyatakan berkorespondensi dengan interval kecepatan "90km / jam - 77 km / jam" dan "77 km / jam
- 60 km / jam". Interval kecepatan untuk LOS

C dan LOS D sesuai dengan "45km / jam - 60km / jam" dan "36km / jam - 45km / jam". Akhirnya,
kecepatan segmen kurang dari

27km / jam adalah kasus terburuk, menghasilkan LOS F.

Pola lalu lintas didefinisikan mengikuti definisi LOS, berdasarkan kecepatan segmen pada jalan arteri
perkotaan di HCM

(2010), seperti yang dibahas sebelumnya. Informasi kecepatan dari FCD diubah menjadi parameter
"status" kualitatif (Tabel

1), untuk mendeteksi pola-pola kritis seperti lokasi yang menghadapi kemacetan berulang, lokasi
pelepasan kemacetan, dll.
Sebagai batas kecepatan koridor studi terdaftar sebagai 70 km / jam, yang merupakan batas
peningkatan baru-baru ini menjadi 82

km / jam (dan 90 km / jam dalam praktek untuk penalti yang mempercepat) oleh pemerintah kota,
kecepatan data yang diperoleh terpotong pada 70

km / jam. Karena pemotongan ini, LOS A dan LOS B didefinisikan sebagai negara gabungan (disebut
Negara 1) dari "mengalir bebas

kondisi "untuk kecepatan rata-rata lebih dari 60 km / jam. Sesuai dengan klasifikasi oleh HCM, aliran
yang stabil

state adalah State 2. LOS D, yang mewakili kondisi-kondisi "mendekati aliran tidak stabil", sesuai dengan
Negara 3 dalam hal ini

3.2. Pencarian pola kritis

Setelah mengubah kecepatan rata-rata menjadi status yang ditetapkan sebelumnya, serangkaian
algoritme penelusuran dikembangkan untuk dideteksi

pola-pola kritis dalam lalu lintas perkotaan. Berdasarkan jumlah segmen yang digunakan di setiap
pencarian, “2 Segmen Berturut-turut

Cari (2CSS) ”,“ 3 Pencarian Berurutan Segmen (3CSS) ”dan“ 4 Opsi Pencarian Segmen (4CSS) ”adalah

digunakan dalam penelitian ini. Dalam pencarian ini, status lalu lintas di setiap segmen dibandingkan
terhadap status lalu lintas dari

mengikuti segmen (s), untuk memperoleh pola yang berbeda seperti pelepasan kemacetan, kemacetan
yang persisten, dll. Di

tahap terakhir, semua segmen dievaluasi untuk mendeteksi frekuensi dan titik awal dari pola kritis yang
telah ditentukan

dalam arsip FCD yang luas dari koridor.

Dengan asumsi 4 negara, seperti yang diilustrasikan pada Tabel 1, adalah mungkin untuk menentukan
hingga 16 situasi yang berbeda dalam 2CSS, sementara lebih banyak

pola kompleks dapat didefinisikan dalam 3CSS dan 4CSS. Beberapa situasi ini dapat dikelompokkan lebih
lanjut menjadi satu

menyederhanakan analisis dan fokus pada pola-pola kritis. Pola-pola ini diasumsikan untuk studi ini
untuk 2CSS dan 3CSS

ditunjukkan pada Tabel 2, dan dijelaskan di bawah ini:

Free-flow: Kondisi ini diwakili oleh keadaan ketat 1-1 untuk 2CSS. Namun, lebih banyak situasi

disederhanakan sebagai "kondisi aliran bebas" di 3CSS dan 4CSS, seperti yang ditunjukkan pada Tabel 2.

Stabil aliran: Pola ini merupakan kondisi LOS C untuk studi yang diusulkan.
 Transisi antara aliran bebas dan aliran stabil: Pola ini mewakili transisi antara negara 1 dan 2.

Mendekati aliran yang tidak stabil: Pola ini mewakili kondisi 3 negara.

Memasukkan kemacetan: Ini adalah kasus ketika penurunan kecepatan tiba-tiba diamati. Misalnya,
untuk

2CSS, status 1 untuk menyatakan 4 atau 2 negara bagian untuk kondisi 4 dikumpulkan dalam kategori
ini.

Terburunya aliran: Kondisi ini adalah rezim yang padat yang dapat terjadi di bawah negara 4 (LOS F).

Transisi antara aliran stabil dan tidak stabil: Pola ini mewakili transisi antara negara 2 (LOS C)

dan 3 (LOS D).

Transisi antara aliran tidak stabil dan kemacetan: Pola ini mewakili transisi antar negara 3

(LOS D) dan 4 (LOS E / F).

Mempercepat: Menyatakan pola “3-2-1” dan “4-3-2” dapat dianggap sebagai kondisi percepatan
untuk 3CSS

metode.

Perlambatan-down: Menyatakan "1-2-3" dan "2-3-4" pola dapat dianggap sebagai kondisi perlambatan
untuk

Pencarian 3CSS.

Perlambatan dengan cepat: Ini adalah kasus ketika penurunan tiba-tiba dalam kecepatan diamati.
Misalnya, untuk

Pencarian 2CSS "menyatakan 1" untuk "menyatakan 3" atau untuk pencarian 3CS menyatakan "2-1-3",
"1-1-3" dapat dianggap sebagai memenuhi

pola ini (lihat Tabel 2 untuk semua kemungkinan).

• Pelepasan bottleneck: Peningkatan tiba-tiba dalam kecepatan dianggap sebagai titik pelepasan
bottleneck. Kami berasumsi

ini sebagai melibatkan setiap perubahan dari negara 3 ke negara 1; menyatakan 4 untuk menyatakan 1
atau 2 negara. Selanjutnya, kami mencatat

kemungkinan panjang antrian sebelum lokasi pelepasan bottleneck untuk penelitian lebih lanjut, seperti
yang diilustrasikan pada Tabel 2.

Dalam 4CSS, 256 kemungkinan situasi awalnya dianalisis untuk mencari pola kritis yang diberikan pada
Tabel 2. Namun,

pola lebih lanjut didefinisikan seperti bottleneck dengan panjang antrian di lebih dari 2 segmen, dll,
meskipun ini

definisi tidak disajikan di sini karena batasan halaman.

4. Hasil Numerik

Pada bagian ini, untuk mengilustrasikan metodologi yang diusulkan dengan lebih baik, hasil numerik
disajikan di atas koridor perkotaan

di Ankara, di mana FCD tersedia.

4.1. Studi koridor dan data FCD

Studi kasus termasuk koridor 4,5 km di Dumlupınar Boulevard (dari Hacettepe University interchange ke

Pintu masuk Universitas Teknik Timur Tengah), yang merupakan jalan arteri utama dalam bentuk jalan
raya perkotaan multilafur

koridor (4 jalur di setiap arah) di Ankara, Turki (Gambar 2). Koridor studi terdiri dari 134 segmen dalam
satu

arah, dan masa studi adalah dari Desember 2015 hingga Februari 2016 untuk periode jam sibuk pagi hari

(antara 07: 30-09: 00). Data FCD dalam penelitian ini disediakan oleh penyedia informasi lalu lintas
berbasis Belgia, yang

memberikan data kecepatan rata-rata real-time dalam periode 1 menit untuk segmen jalan kecil dengan
panjang lebih pendek dari 50m. Saya t

menghasilkan data kecepatan rata-rata untuk ruas jalan, namun hasil ini dipotong untuk batas
kecepatan jalan. Itu

area studi mencakup satu bagian dengan titik penegakan kecepatan elektronik (penegakan kecepatan
tempat yang berada di sekitar

Segmen jalan ID 27), 3 susunan kelas utama yang dipisahkan (Hacettepe, Bilkent dan Middle East
Technical University

(METU)), dan halte bus utama dekat persimpangan METU (Segmen ID 116), seperti yang ditunjukkan
pada Gambar 2.

4.2. Frekuensi aliran bebas versus pola kritis sepanjang koridor

Frekuensi aliran bebas di sepanjang koridor studi menunjukkan pola yang sangat mirip untuk 2CSS, 3CSS
dan 4CSS

metode. Profil aliran bebas dari koridor yang dipilih untuk 2SCC diilustrasikan pada Gambar 3. Frekuensi
aliran bebas yang lebih tinggi

ditunjukkan pada Gambar 3a menunjuk segmen yang tidak menghadapi banyak pola kritis dan
kebanyakan melibatkan LOS A, sedangkan

frekuensi rendah dari kasus aliran bebas menunjukkan pola kritis potensial yang harus dianalisis secara
lebih rinci. Ini

lokasi kritis diamati di persimpangan utama, dan sebelum penegakan kecepatan dan lokasi
pemberhentian bus, sebagai
diharapkan. Sementara kecepatan perjalanan diamati pada nilai yang jauh lebih rendah daripada tingkat
aliran bebas di persimpangan Hacettepe,

ini kemungkinan besar dampak perlambatan sebelum langkah-langkah penegakan elektronik, yang
terletak segera setelah, di

Segmen 27. Kondisi lalu lintas di persimpangan Bilkent membaik sepanjang segmen dalam pertukaran,
sementara

masalah utama diamati di segmen hulu. Demikian pula, lalu lintas sebagian besar mengalir bebas di
METU

interchange, sementara kemacetan parah diamati di segmen segera sebelum halte bus dekat dengan ini

pertukaran.

5. Kesimpulan

Hasil ini menunjukkan bahwa meskipun hanya satu parameter (kecepatan perjalanan rata-rata dari FCD)
yang digunakan, itu masih

mungkin untuk mendeteksi pola-pola kritis di sepanjang jalan perkotaan, jika datanya terus menerus
dan ekstensif. Pola-pola kritis bisa terjadi

terdeteksi termasuk kemacetan terus-menerus karena pertukaran, poin penegakan kecepatan,

pemberhentian bus dll. Selanjutnya,

titik pelepasan bottleneck, serta panjangnya formasi antrian di segmen hulu mereka, dapat dengan
mudah diidentifikasi.

Penggunaan 2CSS dapat meningkatkan tingkat deteksi, tetapi mengungkapkan informasi kurang tentang
tingkat spasial pola.

Sebaliknya, penggunaan rantai segmen yang lebih panjang (seperti dalam 3CSS dan 4CSS) dalam analisis
memungkinkan satu untuk mengidentifikasi lebih banyak

pola yang rumit. Kekuatan sesungguhnya dari metodologi ini adalah fleksibilitasnya ketika digunakan
untuk analisis berskala besar; banyak perkotaan

koridor dapat dengan mudah dinilai secara retrospektif maupun secara real-time. Mengamati variasi
pola dari waktu ke waktu bias