Riwayat artikel: Dengan permintaan transportasi yang terus meningkat, kemacetan lalu lintas di perkotaan menjadi masalah
Diterima 30 Desember 2020 penting yang mengancam beberapa faktor, termasuk keselamatan publik, emisi gas rumah kaca, dan
Diterima dalam bentuk revisi 23 November ketidakefisienan transportasi. Oleh karena itu, sistem transportasi cerdas ( Intelligent Transport Systems/ITS)
2021 Diterima 7 Maret 2022
muncul sebagai solusi yang menjanjikan untuk meringankan beban kemacetan. ITS mengandalkan teknologi
Tersedia secara online pada 22 Maret 2022
yang berbeda seperti VANET (Vehicular Adhoc Networks) yang menyediakan sistem transportasi dengan
Kata kunci konektivitas di mana-mana yang memungkinkan pertukaran informasi lalu lintas antara kendaraan dan
ITS VANET terminal di pinggir jalan. Hal ini dapat mendukung berbagai aplikasi mobilitas pintar seperti kontrol sinyal
Model lalu lintas dan manajemen lalu lintas waktu nyata. Oleh karena itu, model mobilitas dikembangkan untuk
mobilitas Teori meniru dan meramalkan distribusi lalu lintas yang akan sangat membantu dalam desain dan manajemen
antrian Rantai strategi pengendalian lalu lintas. Dalam konteks ini, penelitian ini secara khusus berkonsentrasi pada
Markov pengembangan model mobilitas yang mencerminkan aktivitas kendaraan di lingkungan perkotaan
berdasarkan informasi kendaraan yang dikumpulkan dengan menggunakan komunikasi kendaraan. Perilaku
kendaraan di sepanjang jalan multi-jalur dan persimpangan dimodelkan sebagai proses stokastik dengan
menggunakan teori antrian. Secara khusus, sistem antrian dianalisis sebagai rantai Markov waktu kontinu
(CTMC) dan dengan menghitung probabilitas kondisi mapan, ukuran kinerja yang berbeda diturunkan dan
dianalisis dalam berbagai skenario. Untuk memvalidasi model, prakiraan yang diperoleh dibandingkan
dengan model antrian dan jejak realistis. Hasilnya menunjukkan bahwa model ini mampu mereproduksi
perilaku realistis dari lalu lintas di jalan perkotaan tanpa mengeluarkan biaya yang besar dan komputasi yang
memakan waktu. Perkiraan yang diperoleh kemudian digunakan untuk merancang lampu traffic yang
digerakkan dan adaptor kecepatan kendaraan. Dari hasil simulasi, terlihat jelas bahwa penggunaan model
peramalan traffic yang diusulkan dapat membantu mengurangi waktu berhenti dan waktu tempuh
kendaraan.
© 2022 Elsevier Inc. Semua hak cipta
dilindungi undang-undang.
https://doi.org/10.1016/j.jpdc.2022.03.005
0743-7315/© 2022 Elsevier Inc. Hak cipta dilindungi undang-undang.
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
2. Pekerjaan terkait
Tabel 1
Perbandingan model sintetis.
Model Lingkungan target Pembuatan peta Bangkitan Komputasi jalur Perubahan Kecepatan Perilaku
perjalanan jalur persimpangan
LWR [35,51] Perkotaan dan jalan Peta nyata Acak Gelombang Tidak. Tidak seragam Sinyal traffic
bebas hambatan kinematik
Henry dkk. [37] Perkotaan Ditentukan oleh - Gelombang Tidak. Tidak seragam Sinyal traffic
pengguna kinematik
Yang dkk. [64] Perkotaan Ditentukan oleh - Gelombang Tidak. Tidak seragam Sinyal traffic
pengguna kinematik
Bagian kota [3] Perkotaan Tata letak kisi Acak RWP Tidak. Seragam Acak
Jalan bebas hambatan [3] Jalan bebas hambatan Grafik tidak Acak RWP Tidak. Tidak seragam -
terarah
Manhattan [3] Perkotaan Tata letak kisi Acak RWP Tidak. Tidak seragam Probabilistik
Nagel & Schreckenberg [44] Jalan bebas hambatan Ditentukan oleh Acak RWP Tidak. Tidak seragam -
pengguna
Otomat seluler [66] Jalan bebas hambatan Ditentukan oleh Acak RWP Tidak. Tidak seragam -
pengguna
Keanggotaan kelompok [7] Jalan raya Ditentukan oleh Acak Seragam Tidak. Tidak seragam -
pengguna
Krauß [30] Perkotaan dan jalan Ditentukan oleh Acak Seragam Ya. Tidak seragam -
bebas hambatan pengguna
Bayesian [48] Perkotaan dan jalan Ditentukan oleh Ditentukan oleh Acak Ya. Tidak seragam -
bebas hambatan pengguna pengguna
Legendre [33] Mobilitas manusia File peta Acak Gerakan Brown, Tidak. Normal atau -
seragam
RWalk, Jalan-jalan distribusi
Kelompok
Gipps [16] Jalan raya Acak Acak Acak Ya. Tidak seragam -
Siklus mengemudi [27] Perkotaan, pedesaan, Peta nyata Jejak GPS Jejak Tidak. Tidak seragam -
jalan raya
Gawon [15] Perkotaan dan jalan Ditentukan oleh Acak - Tidak. Seragam Sinyal traffic
raya pengguna
Mirchandani dkk. [41] Persimpangan Ditentukan oleh - - Tidak. - Sinyal traffic
perkotaan pengguna
Cremer & Landenfeld [9] Perkotaan Ditentukan oleh Acak RWP Tidak. Seragam Sinyal Traffic
pengguna
Mohimani dkk. [42] Perkotaan Tata letak kisi Acak Acak Tidak. Tidak seragam Deterministik
LINTAS [20] Perkotaan dan Jalan Peta nyata Acak Acak Tidak. Tidak seragam -
Raya
146
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
yang terdiri dari satu set N persimpangan jalan yang dihubungkan oleh
Model ini bergantung pada seperangkat asumsi yang sederhana tanpa
jalan dua arah dan jalan multi-lajur dipertimbangkan. R menunjukkan
kehilangan realisme dan akurasi hasil. Melalui hasil yang ditunjukkan
himpunan jalan satu arah yang menyusun jaringan. Tiga jenis
pada bagian 4, model ini menunjukkan keefektifannya dalam meniru
persimpangan dimodelkan: bundaran, stop-and-go dan persimpangan
kondisi perkotaan dan dapat digunakan dengan baik dalam konteks
yang dikendalikan oleh sinyal. Diasumsikan bahwa kendaraan datang
ITS.
ke persimpangan dari jalan di luar jaringan atau dari persimpangan
yang berdekatan di dalam wilayah studi. Kendaraan yang datang ke
3. Model yang diusulkan
persimpangan dilayani dengan segera atau mengantri
148
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
λr = μ i . pij , ∀r ∈ R (1)
μi adalah tingkat pelayanan simpang awal i dan pij probabilitas
kendaraan bergerak dari simpang i ke simpang j. μi adalah tingkat
pelayanan simpang awal i yang diekstraksi dari jejak historis yang
dikumpulkan oleh RSU dan pij probabilitas kendaraan bergerak dari
simpang i ke simpang j.
kendaraan yang bergerak dari persimpangan i ke persimpangan j.
Kita nyatakan dengan αm probabilitas sebuah kendaraan
Σ
memilih untuk melakukan perjalanan di lajur m, dengan αm = 1.
Tingkat kedatangan dari sebuah jalur m
149
distribusi
O. El Joubari,taktis dengan V. Veque μi . Laju pelayanan dapat diekstraksi
dan tingkat
J. Ben Othman
λr < μr , ∀r ∈ RJurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155 (7)
dari data historis yang dikumpulkan oleh RSU dan mewakili jumlah
kendaraan yang melintasi persimpangan dalam suatu periode waktu. Demikian pula, diasumsikan bahwa tingkat kedatangan
Untuk persimpangan harus lebih kecil dari tingkat pelayanannya:
Pada persimpangan yang dikendalikan oleh sinyal, tingkat pelayanan
mewakili jumlah rata-rata kendaraan yang melintasi persimpangan λi < μi , ∀i ∈ N (8)
selama siklus sinyal lalu lintas.
Untuk memastikan bahwa sistem antrian dapat berevolusi 3.1. Rantai Markov untuk lalu lintas jalan raya
menuju kondisi tunak, kita asumsikan bahwa tingkat kedatangan λ
dan tingkat pelayanan μ memenuhi batasan berikut: λ < μ. Perlu Untuk membangun model yang diusulkan, sebagai langkah
ditekankan bahwa kondisi ini harus dipenuhi oleh lajur, jalan, dan pertama, kami membangun Rantai Markov dalam waktu kontinu
persimpangan. Oleh karena itu, kami mempertimbangkan skenario di untuk memodelkan perilaku antrian yang merepresentasikan sebuah
mana: jalan dengan banyak lajur. Sebuah jalan perkotaan dengan M lajur
dipertimbangkan, di mana Clane adalah kapasitas lajurnya, yang
λm < μm , ∀m ∈ M (6) mewakili jumlah kendaraan yang dapat ditangani oleh satu lajur.
Misalkan X(t) = (X1 (t), ..., XM (t)) adalah sebuah vektor variabel
Pemenuhan kendala (6) menyiratkan hal berikut: acak
merepresentasikan kondisi jalan, di mana setiap elemen Xm (t)
mewakili jumlah kendaraan yang m e l a j u di jalur m, misalnya,
= m (3) untuk setiap m ∈ M dan t ∈ [0, +∞), 0 ≤ (t) ≤ C jalur . Oleh karena
μm Len
Xm itu,
150
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
,
, λm , jika sebuah kendaraan tiba di lajur m;
,
⎨ LμCmn ,m , jika kendaraan
kendaraan berpindah dari lajur n ke lajur
pxy =
m; meninggalkan lajur m;
- Σ pxz jika x = y ;
z∈Ω\{x}
,
,,
0 sebaliknya.
(13)
berhingga Ω,
dan matriks transisi keadaan P , di mana elemennya pxy
mencerminkan
n∈Mm∈M\{n}
kemungkinan sistem bertransisi dari keadaan x ke keadaan y.
Dengan P sebagai matriks laju transisi dan π sebagai distribusi 3.2. Rantai Markov untuk lalu lintas persimpangan
keseimbangan, persamaan keseimbangan dapat dinyatakan secara
matematis sebagai: Langkah selanjutnya adalah membangun CTMC untuk
memodelkan lalu lintas di persimpangan. Kami menganggap bahwa
πx.pxy = πy . pyx (9) jaringan jalan terdiri dari sekumpulan persimpangan jalan sebanyak N
buah. Diasumsikan bahwa N terdiri dari N persimpangan jalan.
Kemudian persamaan keseimbangan global diperoleh dengan persimpangan (N = {1..N}). Setiap persimpangan i ∈ N diberi nilai
menjumlahkan yang sesuai Ci dalam C = {C1 , C2 , ..., CN } yang
y: merepresentasikan
jumlah kapasitas jalan yang bertemu di persimpangan.
Σ Σ
πx . pxy = π y . pyx (10) Rantai Markov didefinisikan sebagai proses acak {Y (t), t ≥ 0} di
y∈Ω\{x} mana Y (t) = (Y1 (t), ..., Y N (t)) adalah sebuah vektor dari beberapa
y∈Ω\{x}
variabel acak. Setiap elemen Yi (t) merepresentasikan jumlah
kendaraan yang mengantri.
Dengan demikian, untuk menentukan matriks probabilitas Karena antrean tunggu di persimpangan memiliki kapasitas terbatas
transisi P, pertama-tama kita nyatakan probabilitas perpindahan yang relatif terhadap panjang jalan yang menuju persimpangan, kami
lajur dari lajur n ke lajur m dengan LCnm . Jika sebuah kendaraan mengasumsikan bahwa variabel acak memverifikasi
berjalan di lajur n, probabilitas kendaraan tersebut berpindah k e kendala berikut: ∀i ∈ N dan ∀t ∈ [0, +∞[ Σ , 0 ≤ Yi (t) ≤ Ci .
Sebuah himpunan populasi A dengan ukuran 0 < |A| < Ci
l a j u r m yang berdekatan didefinisikan sebagai fungsi kepadatan.
dapat dipelajari dengan
Jika m lebih padat, maka probabilitas kendaraan akan berpindah ke i∈N
jalur m akan rendah. Namun, jika jalur n saat ini lebih padat Rantai Markov.
daripada jalur m yang dituju, maka probabilitas perpindahan jalur Ruang keadaan ① didefinisikan sebagai kumpulan nilai yang
akan meningkat. Dengan Dn dan Dm masing-masing adalah mungkin dari Yi (t) , dan T matriks transisi seperti, diberikan (u, v) ∈
kepadatan jalur n dan jalur m, probabilitas perpindahan jalur dapat ①2 , Tuv adalah probabilitas transisi dari keadaan u ke keadaan v.
Pertama-tama, kita
dinyatakan sebagai berikut:
mendefinisikan matriks perutean R = (ri , j)1 ≤i≤N,1≤ j≤N di mana
setiap ele-
, rij , ∀(i, j) ∈ N2 adalah probabilitas kendaraan bergerak dari
, - Dm
⎨1
, jika n dan m persimpangan i ke persimpangan j. Elemen diagonal rii , ∀i ∈ N
Dn + Dm
LCnm = , adalah jalur yang (11) adalah probabilitas kendaraan meninggalkan jaringan dari
,
,
0 berdekatan; persimpangan i. Matriks probabilitas routing seharusnya dihitung
sebaliknya secara berkala oleh RSU menggunakan data yang dikumpulkan.
.
Matriks transisi T kemudian dapat dibuat sebagai berikut:
Karakteristik lain dari matriks P adalah jumlah barisnya adalah
0, seperti untuk setiap (x, y) ∈ Ω2 :
,
, λi , jika sebuah kendaraan bergabung dengan
jaringan dari
Pr{X ( t + 1) = y|X(t) = x}≥ 0, jika x /= y; , persimpangan i;
151
O. El Joubari,Σ
J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
pxy = ⎨- pxz jika x = y. (12) ,μi .rii, jika sebuah kendaraan meninggalkan
jaringan dari
, ,
z∈Ω\{x} , persimpangan i;
Tuv = ⎨μi .rij, jika sebuah kendaraan bergerak dari
persimpangan i
Di mana elemen non-diagonal sama dengan laju transisi dari
ke
keadaan x ke y, dan elemen diagonal dihitung Σ
dengan jumlah tingkat lain dari baris yang sama. Matriks transisi , - T u
persimpangan j;
, w ∈①\{u} w jika u = v;
,
,
P dibentuk oleh kumpulan probabilitas transisi pxy yang ,
0
menggambarkan probabilitas bahwa sebuah sistem akan
berevolusi dari keadaan x ke keadaan y. Gbr. 3 menunjukkan grafik sebaliknya (14)
Markov yang sesuai.
.
152
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Tabel 3
Konfigurasi jalan.
Konfigurasi jalan
Id jalan Panjang jalan Mulai Akhir Nomor
persimpangan persimpangan jalur
Jalan 1 300 m 1 2 2
Jalan 2 300 m 2 1 2
Jalan 3 500 m 1 3 3
Jalan 4 500 m 3 1 3
Jalan 5 300 m 2 3 2
Jalan 6 300 m 3 2 2
Tabel 4
Gbr. 4. Grafik transisi dari rantai Markov yang menggambarkan traffic di tiga Konfigurasi persimpangan.
persimpangan.
Konfigurasi persimpangan
Id persimpangan Kebijakan Kapasitas
Diagram transisi dari rantai Markov yang diusulkan antrian Persimpangan 1 Lampu lalu lintas 30
digambarkan pada Gbr. 4. Distribusi stasioner W dari Rantai Persimpangan 2 Berhenti-dan-pergi 45
Persimpangan 3 Bundaran 30
Markov T (t), dinyatakan dengan:
Σ ,
0.3 0.2 0.5
,
Wu . (Σλi .1(T uv =λ )i , 0.2 0.2 0.6 ,
Matriks
perutean
v∈①\{u} i∈N 0.4 0 . 3 0 . 3
Σ Σ
+ Σμi.rii.1(Tuv =μi .rii ) + μi.rij.1 (Tuv =μi .rij) =
Si = 1 . ΣWu .ui, ∀i ∈ N (19)
i∈N i∈N j∈N\{i}
λi
Σ Σ Σ u∈①
Wv ( λi.1(Tvu =λi )+ μirii .1 ( Tvu =μi.rii)
Dari persamaan (18) dan (19), Wi dapat disimpulkan:
v∈①\{u}
Σ i∈N i∈N
1 1
+
Σ μi.rij.1(t =μ .r )) W= .ΣW .u - , ∀i ∈ N (20)
i ui
vu ii j
λi μi
i∈N j∈N\{i} u∈①
Dan terakhir, panjang rata-rata antrian Qi di sebuah persimpangan
3.3. Resolusi numerik dan ukuran kinerja
i dapat dihitung seperti di bawah ini:
Algoritma Grassmann-Taksar-Heyman (GTH) [17] digunakan
Q i = λ i . Wi , ∀i ∈ N (21)
untuk menghitung nilai distribusi stasioner. Kemudian, ukuran
kinerja diperoleh dengan menerapkan hukum Little. Dengan mengganti Wi dengan nilainya, kita mendapatkan rumus
berikut:
Pertama, kami memperoleh tiga metrik berbeda untuk ΣWu .u λi
mempelajari kinerja jalan, yaitu jumlah rata-rata kendaraan, jumlah Q i= i (22)
tingkat kemacetan dan waktu tempuh rata-rata. μi - μi
Misalkan Lm menyatakan jumlah rata-rata kendaraan yang melaju Waktu tundaan rata-rata dari persimpangan Si dapat dihitung
di jalur dengan menggunakan hukum Little seperti di bawah ini:
m:
V Cm = Lm / Jalur , ∀m ∈ M (16)
Dengan menerapkan rumus hukum Little, waktu singgah rata-
rata Sm dari lajur m dapat dinyatakan:
1 Σ
Sm = . πx .xm, ∀m ∈ M (17)
λ
m x∈Ω
Untuk persimpangan, kami menggunakan panjang antrian rata-
rata dan waktu tunggu rata-rata sebagai metrik kinerja untuk
mengevaluasi sistem. Waktu tunggu rata-rata persimpangan i
dilambangkan dengan Wi dan mendefinisikan waktu rata-rata yang
dihabiskan kendaraan untuk mengantri di persimpangan tersebut. Wi
dihitung sebagai selisih antara
μi waktu singgah Si dan waktu pelayanan
1:
1
Wi = Si - , ∀i ∈ N (18)
153
u∈①J. Ben Othman dan V. Veque
O. El Joubari, Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Bagian ini melaporkan hasil analisis yang telah kami lakukan. Hasil
numerik dari berbagai pengukuran kinerja yang berbeda pertama-
tama disajikan. Kemudian, kami membandingkan model yang
diusulkan dengan jejak realistis dan model antrian Gawron [15].
Akhirnya, estimasi yang diperoleh digunakan dalam dua aplikasi
mobilitas cerdas yang berbeda dan perbandingan antara kinerja
sistem jalan konvensional dan sistem jalan cerdas dilakukan dengan
menggunakan kerangka kerja simulasi SimEvents yang diusulkan
dalam [22].
Untuk mempelajari kinerja model transportasi perkotaan CTMC,
sebuah peta jalan yang realistis dipertimbangkan. Sebuah ruas jalan
kota yang terdiri dari tiga persimpangan dengan kebijakan yang
berbeda dihubungkan dengan jalan dua arah dengan banyak lajur.
Pada Tabel 3 dan 4, konfigurasi spasial dari ruas jalan kota diberikan.
Parameter yang digunakan dalam penelitian ini diekstraksi dari
dataset inD [6] dan roundD [29] yang menawarkan data lalu-lintas
kendaraan secara naturalistik yang direkam di persimpangan dan
jalan multi-jalur di Jerman dengan menggunakan drone dengan
frame rate sebesar 25 Hz.
Pada t a h a p pertama, kinerja ruas jalan kota diteliti dengan
skenario kepadatan yang berbeda untuk menyelidiki sejauh mana
model yang diusulkan mampu mencerminkan dampak kepadatan
terhadap kinerja sistem jalan. Nilai-nilai dari pelayanan persimpangan
tingkat wakil, kecepatan rata-rata lajur, dan probabilitas
kedatangan lajur α adalah
diekstraksi dari jejak yang direkam selama 15 menit. Tabel 5
merangkum nilai parameter yang dipertimbangkan dalam
pengaturan ini.
Pertama, kami mengevaluasi dan membandingkan hasil rata-rata
jumlah kendaraan dan waktu tempuh rata-rata untuk jalan yang
berbeda. Gbr. 5 mengacu pada
154
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Tabel 5
Konfigurasi penyiapan.
Parameter jalan
Id jalan Id jalur Kecepatan rata-rata Probabilitas
(m/s) kedatangan
Jalur 1 25,607 0,535
Jalan 1 Jalur 2 33,291 0,465
Jalur 1 27,673 0,407
Jalan 2 Jalur 2 40,407 0,593
Jalur 1 23,643 0,74
Jalur 2 28,522 0,452
Jalan 3 Jalur 3 29,731 0,808
Jalur 1 24,875 0,472
Jalur 2 30,877 0,707
Jalan 4 Jalur 3 32,841 0,821
Jalur 1 24,208 0,603
Jalan 5 Jalur 2 30,992 0,397
Jalur 1 27,482 0,319
Jalan 6 Jalur 2 32,134 0,681
Parameter
persimpangan
Id persimpangan Persimpangan 1 Persimpangan 2 Persimpangan 3
Tarif layanan (kendaraan/menit) 14,25 17 14
155
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
157
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Jumlah rata-rata kendaraan dibandingkan dengan nilai estimasi model yang diusulkan memungkinkan untuk mendapatkan rata-rata
seperti yang diilustrasikan pada Gbr. 10. Sedangkan pada Gbr. 11, akurasi 93% untuk jumlah kendaraan yang diharapkan, dibandingkan
nilai aktual panjang antrian rata-rata dibandingkan dengan hasil yang dengan akurasi 31% yang diperoleh dengan model Gawron. Untuk
diperoleh dengan menggunakan model CTMC dan model antrian panjang antrian yang diharapkan, akurasi rata-rata model CTMC
Gawron. Hasil dari model yang diusulkan mengikuti tren yang sama adalah 80% dan 24% untuk model Gawron. Kita dapat melihat
dengan jejak realistis. Akan tetapi, hasil yang diperoleh dengan perbedaan yang besar antara akurasi model berbasis CTMC yang
menggunakan model Gawron bersifat acak dan tidak mengikuti diusulkan dalam penelitian ini dan model berbasis antrian yang
evolusi yang sama dengan kurva yang mewakili jejak. diusulkan dalam [15]. Lihat Gambar 12 dan 13.
Pandangan pertama pada grafik menunjukkan bahwa CTMC Terakhir, untuk menggarisbawahi pentingnya penggunaan model
mengungguli model Gawron dalam hal akurasi prakiraan. Untuk studi pra-diksi traffic untuk meningkatkan efisiensi sistem transportasi
kasus ini, dengan menggunakan aplikasi mobilitas pintar, lampu traffic yang
158
digerakkan
O. El Joubari, J.dan lampudan
Ben Othman otomatis
V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
159
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Gbr. 15. Waktu tunggu rata-rata: Lampu traffic yang telah diatur sebelumnya vs lampu traffic yang
digerakkan.
161
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Gbr. 17. Penundaan perjalanan rata-rata: Kecepatan gerak acak vs Pengontrol kecepatan yang
digerakkan.
Referensi
163
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
sensor VANET hibrida, IEEE Trans. Ind. Elektron. 62 (12) (2015) 7883-7891.
[6] J. Bock, R. Krajewski, T. Moers, S. Runde, L. Vater, L. Eckstein, The Ind Dataset:
Dataset Drone Lintasan Pengguna Jalan Naturalistik di Persimpangan Jerman,
2019.
[7] L. Briesemeister, Keanggotaan kelompok dan komunikasi dalam jaringan iklan
yang sangat mobile hoc, 2001.
[8] G.D. Cameron, G.I. Duncan, Simulasi mikroskopis paralel parametrik jalan traffic,
J. Superkomput. 10 (1) (1996) 25-53.
[9] M. Cremer, M. Landenfeld, A Mesoscopic Model for Saturated Urban Road Net-
works, vol. 97, 1997, hal. 169-180.
[10] V.A. Davies, Mengevaluasi model mobilitas dalam jaringan ad hoc, Tesis Master,
pembimbing: Tracy Camp, Departemen Ilmu Matematika dan Komputer,
Colorado School of Mines, 2000.
[11] H. El-Sayed, M. Chaqfeh, Penyebaran tepi bergerak di l i n g k u n g a n
kendaraan, dalam: Konferensi Internasional Jaringan Informasi 2018, ICOIN,
IEEE, 2018, pp. 322-324.
[12] M. Fellendorf, Vissim: alat simulasi mikroskopis untuk mengevaluasi sinyal yang
digerakkan kontrol termasuk prioritas bus 32 (1994) 1-9.
[13] M. Fiore, J. Harri, F. Filali, C. Bonnet, Vehicular mobility simulation for VANETs,
2007, pp. 301-309.
[14] A. Förster, A. Bin Muslim, A. Udugama, Trails-a trace-based probabilistic mo-
bility model, in: Prosiding Konferensi Internasional ACM ke-21 tentang
Pemodelan, Analisis dan Simulasi Sistem Nirkabel dan Bergerak, 2018,
Hal. 295-302.
[15] C. Gawron, Algoritma iteratif untuk menentukan keseimbangan pengguna
dinamis dalam model simulasi traffic, Int. J. Mod. Phys. C 9 (03) (1998) 393-407.
[16] P.G. Gipps, Model perilaku mengikuti mobil untuk simulasi komputer, Transp.
Res, Bagian B, Methodol. 15 (2) (1981) 105-111.
[17] W.K. Grassmann, M.I. Taksar, D.P. Heyman, Analisis regeneratif dan distribusi
keadaan steady untuk rantai Markov, Oper. Res. 33 (5) (1985) 1107-1116.
[18] F. Gunes, S. Bayrakli, A.H. Zaim, Karakteristik arus lalu lintas di persimpangan
bersinyal dan perbandingan kinerja menggunakan teori antrian, 2020,
hal. 1-9.
[19] M. Haklay, P. Weber, Openstreetmap: peta jalan yang dibuat oleh pengguna,
IEEE Perva- sive Comput. 7 (4) (2008) 12-18.
[20] E. Harahap, J. Wijekoon, P. Purnamasari, D. Darmawan, R. Ceha, H. Nishi, Im-
pembuktian manajemen lalu lintas jalan dengan simulasi berbasis model, 2018,
hlm. 1-6.
[21] J. Harri, F. Filali, C. Bonnet, Model mobilitas untuk jaringan ad hoc kendaraan:
survei dan taksonomi , IEEE Commun. Surv. Tutor. 11 (4) (2009) 19-41.
[22] B.O. Jalel, V. Véronique, dkk., Model simulasi berbasis teori antrian untuk
mobilitas kendaraan , dalam: ICC 2021-IEEE International Conference on
Communi- cations, IEEE, 2021, pp. 1-6.
[23] F. Jin, S. Sun, Pembelajaran multitask jaringan syaraf untuk peramalan aliran
trafik, dalam: 2008 IEEE International Joint Conference on Neural Networks (IEEE
World Congress on Computational Intelligence), IEEE, 2008, pp. 1897-1901.
[24] M.A. Kafi, J.B. Othman, L. Mokdad, N. Badache, Analisis kinerja dan evaluasi
REFIACC menggunakan jaringan antrian, Simul. Model. Pract. Theory 71 (2017)
15-26.
[25] S. Kamakshi, V.S. Sriram, Modularity based mobility aware community detec-
tion algorithm for broadcast storm mitigation in VANETs, Ad Hoc Netw. (2020)
102161.
[26] R. Ketabi, M. Al-Qathrady, B. Alipour, A. Helmy, Kepadatan traffic kendaraan di
depan- casting melalui mata kamera traffic; a spatio-temporal machine learning
study, in: Prosiding Simposium ACM ke-9 tentang Desain dan Analisis Jaringan
dan Aplikasi Kendaraan Cerdas, 2019, pp. 81-88.
[27] S. Kharrazi, M. Almén, E. Frisk, L. Nielsen, Memperluas model perilaku untuk
menghasilkan siklus mengemudi berbasis misi untuk pengembangan kendaraan
berbasis data, IEEE Trans. Veh. Technol. 68 (2) (2018) 1222-1230.
[28] R. Krajewski, J. Bock, L. Kloeker, L. Eckstein, Dataset highd: dataset drone
lintasan kendaraan naturalistik di jalan raya Jerman untuk validasi sistem
mengemudi otomatis yang sangat , in: Konferensi Internasional ke-21 2018
tentang Sistem Transportasi Inteligensi, ITSC, 2018, hlm. 2118-2125.
[29] R. Krajewski, T. Moers, J. Bock, L. Vater, L. Eckstein, The round dataset: a drone
set data lintasan pengguna jalan di bundaran di Jerman, 2020.
[30] S. Krauß, Pemodelan mikroskopis aliran traffik: investigasi dinamika kendaraan
bebas tabrakan, 1998.
[31] C. Lai, D. Zheng, Q. Zhao, X. Jiang, Segm: kerangka kerja manajemen kelompok
yang aman dalam jaringan seluler VANET yang terintegrasi, Veh. Commun. 11
(2018) 33-45.
[32] I. Lana, J. Del Ser, M. Velez, E.I. Vlahogianni, Peramalan lalu lintas jalan raya:
kemajuan terkini dan tantangan baru, IEEE Intell. Transport. Syst. Mag. 10 (2)
(2018) 93-109.
[33] F. Legendre, V. Borrel, M.D. De Amorim, S. Fdida, Pemodelan mobilitas dengan
aturan perilaku: kasus insiden dan situasi darurat, 2006,
Hal. 186-205.
[34] Y. Li, K. Ying, P. Cheng, H. Yu, H. Luo, Penyebaran data kooperatif dalam jaringan
nirkabel heterogen seluler-VANET, dalam: Forum Komunikasi Cerdas
Berkecepatan Tinggi Internasional ke-4 tahun 2012, IEEE, 2012, hal. 1-4.
[35] M.J. Lighthill, G.B. Whitham, Pada gelombang kinematik ii. sebuah teori tentang
aliran traffik pada jalan yang panjang dan padat, Proc. R. Soc. Lond. Ser. A, Math.
Phys. Sci. 229 (1178) (1955) 317-345.
[36] C.-C. Lin, D.-J. Deng, Penempatan dua jalur y a n g optimal untuk jaringan
164
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
[37] H.X. Liu, X. Wu, W. Ma, H. Hu, Estimasi panjang antrian secara real-time untuk
persimpangan bersinyal yang padat, Transp. Res, Bagian C, Emerg. Technol. 17
(4) (2009) 412-427.
[38] P.A. Lopez, M. Behrisch, L. Bieker-Walz, J. Erdmann, Y.-P. Flötteröd, R. Hilbrich,
L. Lücken, J. Rummel, P. Wagner, E. WieBner, Microscopic traffic simulation
using sumo, in: Konferensi Internasional ke-21 tentang Sistem Transportasi
Cerdas, ITSC, IEEE, 2018, pp. 2575-2582.
[39] F. Losilla, A.J. García-Sánchez, F. García-Sánchez, J. García-Haro, Tentang peran
jaringan sensor nirkabel dalam sistem transportasi cerdas, dalam: Konferensi
Internasional ke-14 tahun 2012 tentang Jaringan Optik Transparan, ICTON,
IEEE, 2012,
hal. 1-4.
[40] M.M. technology, sistem terintegrasi perangkat lunak traffic - simulasi koridor,
https://mctrans.ce.ufl.edu/featured/TSIS/.
[41] P.B. Mirchandani, N. Zou, Model antrian untuk analisis kontrol sinyal adaptif
traffic, IEEE Trans. Intell. Transp. Syst. 8 (1) (2007) 50-59.
[42] G.H. Mohimani, F. Ashtiani, A. Javanmard, M. Hamdi, Pemodelan mobilitas,
distribusi spasial traffic, dan probabilitas konektivitas untuk jaringan ad hoc
kendaraan yang jarang dan padat, IEEE Trans. Veh. Technol. 58 (4) (2008) 1998-
2007.
[43] L. Mokdad, J. Ben-Othman, A.T. Nguyen, Djavan: mendeteksi serangan jamming
pada jaringan ad hoc kendaraan, Perform. Eval. 87 (2015) 47-59.
[44] K. Nagel, M. Schreckenberg, A cellular automaton model for freeway traffic, J.
Phys. I 2 (12) (1992) 2221-2229.
[45] B.L. Nguyen, D.T. Ngo, N.H. Tran, H.L. Vu, Menggabungkan komunikasi v2i
dengan v2v untuk kontinuitas layanan di jaringan kendaraan, in: Konferensi
Sistem Transportasi Cerdas IEEE 2019, ITSC, IEEE, 2019, pp. 201-206.
[46] O.S. Oubbati, N. Chaib, A. Lakas, P. Lorenz, A. Rachedi, Konektivitas layanan
pendukung berbantuan UAV di VANET perkotaan, IEEE Trans. Veh. Technol. 68
(4) (2019) 3944-3951.
[47] B.O.J.E.J. Oumaima, V. Véronique, Model traffik rantai Markov waktu kontinu
untuk lingkungan perkotaan, dalam: GLOBECOM 2020 - Konferensi Komunikasi
Global IEEE 2020, 2020, hlm. 1-6.
[48] M.-D. Pop, O. Pros¸ tean, G. Pros¸ tean, Model mengikuti mobil di jalan dengan
banyak lajur menggunakan penalaran bayesian untuk estimasi perilaku
perubahan lajur: pendekatan cerdas untuk mobilitas cerdas, 2019, pp. 1-8.
[49] Q.p. ltd, paramics, https://www.paramics.co.uk/en/.
[50] A. Reyes-Muñoz, MC Domingo, MA López-Trinidad, JL Delgado, Integrasi
jaringan sensor tubuh dan jaringan ad-hoc kendaraan untuk keselamatan lalu
lintas, Sen-sors 16 (1) (2016) 107.
[51] P.I. Richards, Gelombang kejut di jalan raya, Oper. Res. 4 (1) (1956) 42-51.
[52] F.J. Ros, J.A. Martinez, P.M. Ruiz, Sebuah survei tentang pemodelan dan
simulasi jaringan kendaraan: komunikasi, mobilitas, dan alat, Comput.
Commun. 43 (2014) 1-15.
[53] T. Sukuvaara, P. Nurmi, Platform layanan traffic nirkabel untuk komunikasi
gabungan kendaraan-ke-kendaraan dan kendaraan-ke-infrastruktur, IEEE Wirel.
Commun. 16 (6) (2009) 54-61.
[54] Halaman muka Sumo, https://www.eclipse.org/sumo/.
[55] Sistem simulasi transportasi Tss, aimsun, tss, https://www.aimsun.com/.
[56] Vanetmobisim 1.1, http://vanet.eurecom.fr/.
[57] V. Vetriselvi, R. Parthasarathi, Model mobilitas berbasis jejak untuk jaringan ad
hoc, dalam: Konferensi Internasional IEEE Ketiga tentang Komputasi Nirkabel
dan Bergerak, Jaringan dan Komunikasi, WiMob 2007, 2007, hal. 81.
[58] Vissim America, https://www.ptvgroup.com/.
[59] E.I. Vlahogianni, M.G. Karlaftis, J.C. Golias, Peramalan traffik jangka pendek: di
mana kita berada dan ke mana kita akan pergi, Transp. Res., Bagian C, Emerg.
Technol. 43 (2014) 3-19.
[60] C. Wang, Studi tentang desain plaza tol berdasarkan teori antrian m/m/1.
[61] D. Xia, H. Li, B. Wang, Y. Li, Z. Zhang, A map reduce-based nearest neighbour
approach for big-data-driven traffic flow prediction, IEEE Access 4 (2016) 2920-
2934.
[62] F. Xia, A. Rahim, X. Kong, M. Wang, Y. Cai, J. Wang, Pemodelan dan analisis
mobilitas perkotaan berskala besar untuk transportasi ramah lingkungan, IEEE
Trans. Ind. Inform. 14 (4) (2018) 1469-1481,
https://doi.org/10.1109/TII.2017.2785383.
[63] L. Xiao, X. Lu, D. Xu, Y. Tang, L. Wang, W. Zhuang, Relai UAV dalam VANET
terhadap smart jamming dengan pembelajaran penguatan, IEEE Trans. Veh.
Technol. 67 (5) (2018) 4087-4097.
[64] H. Yang, H. Rakha, M.V. Ala, Kontrol pelayaran adaptif eko-kooperatif pada
persimpangan bersinyal dengan mempertimbangkan efek antrian, IEEE Trans.
Intell. Transp. Syst. 18 (6) (2016) 1575-1585.
[65] J. Yeo, D. Kotz, T. Henderson, Crawdad: sumber daya komunitas untuk
pengarsipan data nirkabel di Dartmouth, ACM SIGCOMM Comput. Commun.
Rev. 36 (2) (2006) 21-22.
[66] G. Zhang, W. Xu, Model traffic otomat seluler yang mempertimbangkan reaksi
pengemudi terhadap kecepatan dan jarak headway dengan variabel
kemungkinan pengacakan, MS&E 392 (6) (2018) 062024.
Universitas Ibnu Tofail Kenitra, Maroko. Dia kemudian menerima gelar com 2010) dan Lokakarya internasional ke-9 tentang Jaringan Lokal Nirkabel
Master of re- search di bidang ilmu Komputer dari universitas yang sama (WLN09) dan Lokakarya internasional ke-10 tentang Jaringan Lokal Nirkabel
pada tahun 2018. Dia telah menjadi Asisten Pengajar di Universitas Paris Sud (WLN10). Beliau menjabat sebagai ketua publikasi dari beberapa konferensi
dari tahun 2018 hingga 2021, dan di Universitas Paris VIII sejak tahun 2021. seperti Konferensi Internasional ACM ke-12 tentang Pemodelan, Analisis dan
Judul tesisnya adalah "Mobilitas dan model traffik di VANET". Penelitian El Simulasi Sistem Nirkabel dan Seluler (MSWIM 09), Simposium Internasional
Joubari berfokus pada penggambaran mobilitas dan traffic dalam jaringan IEEE tentang Dunia Jaringan Seluler dan Multimedia Nirkabel (WOWMOM
kendaraan menggunakan pendekatan stokastik. 2010), Simposium Dua Tahunan ke-25 tentang Komunikasi. Saat ini beliau
menjabat sebagai Ketua Bersama TPC untuk IEEE Globecom Ad hoc, Sensor
Ben-Othman menerima gelar B.Sc. dan M.Sc. di bidang Ilmu Komputer dan Jaringan Mesh (Globecom 2011), Simposium Internasional ACM ke-6
dari Universitas Pierre et Marie Curie, (Paris 6) Perancis pada tahun 1992 tentang QoS dan Keamanan untuk Jaringan Nirkabel dan Jaringan Bergerak
dan 1994. Beliau menerima gelar PhD dari Universitas Versailles, Prancis, (Q2SWinet 2010, Q2SWinet 2011, Q2SWinet 2012), Simposium Jaringan
pada tahun 1998. Beliau adalah Asisten Profesor di Universitas Orsay (Paris Nirkabel dari Konferensi Komunikasi Nirkabel Internasional dan Konferensi
11) dan Universitas Pierre et Marie Curie (Paris 6), masing-masing pada Komputasi Seluler ke-7 (IWCMC 2011, IWCMC 2012), Konferensi
tahun 1998 dan 1999. Beliau adalah seorang Associate Professor di Internasional IEEE tentang Jaringan Komunikasi Ad hoc, Sensor dan Mesh
University of Versailles dari tahun 2000 hingga 2011. Saat ini beliau adalah (ICC 2012). Beliau adalah anggota aktif IEEE CIS-TC, TC AHSN, dan WTC.
profesor penuh di Universitas Paris 13. Minat penelitian Dr. Ben-Othman
adalah di bidang jaringan ad hoc dan sensor nirkabel, Jaringan Nirkabel Pita Véronique Véque (SM'09) menerima gelar Ph.D. dalam bidang jaringan
Lebar, manajemen bandwidth multi-layanan di WLAN (IEEE 802.11), WMAN komunikasi dari Université Pierre et Marie Curie, Prancis, pada tahun 1989.
(IEEE 802.16), WWAN (LTE), keamanan di jaringan nirkabel secara umum Pada tahun 1990, ia menjadi Associate Professor di Universitas Paris-Sud
dan sensor nirkabel dan jaringan ad hoc pada khususnya. Karyanya muncul (Paris 11), dan sejak tahun 2000 menjadi Profesor Penuh di Universitas Paris-
di jurnal dan konferensi internasional yang sangat dihormati, termasuk, IEEE Sud. Saat ini beliau adalah Anggota Peneliti di Laboratorium Sinyal dan
ICC, Globecom, LCN, VTC, PIMRC, dll. Dia telah mengawasi dan ikut Sistem. Beliau telah menulis atau ikut menulis lebih dari 100 makalah di
mengawasi beberapa mahasiswa pascasarjana di bidang ini. jurnal atau konferensi internasional. Minat penelitiannya terletak pada
Beliau dikenal luas atas k a r y a n y a di bidang ad hoc nirkabel dan bidang jaringan komunikasi nirkabel, seluler dan kecepatan tinggi dengan
sensor Net, khususnya keamanan. Beliau adalah anggota dewan editor Wiley penekanan pada jaringan kendaraan, alokasi sumber daya, teknik kualitas
Wireless Communications and Mobile Computing, Inderscience Int. J. of layanan, perutean ad hoc, dan evaluasi kinerja. Beliau adalah Anggota Senior
Satellite Communications Policy and Management dan Associate Editor IEEE Communications Society dan IEEE Vehic- ular Society. Dia telah terlibat
Wiley International Journal of Communication Systems. Beliau telah dalam komite program teknis dari konferensi-konferensi utama di bidang
menjabat sebagai anggota Komite Teknis di lebih dari 40 konferensi dan jaringan, termasuk GLOBECOM, ICC, PIMRC, ISCC, WLN, LCN, dan WiMOB,
lokakarya IEEE/ACM inter-nasional termasuk ICC, Globecom, MSWIM, LCN. dan secara teratur diundang untuk memimpin beberapa sesi. Beliau adalah
Beliau adalah anggota IEEE dan ACM. co-editor dari edisi khusus tentang radio kognitif di Majalah Komunikasi
Beliau menjabat sebagai Ketua Pengaturan Lokal untuk Simposium IEEE. (Berdasarkan dokumen yang diterbitkan pada tanggal 16 Agustus
Internasional IEEE ke-13 tentang Komunikasi Komputer (ISCC 09). Beliau 2017).
menjabat sebagai Ketua Bersama TPC untuk Simposium Komunikasi Nirkabel
IEEE Globecom (Globe
166