Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Daftar isi tersedia di ScienceDirect

Jurnal Komputasi Paralel dan Terdistribusi

www.elsevier.com/locate/jpdc

Model mobilitas stokastik untuk prakiraan lalu lintas di lingkungan

perkotaan
El Joubari Oumaima a,∗, Ben Othman Jalel a,b, Veque Veronique a
a
Université Paris Saclay, CNRS, CentraleSupélec, Laboratoire des signaux et systèmes, 91190, Gif-sur-Yvette, France
b
Université Sorbonne Paris Nord, Prancis

Ar tikl e info ABs tr ACt

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.

1. Pendahuluan * Penulis korespondensi.

Alamat email: oumaima.eljoubari@centralesupelec.fr (O. El Joubari),
jalel.benothman@centralesupelec.fr (J. Ben Othman), veronique.veque@centralesupelec.fr
Dengan populasi yang terus bertambah di seluruh dunia, (V. Veque).
permintaan transportasi telah meningkat secara substansial, yang
menyebabkan kelebihan beban pada jaringan jalan perkotaan. Ketika
jalan raya mengalami kemacetan, hal ini tidak hanya menghambat
mobilitas orang, tetapi juga meningkatkan risiko tabrakan,
penundaan, dan memperburuk pencemaran lingkungan. Semua ini
membutuhkan perbaikan sistem jalan raya konvensional dengan
tujuan untuk mengurangi tekanan pada kapasitas jalan yang terbatas.
ITS dirancang untuk mengelola dan mengoptimalkan arus lalu lintas
dengan memanfaatkan teknologi dan layanan yang paling canggih dan
revolusioner. Pengembangan sistem transportasi generasi berikutnya
ini terutama bergantung pada pembentukan komunikasi nirkabel
antara semua elemen jaringan jalan untuk memungkinkan pengiriman
informasi yang tepat waktu dan akurat.
 mengumpulkan informasi terbaru secara real time termasuk
pertukaran data transportasi yang mulus. VANET menyediakan
kondisi lalu lintas saat ini, kecepatan perjalanan, rencana
konektivitas yang tepat di ITS dengan menghubungkan kendaraan
perjalanan, dll., lalu menganalisis data ini untuk memprediksi
bergerak dan infrastruktur jalan raya melalui jaringan Adhoc.
kondisi lalu lintas di masa depan. Model mobilitas dapat meniru
Untuk meningkatkan cakupan aplikasi, penerapan VANET dapat
arus lalu lintas dan memperkirakan evolusinya di masa mendatang
memanfaatkan teknologi komunikasi lainnya seperti jaringan
atau dalam jangka pendek [32,59,52]. Hal ini dapat membantu
sensor [50,36,39], pesawat tanpa awak (UAV) [46,63,11], dan
mendeteksi kemungkinan area kemacetan dan mempengaruhi
jaringan seluler [34,31]. Mengintegrasikan berbagai teknologi
arus lalu lintas di jalan yang tidak terlalu padat, menyelaraskan
yang saling melengkapi akan memudahkan akses informasi dan
lampu lalu lintas dan sinyal jalan lainnya untuk menghadapi
memperluas area cakupan.
kebutuhan lalu lintas di masa mendatang, dan menyesuaikan
Sekarang, dengan munculnya komunikasi kendaraan,
kecepatan berkendara untuk memastikan kendaraan berhenti di
manajemen lalu lintas yang terdistribusi menjadi mungkin
tempat pemberhentian ketika lampu lalu lintas berwarna hijau.
dilakukan. Unit di dalam kendaraan dan di pinggir jalan dapat

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

lebih akurat dan tepat dalam penelitian.

yang membantu mengurangi antrian kendaraan. Sejumlah model
mobilitas yang cocok untuk lingkungan kendaraan dikembangkan
2.2. Model mobilitas berbasis simulator lalu lintas (TSBMM)
untuk berbagai tujuan [62,1,2,25]. Model-model tersebut dapat
menjadi alat desain yang berguna untuk mengevaluasi kinerja solusi TSBMM mengacu pada model yang didasarkan pada alat simulasi
yang diusulkan untuk manajemen lalu lintas dan protokol komunikasi untuk menghasilkan pola mobilitas kendaraan. Alat-alat ini dapat
yang dipengaruhi oleh mobilitas sebelum diimplementasikan. Mereka berupa perangkat lunak dan perangkat keras.
juga dapat memberikan prakiraan yang akurat mengenai kondisi lalu
lintas di masa depan melalui jaringan jalan untuk meningkatkan
pemanfaatan kapasitasnya.
Tujuan dari penelitian ini adalah untuk mengusulkan model
mobilitas stokastik baru yang cocok untuk lingkungan perkotaan.
Perilaku kemacetan di jalan multi-jalur dan persimpangan dekat
dimodelkan dengan menggunakan fitur teori antrian, kemudian rantai
Markov dalam waktu kontinu disusun untuk mempelajari evolusi
antrian. Pendekatan ini memungkinkan untuk mendapatkan estimasi
jangka panjang dari distribusi traffik dengan menggunakan metode
numerik untuk menyelesaikan distribusi stasioner. Penelitian ini
secara garis besar dapat dibagi menjadi dua bagian. Bagian pertama
difokuskan pada penggambaran arus lalu-lintas di sepanjang jalan
dengan banyak lajur dengan mempertimbangkan operasi perubahan
lajur. Bagian kedua melibatkan pemodelan perilaku antrian kendaraan
di persimpangan.
Perbandingan model yang diusulkan dengan metode berbasis
antrian lain dan jejak realistis dilakukan untuk menyelidiki
keakuratan model yang diusulkan. Hasil penelitian menunjukkan
bahwa model CTMC mampu menirukan aspek mobilitas perkotaan
secara realistis. Temuan ini berlaku baik untuk kepadatan lalu
lintas yang rendah maupun yang tinggi. Lampu lalu lintas dinamis
dan kebijakan kontrol kecepatan dirancang menggunakan
perkiraan lalu lintas yang diperoleh. Kerangka simulasi Matlab
SimEvent digunakan untuk menguji dan membandingkan kinerja
pendekatan yang diusulkan dengan sistem jalan konvensional.
Hasil simulasi menunjukkan bahwa penggunaan model traffic
untuk meramalkan kondisi traffic di masa mendatang dapat
membantu mengurangi waktu tunggu rata-rata di persimpangan
dan penundaan perjalanan sekaligus menjamin pemanfaatan
infrastruktur jalan yang lebih baik.
Bagian selanjutnya dari makalah ini disusun sebagai berikut:
Bagian 2 memberikan tinjauan umum literatur mengenai model
mobilitas untuk jaringan kendaraan. Pada Bagian 3, model
mobilitas dijelaskan secara rinci dan probabilitas kondisi mapan
didefinisikan. Hasil-hasil numerik dan simulasi ditunjukkan pada
bagian 4. Akhirnya, penelitian yang diusulkan dirangkum dalam
bagian 5 bersama dengan kesimpulan.

2. Pekerjaan terkait

Pada bagian ini, kami akan mengkaji karya-karya terdahulu yang

mendukung pendekatan yang diusulkan. Terdapat berbagai model
yang diusulkan untuk menghasilkan jejak mobilitas kendaraan.
Secara umum, model-model tersebut dapat dibagi menjadi tiga
kelas utama [10][21]: Model berbasis jejak, berbasis simulator dan
model sintetis.

2.1. Model mobilitas berbasis jejak (TBMM)

TBMM bergantung pada jejak yang dikumpulkan dari dunia nyata

untuk mendapatkan pola mobilitas kendaraan. Beberapa model yang
cocok untuk skenario MANET dan VANET telah dilaporkan dalam
literatur [57,14,5]. Kekuatan utama dari model-model ini adalah
kemampuannya untuk meniru secara akurat pengukuran spasial dan
temporal dari mobilitas dan cocok untuk skenario skala besar yang
kompleks. Namun, tampaknya keefektifan model-model ini sangat
bergantung pada ketersediaan dataset besar jejak GPS, yang tidak
dapat diakses oleh komunitas ilmiah. Beberapa proyek telah dimulai
untuk mengumpulkan lintasan kendaraan seperti OpenStreetMap
[19], CRAWDAD [65], dan HighD [28]. Saat ini, kumpulan data ini perlu
diperkaya dengan lebih banyak jejak untuk memungkinkan hasil yang
143
O. El Joubari, J. Ben Othman dan V. Veque Premis dari model-model
Jurnal Komputasi ini didasarkan
Paralel pada
dan Terdistribusi 165aturan perilaku
(2022) 142-155
produk komersial atau perangkat lunak sumber terbuka gratis.
yang dipandu oleh dampak sosial, pengambilan keputusan yang
PARAMICS [8,49], CORSIM [40], AIMSUN [55] dan PTV Vissim [12,58]
rasional, atau tindakan stimulus-reaksi. Model perilaku pertama
merupakan beberapa alat simulasi pertama yang dirancang untuk
diperkenalkan oleh
skenario kendaraan. Diperlukan lisensi untuk menggunakan alat-alat
komersial ini. Ada beberapa program simulasi gratis seperti SUMO
[38,54] dan VanetMobiSim [13,56] yang dapat digunakan untuk
manajemen lalu lintas dan simulasi VANET. Model-model yang
disebutkan di atas memungkinkan simulasi mobilitas yang tidak
berekor. Namun, pembuatan konfigurasi yang rumit dan waktu
simulasi yang sangat lama untuk skenario skala besar merupakan
kelemahan utama dari model berbasis simulator.

2.3. Model sintetis

Model sintetis menyajikan pergerakan node bergerak

berdasarkan pendekatan matematis, dan dapat dibagi menjadi lima
sub-kelas: Model arus lalu lintas, model stokastik, model mengikuti
mobil, model perilaku, model antrian, dan model berbasis
pembelajaran mesin (machine learning/ML). Tabel 1 merangkum
aspek mobilitas dan kasus penggunaan yang dipertimbangkan oleh
model-model sintetis yang diulas di bawah ini.

2.3.1. Model aliran lalu lintas

Model-model ini mempelajari arus sebagai fenomena
hidrodinamika yang berkaitan dengan tiga parameter dasar yang
mencirikan arus, yaitu kecepatan, densitas, dan aliran. Karya yang
paling menonjol dalam kategori ini adalah model Lighthill-
Whitham-Richards (LWR) [35,51]. Model ini menggambarkan
dinamika arus lalu lintas di sepanjang jalan dan persimpangan
berdasarkan gelombang kinematik. Pendekatan serupa telah
dipresentasikan dalam [37] dan [64]. Model aliran traffic hanya
dapat digunakan untuk meniru aspek-aspek mobilitas dasar
karena model tersebut tidak memberikan tingkat detail yang
lengkap. Selain kurangnya ketepatan, menemukan solusi untuk
model-model ini ketika aliran traffic bervariasi secara terus
menerus dari waktu ke waktu adalah tugas yang rumit.

2.3.2. Model stokastik

Model stokastik menggambarkan mobilitas kendaraan yang
melintas di atas sebuah grafik atau peta sebagai sebuah proses acak.
Terdapat berbagai model stokastik yang dilaporkan dalam literatur
seperti City section [10], Freeway dan Manhattan [3]. Model-model
ini cocok untuk lingkungan perkotaan. Nagel dan Schreckenberg [44]
membahas mobilitas di jalan bebas hambatan dengan jalur tunggal.
Model ini kemudian diperluas dalam [66] untuk memasukkan reaksi
pengemudi terhadap kecepatan dan jarak antara kendaraan yang
mendahului. Manfaat sebenarnya dari model-model ini adalah
implementasinya yang mudah dan cepat, tetapi model-model ini
memerlukan perbaikan lebih lanjut untuk secara akurat meniru
perilaku kendaraan di dunia nyata, baik di lingkungan perkotaan
maupun di jalan bebas hambatan. Yang paling penting adalah
perilaku perubahan lajur, fenomena stop-and-go, dan kendaraan
yang mengantri di persimpangan perlu dipertimbangkan.

2.3.3. Model-model mobil berikut ini

Pada model semacam ini, perilaku masing-masing kendaraan
dimodelkan dengan mempertimbangkan ukuran-ukuran seperti jarak
dari kendaraan di depan dan kecepatannya. Penelitian di [7] telah
menghasilkan model mengikuti kendaraan yang cocok untuk jalan
satu lajur. Pendekatan lain diperkenalkan untuk mempertimbangkan
operasi pergantian lajur di jalan dengan banyak lajur seperti [30] dan
[48]. Dibandingkan dengan jenis model yang telah disebutkan
sebelumnya, model mengikuti mobil lebih akurat dan realistis.
Namun, karena banyaknya detail, penerapannya bisa sangat
menantang dan mungkin memerlukan komputasi yang rumit,
terutama untuk memodelkan jaringan berskala besar. Selain itu,
model-model ini secara khusus berfokus pada perilaku kendaraan
individu dan tidak dapat menangkap perilaku sistem jalan secara
keseluruhan.

2.3.4. Model perilaku 144

O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

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

Legendre dkk. [33] untuk meniru mobilitas manusia. Kemudian,

beberapa penelitian mengadaptasi model tersebut agar sesuai Pendekatan berbasis ML telah mendapat perhatian yang cukup
dengan mobilitas kendaraan. Model yang diajukan oleh Gipps besar dari para peneliti sebagai alternatif untuk prediksi kecelakaan
dalam [16] mereproduksi perilaku respon terhadap pengereman kendaraan. Model-model ini menghasilkan fungsi prediksi kecelakaan
mendadak dari kendaraan yang mendahului. Penulis dalam [27] melalui pembelajaran dari contoh-contoh yang realistis. Proses
mengembangkan model perilaku yang lebih baik yang mampu pembelajaran didasarkan pada algoritma optimasi yang bertujuan
menangkap berbagai karakteristik perilaku yang tidak dapat untuk mengurangi kesenjangan antara nilai yang diestimasi dan nilai
diperoleh dari jejak siklus mengemudi. Kelemahan dari model- yang diharapkan untuk prediksi yang lebih akurat. Penulis dalam
model ini adalah bahwa mereka membutuhkan perhitungan yang [26] mengusulkan model peramalan berbasis pembelajaran mendalam
rumit yang membuatnya membosankan untuk mensimulasikan yang bergantung pada data traffik 40 hari yang dikumpulkan oleh 58
skenario kecelakaan berskala besar. kamera yang terletak di berbagai lokasi di sekitar London. Keuntungan
utama dari model yang diusulkan adalah kemampuannya untuk
2.3.5. Model antrian mengurangi kesalahan peramalan. Namun, hanya dua fitur yang dapat
Model berbasis antrian menerapkan teori antrian dan distribusi ditangkap, yaitu waktu dan kepadatan traffic. Kelemahan lainnya
probabilistik dasar untuk menangani kendaraan yang berada adalah biaya tambahan yang terkait dengan penyebaran kamera di
dalam antrian. Gawron seluruh jaringan jalan. Dalam [61], sebuah K-tetangga terdekat
[15] adalah yang pertama kali mengusulkan model antrian yang sesuai
untuk traffic kendaraan. Metode yang diperkenalkan dalam [41]
menggunakan teori antrian untuk mengoptimalkan traffic pada
persimpangan yang dikendalikan oleh sinyal terisolasi, sementara
penulis dalam [9] mempelajari traffic pada persimpangan dan bagian
jalan yang berbeda. Dalam [42], sebuah model untuk
menggambarkan pergerakan kendaraan di persimpangan dan bagian
jalan yang berbeda diusulkan. Penulis dalam [20] mengusulkan
sebuah simulator kemacetan yang dibangun di Simulink yang
mensimulasikan kemacetan di jalan multi-jalur sebagai M/M/n
sebagai upaya untuk mengurangi kemacetan. Model-model yang
disebutkan di atas memberikan keuntungan berupa pemodelan yang
sederhana dan cepat serta penerapan pola aliran lalu lintas. Model-
model tersebut juga secara bersama-sama mereproduksi sifat
mobilitas mikro dan makro untuk memberikan tingkat detail yang
memadai. Namun, model-model tersebut mengabaikan beberapa
aspek mobilitas seperti koordinasi antar kendaraan yang melintasi
persimpangan dan perubahan lajur.

2.4. Model berbasis ML

145
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Model klasifikasi berbasis klasifikasi digunakan untuk prediksi
aliran trafik dengan menggunakan analisis korelasi. Model ini
bertujuan untuk mengurangi biaya penyimpanan dan komputasi
sampel pelatihan yang besar dengan mempertimbangkan
pelatihan terdistribusi off-line dan prediksi paralel online. Sebuah
jaringan syaraf tiruan berbasis pembelajaran multitask diusulkan
dalam [23] untuk memprediksi aliran trafik. Data yang digunakan
dalam model tersebut adalah laju arus kendaraan dari deret
waktu diskrit yang direkam setiap 15 menit. Model ini
membuktikan keefisiensiannya dalam memberikan perkiraan
yang mendekati nilai sebenarnya.
Model berbasis ML mampu memberikan prediksi yang cepat dan
tingkat kesalahan yang rendah. Namun, model-model ini
membutuhkan pelatihan yang luar biasa yang membatasi
penggunaannya di dunia nyata. Pola aliran lalu lintas memiliki fitur
yang berbeda tergantung pada lokasi, kecepatan, waktu, dll. Oleh
karena itu, penting untuk melatih prediktor beberapa kali untuk
merefleksikan skenario yang berbeda. Oleh karena itu, waktu proses
pembelajaran perlu dikurangi agar dapat menerapkan pendekatan
prediksi traffic berbasis ML secara efektif di dunia nyata. Kelemahan
lain dari model-model ini adalah ketergantungan mereka pada
contoh kehidupan nyata dalam proses pelatihan. Dataset yang
digunakan oleh model berbasis ML harus cukup besar untuk
mendapatkan model yang terlatih dengan baik. Di daerah yang
jarang dilalui atau jarang dikunjungi di mana jejak historis kurang
tersedia, model berbasis ML dapat memastikan tingkat kesalahan
prediksi yang rendah.
Pendekatan yang diusulkan dalam penelitian ini berbeda dengan
penelitian-penelitian yang telah diuraikan di atas karena kami
bertujuan untuk mengembangkan model stokastik baru yang dapat
diterapkan untuk menghasilkan pola mobilitas pada jalan dengan
banyak lajur dengan menggunakan teori antrian. Model ini tidak
hanya meniru perilaku kendaraan yang melaju di jalan raya, namun
juga menggambarkan p e r i l a k u antrian yang terbentuk di
persimpangan. Selain itu, aspek mobilitas yang paling penting seperti
konfigurasi spasial, perubahan lajur, lokasi, dan rute juga
dipertimbangkan. Perubahan dalam sistem dimodelkan sebagai
rantai Markov waktu kontinu yang mencerminkan sifat stokastik dan
variabel dari jaringan t r a n s p o r t a s i dan untuk memprediksi
kondisi lalu-lintas di masa depan. Kelebihan dari rantai Markov
adalah sifat memoryless dimana kejadian di masa depan tidak
terpengaruh oleh kejadian di masa lalu. Sebagai konsekuensinya,
model ini selalu tepat meskipun data historis tidak tersedia. Berbeda
dengan model prediksi berbasis pembelajaran mesin yang sangat
bergantung pada data historis dalam proses pelatihan. Untuk
menghitung probabilitas stasioner dari rantai Markov, metode
numerik berulang dan langsung digunakan. Indikator kinerja yang
berbeda didefinisikan dan digunakan untuk menganalisis sistem
untuk berbagai skenario lalu lintas seperti panjang antrian, waktu
tempuh, dan penundaan yang sangat penting untuk merancang
perencanaan lalu lintas dan aplikasi manajemen dalam konteks
mobilitas cerdas. Kekuatan utama dari model yang diusulkan adalah
kompleksitasnya yang rendah karena

146
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Gbr. 1. Diagram tata letak jalan di daerah perkotaan.

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

Setelah meninjau p e n e l i t i a n - p e n e l i t i a n terkait, pada

bagian ini kami menyajikan bagian utama dari kontribusi kami. Tujuan
utama dari penelitian ini adalah untuk merancang model mobilitas
yang dapat menggambarkan dinamika lalu-lintas di lingkungan
perkotaan dan memprediksi kondisi lalu-lintas di masa mendatang di
sepanjang jalan arteri dan persimpangan yang terkendali dan tidak
terkendali. Dalam penelitian ini, kami mengembangkan model
sebelumnya yang diusulkan dalam [47] di mana model stokastik
diperkenalkan untuk meniru antrian di persimpangan jalan di
lingkungan perkotaan. Model baru kami tidak hanya menggambarkan
kemacetan di persimpangan tetapi juga di jalan dengan banyak lajur
dengan menambahkan detail tambahan seperti konfigurasi jalan,
perubahan lajur, dan kecepatan.
Pendekatan kami dapat dilihat sebagai proses dua tahap.
Pertama, sebuah sistem antrian dibangun untuk menggambarkan
dinamika lalu lintas di daerah perkotaan. Setelah itu, rantai
Markov dalam waktu yang berkesinambungan dibangun untuk
mempelajari evolusi antrian. Prinsip-prinsip teori antrian telah
banyak digunakan dalam rekayasa lalu lintas [18,60], karena
memungkinkan untuk mempelajari garis tunggu dan antrian, serta
mencakup masalah optimasi yang melibatkan waktu tunggu dan
penundaan dalam melayani kendaraan. Jadi penggunaan
pendekatan ini tidak hanya murah dalam hal penerapannya tetapi
juga memungkinkan untuk memprediksi panjang antrian dan
waktu tunggu.
Mobilitas kendaraan dicirikan dengan sifat yang dapat
diprediksi karena mobilitas kendaraan dibatasi oleh beberapa
faktor seperti peraturan lalu lintas dan tata letak jalan. Namun,
perilaku mengemudi pengemudi yang tidak menentu menambah
sisi yang lebih stokastik pada lalu lintas kendaraan. Kedatangan
kendaraan, akselerasi, perlambatan, dan pemilihan rute
merupakan proses yang diwarnai oleh ketidakpastian. Oleh karena
itu, pendekatan deterministik atau probabilistik tidak cocok untuk
memodelkan lalu-lintas karena tidak bergantung pada waktu.
Pendekatan stokastik seperti rantai Markov lebih sesuai untuk
mereproduksi sifat acak dan bergantung pada waktu dari traffic
kendaraan.
Untuk memodelkan l a l u l i n t a s perkotaan, sebuah bagian kota
147
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
sampai persimpangan tersebut tersedia. Setelah kendaraan dilayani,
kendaraan tersebut kemudian dialihkan ke persimpangan
berikutnya, atau meninggalkan jaringan.
Dalam penelitian ini, diasumsikan bahwa setiap kendaraan
dilengkapi dengan unit komunikasi, dan bertukar informasi lalu
lintas dengan unit sisi jalan yang ditempatkan di sepanjang jalan
dan di persimpangan. RSU menggunakan komunikasi V2I untuk
bertukar paket dengan kendaraan yang berada di dalam area
cakupannya. Namun, ada kemungkinan beberapa node dalam
jaringan akan terisolasi karena jangkauan komunikasi RSU yang
terbatas. Selain itu, menempatkan RSU secara berkala tidak dapat
dijamin untuk biaya penyebarannya. Untuk meningkatkan
efisiensi infrastruktur V2I, komunikasi V2V dapat digunakan untuk
memperluas konektivitas RSU dan untuk memastikan
kelangsungan layanan di VANET. Beberapa skema kerja sama
dikembangkan untuk menggabungkan V2I dan V2V untuk
mengurangi masalah gangguan layanan di daerah yang tidak
terjangkau [4,45,53].
RSU dapat mengumpulkan informasi tentang waktu kedatangan
dan keberangkatan, kecepatan perjalanan, dan persimpangan tujuan
berikutnya. Kemudian, RSU secara berkala menghitung jumlah rata-
rata seperti tingkat kedatangan, kecepatan rata-rata, dan kepadatan
dan kemudian menyiarkan informasi tersebut ke kendaraan.
Informasi ini digunakan oleh kendaraan untuk meramalkan kondisi
lalu lintas di masa mendatang dengan menggunakan pendekatan
yang disajikan di sini. Gbr. 1 menggambarkan contoh tata letak jalan
yang dipertimbangkan dalam penelitian ini.
Jaringan jalan dapat dimodelkan dengan menggunakan teori
antrian seperti yang digambarkan pada Gbr. 2. Tabel 2 berikut ini
merangkum semua notasi yang digunakan di sini.
Setiap lajur jalan dimodelkan sebagai antrian berkapasitas tetap
dan beberapa server yang masing-masing menampung kendaraan
untuk waktu pelayanan tertentu yang merepresentasikan waktu
yang dibutuhkan untuk melakukan perjalanan dari persimpangan
awal ke persimpangan akhir. Distribusi probabilitas yang digunakan
untuk memodelkan kedatangan dan keberangkatan kendaraan mirip
dengan penelitian yang dilakukan o l e h [20,24,43]. Kendaraan
datang dari jaringan luar ke persimpangan di dalam bagian kota yang
diteliti mengikuti proses Poisson. Distribusi Poisson paling sesuai
karena kendaraan d a t a n g secara independen dan acak dalam
interval waktu tertentu. Kendaraan yang berasal dari persimpangan
yang berdekatan tiba di persimpangan dengan laju yang dihitung
sebagai fungsi dari waktu pelayanan rata-rata dari semua jalan yang
bertemu di persimpangan tersebut. Kendaraan disimpan dalam
antrian dan dilepaskan mengikuti disiplin pelayanan FIFO. Kendaraan
dapat menjalani proses pelayanan secara simultan karena kendaraan
dapat melakukan perjalanan di sepanjang ruas jalan pada waktu
yang sama. Setiap kendaraan kemudian ditahan oleh satu server
untuk waktu tertentu dan kemudian dilepaskan. Kami juga
mengasumsikan bahwa jumlah waktu antara dua penyelesaian
layanan yang berurutan adalah acak dan independen satu sama lain.
Oleh karena itu, waktu pelayanan dimodelkan dengan mengikuti
model

148
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Gbr. 2. Skenario traffiksi yang direpresentasikan sebagai sistem antrian.

Tabel 2 Tingkat pelayanan jalan r didefinisikan sebagai jumlah tingkat

Notasi. pelayanan di seluruh lajur sebagai berikut:
Notasi Keterangan Σ
N Jumlah persimpangan μr = μm (4)
λi , μi Tingkat kedatangan dan keberangkatan di m∈M
persimpangan i
λkel Seperti
ke satu yang dinyatakan sebelumnya, kedatangan dari jaringan luar
uar Tingkat kedatangan di persimpangan i dari jaringan
i eksternal
R Matriks probabilitas perutean
rij Probabilitas rute dari persimpangan i ke j dari persimpangan yang diteliti bersifat acak dan independen dan
Ci Kapasitas antrian persimpangan i oleh karena itu dimodelkan dengan menggunakan distribusi Poisson
Si Waktu tunda rata-rata persimpangan i
Wi Waktu tunggu rata-rata persimpangan i
dengan laju λout . Kedatangan dari persimpangan yang berdekatan
i
Qi Panjang antrian rata-rata persimpangan i bergantung pada tingkat pelayanan jalan yang menuju persimpangan
λr , μr Tingkat kedatangan dan pelayanan suatu tersebut. Misalkan Ii adalah himpunan jalan yang menuju
jalan r
persimpangan i. Tingkat kedatangan dari persimpangan i kemudian
Len Panjang jalan
M Jumlah lajur jalan dihitung dengan rumus berikut:
Clane Kapasitas jalur
λm , μm Tingkat kedatangan dan λi = λiout + Σμr , ∀i ∈ N (5)
pelayanan pada lajur m Dm Kepadatan lajur m
αm Probabilitas untuk melakukan perjalanan di r∈Ii
jalur m
rata
V- Kecepatan rata-rata jalur Untuk m e m p e r m u d a h , kami memodelkan waktu servis
rata m dengan menggunakan eksponen
m
Lm Jumlah rata-rata kendaraan yang melaju di jalur m m∈M
V Cm Rasio volume-ke-kapasitas lajur m oleh karena itu dapat dihitung sebagai berikut:
Sm Waktu singgah rata-rata jalur m
LCnm Probabilitas perubahan lajur dari lajur n ke lajur λm = αm .λr (2)
m X(t) Vektor yang merepresentasikan traffik di atas
jalan pada waktu t Tingkat layanan dari sebuah jalur m dihitung sebagai fungsi dari
Xm (t) Variabel acak yang mewakili traffic pada jalur m pada waktu t panjangnya Len dan kecepatan rata-rata Vavg :
m
Y (t) Vektor yang mewakili traffic di persimpangan pada waktu t
rata-rata
Yi (t) Variabel acak yang mewakili traffic di persimpangan i pada waktu t V
Ω, ① Menyatakan ruang
P, T Matriks probabilitas transisi
π, W Distribusi probabilitas kondisi tunak

distribusi eksponensial. Setelah diservis, kendaraan dapat

melakukan perjalanan ke tujuan berikutnya atau meninggalkan
jaringan.
Tingkat kedatangan dan pelayanan sebuah jalan r dilambangkan
dengan λr dan μr
masing-masing. Tingkat kedatangan λr dari sebuah jalan r yang
menghubungkan persimpangan i ke persimpangan j didefinisikan
sebagai berikut:

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)

Dengan matriks probabilitas transisi P yang telah didefinisikan

sebelumnya dan vektor keseimbangan π , persamaan
keseimbangan dinyatakan sebagai berikut:
3. Grafik transisi dari rantai Markov yang menggambarkan traffik di jalan dengan
Gbr.lajur.
dua
Σ Σ Σ
πx . ( λm.1 (pxy =λm )+ μm1 (pxy =μ )m
y∈Ω\{x} m∈M m∈M
jaringan terbuka memungkinkan untuk mempelajari himpunan Σ Σ
+
populasi Q dengan ukuran 0 ≤ |Q| ≤ M × Clane . Kumpulan nilai LCnm .1 ( pxy =LCnm ) =
n∈Mm∈M\{n}
yang mungkin dari X(t) disebut ruang keadaan. Misalkan Ω adalah
ruang keadaan dari variansi acak. Σ Σ Σ
yang mampu X(t). Diberikan sebuah keadaan x ∈ Ω, nilai dari setiap π( λ .1 + μ .1
elemen Xm (t) dari
vektor acak dilambangkan dengan xm . y m (pyx = λ )m m (pyx=μ )m
Rantai Markov yang memodelkan sebuah ruas jalan y∈Ω\{x} l∈M m∈M
didefinisikan sebagai Σ Σ
proses acak {X(t), t ≥ 0}, yang didefinisikan oleh ruang keadaan + )
LCnm.1 (p yx = LCnm )

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:

Lm = Σπx .xm, ∀m ∈ M (15)

x∈Ω
Perkiraan rasio volume-ke-kapasitas VC yang mewakili tingkat
kemacetan disimpulkan:

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

4. Hasil numerik dan simulasi

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

Gbr. 5. Jumlah rata-rata kendaraan per jalan terhadap tingkat kedatangan.

Gbr. 6. Waktu tempuh rata-rata per jalan terhadap tingkat kedatangan.

155
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Gbr. 7. Waktu tempuh rata-rata per lajur terhadap tingkat kedatangan.

Gbr. 8. Panjang antrian rata-rata per persimpangan dari waktu ke

kendaraan yang melaju dengan kecepatan rendah cenderung
waktu. menggunakan lajur kanan, sementara ketika melaju dengan
kecepatan tinggi, pengemudi
terhadap jumlah rata-rata kendaraan yang melintas di jalan yang
berbeda sebagai fungsi tingkat kedatangan. Kurva-kurva tersebut
menunjukkan dengan jelas bahwa seiring dengan meningkatnya
tingkat kedatangan, semua ruas jalan menunjukkan peningkatan
volume lalu-lintas. Untuk nilai tingkat kedatangan yang rendah,
jumlah kendaraan tumbuh dengan lambat, karena banyak kendaraan
yang meninggalkan jalan dalam satuan waktu. Namun, ketika
kepadatan cenderung mendekati kapasitas jalan, waktu tempuh akan
melambat dan akibatnya jumlah kendaraan yang dilayani dalam satu
unit ubin akan berkurang. Perlu juga dicatat bahwa waktu tempuh
yang lebih tinggi terlihat pada jalan yang lebih panjang dengan lebih
banyak lajur karena jalan tersebut mampu menangani lebih banyak
kendaraan. Selain itu, jalan dengan panjang yang sama dapat memiliki
kinerja yang berbeda. Hal ini dapat dijelaskan oleh volume lalu-lintas
yang tidak proporsional yang dapat ditarik ke arah yang berlawanan
dari jalan, kecepatan rata-rata di setiap jalan dan waktu tunggu di
persimpangan. Gbr. 6 menunjukkan hubungan antara tingkat
kedatangan dan waktu tempuh rata-rata. Terlihat bahwa jalan dengan
volume lalu-lintas terendah dan kecepatan rata-rata yang lebih tinggi
adalah jalan yang memiliki tingkat kedatangan kendaraan yang tinggi.
Terlihat juga bahwa banyak waktu yang dibutuhkan kendaraan untuk
melintasi jalan jarak jauh daripada jalan jarak dekat.
Gbr. 7 menunjukkan grafik tingkat kemacetan di lajur kanan,
lajur tengah dan lajur kiri dari sebuah jalan 4. Seperti yang
diharapkan, ada tingkat kemacetan yang lebih tinggi secara
signifikan di lajur kanan daripada lajur kiri. Hal ini disebabkan oleh
lebih banyak lalu lintas yang masuk ke lajur kanan. Selain itu,
156
O. El Joubari, J. Ben Othman dan V. Veque
Gbr. 9. Waktu tunggu rata-rata per persimpangan dari
rata-rata berbedaJurnal
antara satu Paralel
Komputasi kebijakan dengan 165
dan Terdistribusi kebijakan lainnya.
(2022) 142-155
waktu ke waktu. Antrian yang panjang di persimpangan dengan lampu lalu lintas yang
dikontrol dengan lampu lalu lintas menimbulkan tundaan. Sebaliknya,
persimpangan bundaran memiliki waktu tunggu yang lebih rendah
Kinerja ketiga persimpangan juga dianalisis. Metrik yang dipilih karena kendaraan hanya diminta untuk mengalah ketika terjadi
untuk mengevaluasi kinerja persimpangan adalah waktu tunggu rata- kemacetan. Pada persimpangan dengan rambu berhenti, waktu
rata dan panjang antrian rata-rata. Perkiraan dari kedua metrik tunggu sangat rendah karena seringnya kendaraan berhenti dan
kinerja dihitung dengan menggunakan data yang diambil dari jejak. berjalan.
Hasilnya dihitung untuk jangka waktu 10 menit untuk menyelidiki Untuk menguji kemampuan prediksi model yang diusulkan, hasil
evolusi antrian dari waktu ke waktu. perhitungan jumlah kendaraan dan panjang antrian di persimpangan
Prediksi panjang antrian rata-rata diberikan pada G b r . 8. Terlihat dibandingkan dengan jejak realistis dan hasil model antrian Gawron
bahwa antrian yang lebih panjang terbentuk pada persimpangan [15]. Persentase akurasi model CTMC dan model antrian Gawron
yang dikendalikan oleh sinyal, karena kendaraan harus mengantri dihitung dan digambarkan. Akurasi dihitung dengan menggunakan
dalam waktu yang cukup lama di lampu merah sebelum rumus berikut:
menyeberang. Gbr. 9 menunjukkan bahwa hasil untuk waktu tunggu
|Nilai riil - Nilai taksiran
bergeser ke lajur kiri untuk aliran lalu l i n t a s Akurasi = (1 - ) × 100
Nilai nyata
y a n g l e b i h lancar.

157
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Gbr. 10. Perbandingan jumlah rata-rata kendaraan.

Gbr. 11. Perbandingan panjang antrian rata-rata.

Gbr. 12. Persen akurasi jumlah rata-rata kendaraan.

Jumlah rata-rata kendaraan dibandingkan dengan nilai estimasi
seperti yang diilustrasikan pada Gbr. 10. Sedangkan pada Gbr. 11,
nilai aktual panjang antrian rata-rata dibandingkan dengan hasil yang
diperoleh dengan menggunakan model CTMC dan model antrian
Gawron. Hasil dari model yang diusulkan mengikuti tren yang sama
dengan jejak realistis. Akan tetapi, hasil yang diperoleh dengan
menggunakan model Gawron bersifat acak dan tidak mengikuti
evolusi yang sama dengan kurva yang mewakili jejak.
Pandangan pertama pada grafik menunjukkan bahwa CTMC
mengungguli model Gawron dalam hal akurasi prakiraan. Untuk studi
kasus ini,
158
model yang diusulkan memungkinkan untuk mendapatkan rata-rata
akurasi 93% untuk jumlah kendaraan yang diharapkan, dibandingkan
dengan akurasi 31% yang diperoleh dengan model Gawron. Untuk
panjang antrian yang diharapkan, akurasi rata-rata model CTMC
adalah 80% dan 24% untuk model Gawron. Kita dapat melihat
perbedaan yang besar antara akurasi model berbasis CTMC yang
diusulkan dalam penelitian ini dan model berbasis antrian yang
diusulkan dalam [15]. Lihat Gambar 12 dan 13.
Terakhir, untuk menggarisbawahi pentingnya penggunaan model
pra-diksi traffic untuk meningkatkan efisiensi sistem transportasi
dengan menggunakan aplikasi mobilitas pintar, lampu traffic yang
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. 13. Persen akurasi rata-rata panjang antrian.

Gbr. 14. Model simulasi cahaya traffic dinamis.

Gbr. 15. Waktu tunggu rata-rata: Lampu traffic yang telah diatur sebelumnya vs lampu traffic yang
digerakkan.

Namun, waktu tunggu rata-rata secara signifikan lebih rendah untuk

Strategi pengendalian kecepatan matic dirancang dan disimulasikan
model traffic dinamis.
dengan menggunakan perangkat SimEvent MATLAB. Persimpangan
yang dikendalikan oleh sinyal dibangun seperti yang ditunjukkan pada
G b r . 14. Blok sinyal lalu lintas mendefinisikan tingkat kemacetan di
masa mendatang berdasarkan kondisi lalu lintas yang sebenarnya.
Jika perkiraan tingkat kemacetan berada di atas ambang batas yang
telah ditentukan sebelumnya, pengontrol traffic akan meminta lampu
hijau setelah penundaan lampu merah minimum tercapai. Namun,
jika persimpangan tidak mengalami k e m a c e t a n , lampu merah
akan menyala hingga penundaan merah maksimum t e r c a p a i ,
kemudian beralih ke lampu hijau. Simulasi dilakukan selama waktu
berjalan 1500 detik. Hasil perbandingan dilaporkan pada G b r . 15.
Kita dapat mengamati bahwa kedua kurva mengikuti tren yang sama.
160
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Kebijakan kontrol kecepatan diimplementasikan dalam
lingkungan SimEvent seperti yang digambarkan pada Gbr. 16. Fungsi
atribut secara otomatis mengontrol kecepatan perjalanan
kendaraan. Jika perkiraan tingkat kemacetan melebihi ambang batas,
kecepatan minimum yang diizinkan akan terus ditingkatkan hingga
tingkat kemacetan berada di bawah ambang batas. Simulasi
dijalankan selama 200 detik dan hasilnya ditunjukkan pada Gbr. 17.
Grafik menunjukkan bahwa pengontrol kecepatan berbasis prediksi
dapat membantu mengurangi tundaan secara substansial, terutama
ketika jumlah kendaraan bertambah.
S i n g k a t n y a , pada bagian ini kami menguji model mobilitas
untuk serangkaian konfigurasi dengan memvariasikan parameter
yang dapat mempengaruhi kinerja sistem. Hasilnya menunjukkan
bahwa model tersebut memetakan aspek mobilitas dunia nyata.
Untuk memvalidasi k e e f i s i e n s i a n n y a , kami memilih untuk
menggunakan prediksi kemacetan untuk membangun sebuah model
kemacetan yang sadar akan kemacetan.

161
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155

Gbr. 16. Model simulasi kontrol kecepatan.

Gbr. 17. Penundaan perjalanan rata-rata: Kecepatan gerak acak vs Pengontrol kecepatan yang
digerakkan.

adaptor cahaya dan kecepatan. Hasil simulasi mengkonfirmasi bahwa

Pernyataan kontribusi kepengarangan CRediT
pendekatan yang diusulkan merupakan solusi yang menjanjikan untuk
meningkatkan antrian dan mengurangi penundaan yang disebabkan
Konsepsi dan desain penelitian: Oumaima El Joubari, Jalel Ben Othman,
oleh kemacetan.
Véronique Vèque.
5. Kesimpulan

Dalam penelitian ini, sebuah model mobilitas stokastik untuk

lingkungan perkotaan dikembangkan. Pendekatan ini
menggunakan teori antrian untuk merepresentasikan skenario
kemacetan pada jalan dengan banyak lajur dan persimpangan.
Perilaku sistem kemudian dimodelkan sebagai rantai Markov
dalam waktu yang berkesinambungan untuk meramalkan jumlah
rata-rata jangka panjang seperti tingkat kemacetan dan waktu
tunggu rata-rata untuk menganalisa kinerja sistem. Hasil numerik
diperoleh untuk satu set konfigurasi dengan memvariasikan
parameter yang dapat mempengaruhi kinerja sistem. Untuk
membuktikan validitas model, hasil yang diperoleh dibandingkan
dengan model berbasis antrian dan realistis. Hasil numerik
menunjukkan bahwa model tersebut secara akurat mencerminkan
perilaku lalu lintas perkotaan di dunia nyata ketika informasi jejak
historis digunakan. Pentingnya model yang diusulkan ditunjukkan
dengan merancang sistem lampu lalu lintas yang sadar akan
kemacetan dan pengontrol kecepatan kendaraan. Temuan-temuan
ini menunjukkan dengan jelas bahwa peringatan lalu lintas
merupakan solusi yang menjanjikan untuk meningkatkan
keselamatan lalu lintas dan mengurangi penundaan akibat
kemacetan. Penelitian di masa depan direncanakan untuk
menerapkan model yang diusulkan untuk mengurangi
ketidakadilan dalam alokasi sumber daya radio di jaringan
kendaraan berbasis IEEE 802.11p.
162
O. El Joubari, J. Ben Othman dan V. Veque Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
Akuisisi data: Oumaima El Joubari.
Analisis dan/atau interpretasi data: Oumaima El Joubari, Jalel Ben
Othman.
Penyusunan naskah: Oumaima El Joubari, Jalel Ben Othman.
Merevisi naskah secara kritis untuk mendapatkan masukan-
masukan intelektual y a n g penting: Oumaima El Joubari, Jalel Ben
Othman.
Persetujuan atas versi naskah yang akan diterbitkan: Oumaima El
Joubari, Jalel Ben Othman, Véronique Vèque.

Deklarasi kepentingan yang bersaing

Para penulis menyatakan bahwa mereka tidak memiliki

kepentingan keuangan atau hubungan pribadi yang dapat
mempengaruhi pekerjaan yang dilaporkan dalam makalah ini.

Referensi

[1] A. Afdhal, A. Ahmadiar, N. Nasaruddin, Pemodelan dan simulasi mobilitas V2v

menggunakan pesan pbc untuk mitigasi kemacetan lalu lintas, in: Konferensi
Internasional IEEE 2018 tentang Komunikasi, Jaringan, dan Satelit, Comnetsat,
IEEE, 2018, pp. 28-33.
[2] N. Akhtar, S.C. Ergen, O. Ozkasap, Mobilitas kendaraan dan model saluran
komunikasi untuk simulasi VANET jalan raya yang realistis dan efisien, IEEE
Trans. Veh. Technol. 64 (1) (2014) 248-262.
[3] F. Bai, N. Sadagopan, A. Helmy, Kerangka kerja penting untuk menganalisa
dampak mobilitas terhadap kinerja protokol routing untuk jaringan adhoc, Ad
Hoc Netw. 1 (4) (2003) 383-403.
[4] J. Barrachina, J.A. Sanguesa, M. Fogue, P. Garrido, F.J. Martinez, J.-C. Cano, C.T.
Calafate, P. Manzoni, V2x-d: a vehicle density estimation system that combines
v2v and v2i communications, in: 2013 IFIP Wireless Days, WD, IEEE, 2013, pp.
1-6.
[5] MG Beiró, A. Panisson, M. Tizzoni, C. Cattuto, Memprediksi mobilitas manusia
melalui asimilasi jejak media sosial ke dalam model mobilitas, EPJ Data Sci. 5 (1)
(2016) 30.

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.

Oumaima El Joubari menerima gelar Ph.D di bidang Jaringan dan

Telekomunikasi dari Universitas Paris Saclay pada tahun 2022. Tesisnya
dibimbing oleh Profesor Jalel Ben Othman di laboratorium LSS. Pada tahun
2016, ia menerima gelar Sarjana dalam bidang Matematika dan ilmu
komputer dari
165
O. El Joubari, J. Ben Othman dan V. Veque
Universitas Ibnu Tofail Kenitra, Maroko. Dia kemudian menerima gelar
Master of re- search di bidang ilmu Komputer dari universitas yang sama
pada tahun 2018. Dia telah menjadi Asisten Pengajar di Universitas Paris Sud
dari tahun 2018 hingga 2021, dan di Universitas Paris VIII sejak tahun 2021.
Judul tesisnya adalah "Mobilitas dan model traffik di VANET". Penelitian El
Joubari berfokus pada penggambaran mobilitas dan traffic dalam jaringan
kendaraan menggunakan pendekatan stokastik.
Ben-Othman menerima gelar B.Sc. dan M.Sc. di bidang Ilmu Komputer
dari Universitas Pierre et Marie Curie, (Paris 6) Perancis pada tahun 1992
dan 1994. Beliau menerima gelar PhD dari Universitas Versailles, Prancis,
pada tahun 1998. Beliau adalah Asisten Profesor di Universitas Orsay (Paris
11) dan Universitas Pierre et Marie Curie (Paris 6), masing-masing pada
tahun 1998 dan 1999. Beliau adalah seorang Associate Professor di
University of Versailles dari tahun 2000 hingga 2011. Saat ini beliau adalah
profesor penuh di Universitas Paris 13. Minat penelitian Dr. Ben-Othman
adalah di bidang jaringan ad hoc dan sensor nirkabel, Jaringan Nirkabel Pita
Lebar, manajemen bandwidth multi-layanan di WLAN (IEEE 802.11), WMAN
(IEEE 802.16), WWAN (LTE), keamanan di jaringan nirkabel secara umum
dan sensor nirkabel dan jaringan ad hoc pada khususnya. Karyanya muncul
di jurnal dan konferensi internasional yang sangat dihormati, termasuk, IEEE
ICC, Globecom, LCN, VTC, PIMRC, dll. Dia telah mengawasi dan ikut
mengawasi beberapa mahasiswa pascasarjana di bidang ini.
Beliau dikenal luas atas k a r y a n y a di bidang ad hoc nirkabel dan
sensor Net, khususnya keamanan. Beliau adalah anggota dewan editor Wiley
Wireless Communications and Mobile Computing, Inderscience Int. J. of
Satellite Communications Policy and Management dan Associate Editor
Wiley International Journal of Communication Systems. Beliau telah
menjabat sebagai anggota Komite Teknis di lebih dari 40 konferensi dan
lokakarya IEEE/ACM inter-nasional termasuk ICC, Globecom, MSWIM, LCN.
Beliau adalah anggota IEEE dan ACM.
Beliau menjabat sebagai Ketua Pengaturan Lokal untuk Simposium
Internasional IEEE ke-13 tentang Komunikasi Komputer (ISCC 09). Beliau
menjabat sebagai Ketua Bersama TPC untuk Simposium Komunikasi Nirkabel
IEEE Globecom (Globe
166
Jurnal Komputasi Paralel dan Terdistribusi 165 (2022) 142-155
com 2010) dan Lokakarya internasional ke-9 tentang Jaringan Lokal Nirkabel
(WLN09) dan Lokakarya internasional ke-10 tentang Jaringan Lokal Nirkabel
(WLN10). Beliau menjabat sebagai ketua publikasi dari beberapa konferensi
seperti Konferensi Internasional ACM ke-12 tentang Pemodelan, Analisis dan
Simulasi Sistem Nirkabel dan Seluler (MSWIM 09), Simposium Internasional
IEEE tentang Dunia Jaringan Seluler dan Multimedia Nirkabel (WOWMOM
2010), Simposium Dua Tahunan ke-25 tentang Komunikasi. Saat ini beliau
menjabat sebagai Ketua Bersama TPC untuk IEEE Globecom Ad hoc, Sensor
dan Jaringan Mesh (Globecom 2011), Simposium Internasional ACM ke-6
tentang QoS dan Keamanan untuk Jaringan Nirkabel dan Jaringan Bergerak
(Q2SWinet 2010, Q2SWinet 2011, Q2SWinet 2012), Simposium Jaringan
Nirkabel dari Konferensi Komunikasi Nirkabel Internasional dan Konferensi
Komputasi Seluler ke-7 (IWCMC 2011, IWCMC 2012), Konferensi
Internasional IEEE tentang Jaringan Komunikasi Ad hoc, Sensor dan Mesh
(ICC 2012). Beliau adalah anggota aktif IEEE CIS-TC, TC AHSN, dan WTC.
Véronique Véque (SM'09) menerima gelar Ph.D. dalam bidang jaringan
komunikasi dari Université Pierre et Marie Curie, Prancis, pada tahun 1989.
Pada tahun 1990, ia menjadi Associate Professor di Universitas Paris-Sud
(Paris 11), dan sejak tahun 2000 menjadi Profesor Penuh di Universitas Paris-
Sud. Saat ini beliau adalah Anggota Peneliti di Laboratorium Sinyal dan
Sistem. Beliau telah menulis atau ikut menulis lebih dari 100 makalah di
jurnal atau konferensi internasional. Minat penelitiannya terletak pada
bidang jaringan komunikasi nirkabel, seluler dan kecepatan tinggi dengan
penekanan pada jaringan kendaraan, alokasi sumber daya, teknik kualitas
layanan, perutean ad hoc, dan evaluasi kinerja. Beliau adalah Anggota Senior
IEEE Communications Society dan IEEE Vehic- ular Society. Dia telah terlibat
dalam komite program teknis dari konferensi-konferensi utama di bidang
jaringan, termasuk GLOBECOM, ICC, PIMRC, ISCC, WLN, LCN, dan WiMOB,
dan secara teratur diundang untuk memimpin beberapa sesi. Beliau adalah
co-editor dari edisi khusus tentang radio kognitif di Majalah Komunikasi
IEEE. (Berdasarkan dokumen yang diterbitkan pada tanggal 16 Agustus
2017).