Recent experimental work has shown that the average flow and average density within certain urban networks are related by a unique, reproducible curve known as the Macroscopic Fundamental Diagram (MFD). For networks consisting of a single route this MFD can be predicted analytically; but when the networks consist of multiple overlapping routes experience shows that the flows observed in congestion for a given density are less than those one would predict if the routes were homogeneously congested and did not overlap. These types of networks also tend to jam at densities that are only a fraction of their routes’ average jam density. This paper provides an explanation for these phenomena. It shows that, even for perfectly homogeneous networks with spatially uniform travel patterns, symmetric equilibrium patterns with equal flows and densities across all links are unstable if the average network density is sufficiently high. Instead, the stable equilibrium patterns are asymmetric. For this reason the networks jam at lower densities and exhibit lower flows than one would predict if traffic was evenly distributed. Analysis of small idealized networks that can be treated as simple dynamical systems shows that these networks undergo a bifurcation at a network-specific critical density such that for lower densities the MFDs have predictably high flows and are univalued, and for higher densities the order breaks down. Microsimulations show that this bifurcation also manifests itself in large symmetric networks. In this case though, the bifurcation is more pernicious: once the network density exceeds the critical value, the stable state is one of complete gridlock with zero flow. It is therefore important to ensure in real-world applications that a network’s density never be allowed to approach this critical value. Fortunately, analysis shows that the bifurcation’s critical density increases considerably if some of the drivers choose their routes adaptively in response to traffic conditions. So far, for networks with adaptive drivers, bifurcations have only been observed in simulations, but not (yet) in real life. This could be because real drivers are more adaptive than simulated drivers and/or because the observed real networks were not sufficiently congested.

Traffic signal control is essential for transportation efficiency in road networks. It has been a challenging problem because of the complexity in traffic dynamics. Conventional transportation research suffers from the incompetency to adapt to dynamic traffic situations. Recent studies propose to use reinforcement learning (RL) to search for more efficient traffic signal plans. However, most existing RL-based studies design the key elements - reward and state - in a heuristic way. This results in highly sensitive performances and a long learning process. To avoid the heuristic design of RL elements, we propose to connect RL with recent studies in transportation research. Our method is inspired by the state-of-the-art method max pressure (MP) in the transportation field. The reward design of our method is well supported by the theory in MP, which can be proved to be maximizing the throughput of the traffic network, i.e., minimizing the overall network travel time. We also show that our concise state representation can fully support the optimization of the proposed reward function. Through comprehensive experiments, we demonstrate that our method outperforms both conventional transportation approaches and existing learning-based methods.

Statistical analysis of traffic crash frequency is significant for figuring out the distribution pattern of crashes, predicting the development trend of crashes, formulating traffic crash prevention measures, and improving traffic safety planning systems. In recent years, the theory and practice for traffic safety management have shown that road crash data have characteristics such as spatial correlation, temporal correlation, and excess zeros. If these characteristics are ignored in the modeling process, it may seriously affect the fitting performance and prediction accuracy of traffic crash frequency models and even lead to incorrect conclusions. In this research, traffic crash data from rural two-way two-lane from four counties in Pennsylvania, USA was modeled considering the spatiotemporal effects of crashes. First, a negative binomial Lindley spatiotemporal effect model of crash frequency was constructed at the micro level; Simultaneously, the characteristics and problems of excess zeros and potential heterogeneity of the crash data were resolved; Finally, the effects of road characteristics on crash frequency were analyzed. The results indicate a significant spatial correlation between the crash frequency of adjacent road sections. Compared with the negative binomial model, the negative binomial Lindley model can better handle the excess zeros characteristics in traffic crash data. The model that considers both spatial correlation and temporal conditional autoregressive effects has the best fit for the observed data. In addition, for road sections that allow passing and have a speed limitation of not less than 50 miles per hour, the crash frequency corresponding to these sections is lower due to their good visibility and road conditions. The increase in average turning angle and intersection density on the horizontal curve of the road section corresponds to an increase in crash frequency.

The Max Pressure (MP) framework has been shown to be an effective real-time decentralized traffic signal control algorithm. However, despite its superior performance and desirable features – such as the maximum stability property – it may still suffer from deterioration in network mobility due to the rise of congestion within specific regions of an urban traffic network. To address this drawback and further improve the performance of MP control in urban networks, this paper proposes a novel MP algorithm that incorporates regional traffic states into the MP framework. The proposed model – called N-MP – simultaneously integrates perimeter metering control at the boundary of regions of a network to be protected with traditional local intersection control. The proposed model is the first to incorporate perimeter metering control fully within a decentralized signal control environment and inherits the maximum stability property. In addition, it does not require extra traffic state measurements compared to the original MP algorithms, beyond a measure of congestion within the protected region of the network. Microscopic traffic simulation results demonstrate that the proposed model can outperform two baseline perimeter control models – Bang–Bang control and feedback gating – under various traffic conditions. More interestingly, this superiority is maintained in both fully and partially connected environments.

Carpooling has emerged as a highly efficient method for mitigating traffic congestion. By strategically consolidating multiple travelers into fewer vehicles, carpooling substantially cuts down the overall number of vehicles on the road. However, the effectiveness of a carpooling system highly depends on the proportion of interested users that can be successfully matched and the amount of benefits users gain from these matches. This paper develops analytical models to estimate these metrics for a carpooling system that serves a many-to-one demand pattern, in which travelers share the same basic destination but travel from different origins. Two distinct scenarios are incorporated in the models: one where users have a preferred role of a driver or rider and another in which they are ambivalent between the two roles. The models provide the system's expected match rate and average user surplus as a function of the network size, number of users, and travel costs. Different from previous studies, the proposed models developed here consider that users only participate in trips that are beneficial to them from a cost perspective, rather than assuming fixed detours. This allows for matching incorporating spatial and financial considerations, promising flexible and rational matches in carpool systems. Simulation tests are used to validate the effectiveness of the analytical models. Results also offer insights into how various factors impact the system's performance.

We present a novel perspective on how connected vehicles can reduce total vehicular delay arising due to the capacity drop phenomenon observed at fixed freeway bottlenecks. We analytically determine spatial regions upstream of the bottleneck, called zones of influence , where a pair of connected vehicles can use an event-triggered control policy to positively influence a measurable traffic macrostate, e.g., the total vehicular delay at bottlenecks. These analytical expressions are also able to determine the boundaries (called null and event horizons ) of these spatial extents, outside of which a connected vehicle cannot positively influence the traffic macrostate. These concepts can help ensure that information is disseminated to connected vehicles in only those spatial regions where it can be used to positively impact traffic macrostates. Some scenarios examined in this study indicate that communication between connected vehicles may be required over a span of several kilometers to positively impact traffic flow and mitigate delays arising due to the capacity drop phenomenon.

Cross-median crashes involve vehicles departing the roadway to the left, crossing the median of a divided highway, and colliding with a vehicle traveling in the opposite direction. These crashes are severe, often resulting in fatal or serious injuries. To mitigate this crash type, transportation agencies may install median barriers. The high-tension cable median barrier is a flexible system that is intended to contain or redirect vehicles entering the median—this barrier type has recently been installed along freeway segments throughout Pennsylvania. The purpose of this study is to develop crash modification factors for this barrier system. An empirical Bayes observational before–after study was used to develop the crash modification factors—various crash types, area types (urban versus rural), and barrier placement locations were considered. The results indicate that, when considering both urban and rural locations combined, the installation of high-tension cable median barriers is associated with an increase in total, fatal plus injury, property-damage only, and hit-barrier crashes on freeway segments. The expected number of cross-median, fatal plus suspected serious injury, and fatal plus suspected serious injury cross-median crashes is expected to decrease when installing high-tension cable median barriers. The crash modification factor for high-tension cable median barriers is higher for installations along the shoulder of the freeway segment when compared to installations in the center of the median.