Real-time verkeersmodellen Overzicht, structuur en voorbeelden

Real-time verkeersmodellen Overzicht, structuur en voorbeelden Dr. Hans van Lint, Transport & Planning, Civiele Techniek 3/24/09

Delft University of Technology

Challenge the future

Overzicht •  Real-time verkeersmodellen: waar praten we eigenlijk over? •  Real-time verkeersmodellen: rol en plaats in Beslissingsondersteunende systemen (met wat voorbeelden) •  Toestand schatten •  Voorspellen •  Optimaliseren

•  Een paar kritische noten en conclusies

Real-time modellen voor beslissingsondersteuning

2 | Platos’09

Kenmerken real-time verkeersmodellen •  Is op een of andere manier gekoppeld aan (real-time) verkeersgegevens (uit lussen, camera’s, FCD, …) •  Kan worden toegepast om op basis van deze gegevens: •  Een zo goed mogelijke schatting te maken van de huidige verkeerscondities •  Een voorspelling te maken van de korte termijn ontwikkeling van die verkeerscondities •  Onder invloed van (voorspellingen van!) de verwachte verkeersvraag, reis- en rijgedrag, de mogelijke (DVM) maatregelen, en verstoringen

•  Uit te rekenen wat de optimale (DVM) maatregelen zijn •  op basis van een een of ander doel (maximale doorstroom, minimale gemiddelde reistijd, maximale betrouwbaarheid, minimale emissies, etc) Real-time modellen voor beslissingsondersteuning

3 | Platos’09

Een real-time verkeersmodel zit daarmee in een regelcirkel Verkeer Systeem •  Bijvoorbeeld in een verkeercentrale van een wegbeheerder •  of van een verkeersinfo dienstverlener

Ingrijpen, maatregelen nemen

Meten & interpreteren

Voorspellen & optimalizeren


4 | Platos’09

Real-time modellen Toestandschatten Verkeerssysteem (a) toestand schatten

Actuatoren (langs weg/ in auto)

(b) voorspellen

(c) optimaliseren

RT Verkeers model

huidige toestand

Sensoren / detectoren

Toestand schatten / data fusie

doelen optimaliseer

DVM maat regelen

HB matrices, randvw, parameters, netwerk, etc

Historische DB Real-time modellen voor beslissingsondersteuning

5 | Platos’09

Real-time modellen Toestandschatten Verkeerssysteem

•  Monitoring, toestand schatten (waar staan de files,

(a) toestand schatten


(b) voorspellen

(c) optimaliseren

wat zijn de huidige snelheden, etc)

RT Verkeers model

huidige toestand



doelen optimaliseer

DVM maat regelen



6 | Platos’09

Real-time modellen Toestandschatten •  Schatten van de huidige snelheden, intensiteiten en dichtheden in een heel verkeersnetwerk •  Mogelijk i.c.m. schatten van allerlei latente/afgeleide grootheden: •  •  •  •  • 

File lengte / lokaties Incidenten Capaciteiten Saturatiegraad kritische dichtheden, hiaten, wenssnelheden

•  Corrigeren / filteren / fuseren alle beschikbare data •  Opvullen van “witte gaten”


7 | Platos’09

Simpelste oplossing: kinematische golf theorie Richting waarin informatie stroomt in congestie

5:30

Richting waarin informatie stroomt in vrije afwikkeling

8:00

10:30


8 | Platos’09

Voorbeeld kinematisch golf filter VOORBEELD •  Lussen om de 500 m •  50% random data verwijderd •  Nauwkeurigheid van 1.7% naar 3.2% (nog altijd NDW proof!)


9 | Platos’09

Iets ingewikkelder: stroommodel + Kalman Filter procesmodel

(behoud voertuigen)

Voorspelling Y(t) door model

meetmodel (fund. diagram)

t:=t+1

Corrigeer “interne” model variabelen met factor × E(t) Gevoeligheid Onzekerheid × procesmodel procesmodel

Echte data D(t) uit detectors

Bereken fout E(t) = D(t)-Y(t)

onzekerheid meetmodel & metingen Real-time modellen voor beslissingsondersteuning

10 | Platos’09

Voorbeelden stroommodellen / Kalman Filters Den Haag

•  JD-Smart (Zuurbier e.a. TUD)

Gouda

Delft

•  LWR model, Cell-based KF •  incl routekeuze

Rotterdam

•  Fastlane-Online (van Wageningen e.a. TUD) •  Multiclass LWR model, nog te ontwikkelen KF

•  Flexsys (Tampere e.a., KU Leuven) •  combi LWR model KF + wachtrij model

•  RENAISSANCE (Papageorgiou, Wang, Messmer): •  Toepassingen in Italie en Antwerpen


11 | Platos’09

Indirecte toestandschatting: via HB + toedeling + postprocessing •  Visum-Online (
Statische toedeling (elke 5 min)

• Pathflow estimator

• Routekeuze op basis laatste reistijden

Historische DB

Postprocessing (1)

Postprocessing (2)

• Flow propagatie op basis routekeuze • Betrouwbaarheid per link

• Correctie flows • Wachtrijen en reistijden dmv wachtrij model



12 | Platos’09

Indirecte toestandschatting: via HB + toedeling + postprocessing •  Visum-Online (
HB matrix schatter

Statische toedeling (elke 5 min)

• Pathflow estimator

• Routekeuze op basis laatste reistijden

Postprocessing (1)

Postprocessing (2)

• Flow propagatie op basis routekeuze • Betrouwbaarheid per link

• Correctie flows • Wachtrijen en reistijden dmv wachtrij model


13 | Platos’09

Toestandschatten: paar kritische noten •  Aantal vrijheidsgraden in modellen >> aantal metingen -> Hou het dus zo simpel mogelijk (afhankelijk van toepassing) •  Op strengen (zeker snel/autowegen): •  gebruik golftheorie / stroommodellen •  Gebruik en combineer flows/snelheden (alleen flows onvoldoende)

•  In stedelijke netwerken: •  Snelheden minder bruikbaar: flows+reistijden •  Hopelijk dit jaar: Pilotstudie JD-Smart en Visum-Online in Utrecht (TUD, Vialis, gem Utrecht), zie www.atmo.tudelft.nl


14 | Platos’09

Real-time modellen - voorspellen Verkeerssysteem

•  Monitoring, toestand schatten •  Voorspellen van de



(b) voorspellen

(c) optimaliseren

verkeerstoestand (hoe gaan files zich

reistijden?)

huidige toestand


doelen

ontwikkelen, wat zijn de actuele

RT Verkeers model


optimaliseer

DVM maat regelen



15 | Platos’09

Voorspellen is moeilijk … … vooral de (nabije) toekomst •  Onzekerheden (onder zeer veel invloedsfactoren): •  Verkeersvraag •  Routekeuzegedrag •  Rijgedrag (en dus ook: capaciteit en traffic breakdown)

•  Niet helemaal: •  Op snel/autowegstrengen kunnen stroommodellen gemiddeld heel aardige uitspraken doen •  In stedelijke netwerken gaat dat weer veel lastiger •  Beter te denken in scenarios (bv worst / best case)

•  LET OP: KT verkeerscondities voorspellen is een totaal ander probleem dan LT reistijden voorspellen (check www.tripcast.nl ) Real-time modellen voor beslissingsondersteuning

16 | Platos’09

Nog een voorbeeld: Microscopic Online Simulator (MiOS) •  Ontwikkeld door Mark Miska (TUD, 2007) •  Voorspelling gebaseerd op huidige toestand, voorspelde HB en Routekeuze gedrag


17 | Platos’09

Gaat behoorlijk goed op snelwegen


18 | Platos’09

en wel aardig op stedelijke wegen (maar let op de ruis!)


19 | Platos’09

Real-time modellen - optimalizeren Verkeerssysteem

•  Monitoring, toestand schatten •  Voorspellen van de



(b) voorspellen

(c) optimaliseren

verkeerstoestand •  DVM Maatregelen optimaliseren (welke routes

adviseren, instellingen TDI’s, VRI’s, verkeersinfo,

RT Verkeers model

huidige toestand



doelen optimaliseer

DVM maat regelen


etc) Historische DB Real-time modellen voor beslissingsondersteuning

20 | Platos’09

Hot topic: zeer veel real-time modellen in ontwikkeling Maar nog nauwelijks in operationeel gebruik (in verkeercentrales) • JD-Smart • Fastlane-Online • Visum-Online • MitsimLab • DynaMIT-R • DynaMART-X • RENAISSANCE • MITHRA / Simres

• Dyna • MatriX • CityTraffic • RT mogelijkheden in Paramix, Aimsun • en nog veel meer …


21 | Platos’09

Slotopmerkingen •  Niet elk model is geschikt voor alledrie de taken (toestandschatten, voorspellen, optimalizeren) •  Correcte verkeersafwikkeling is belangrijk voor alledrie! Hoe goed heeft te maken met o.a. schaalniveau en toepassing •  Simpel is beter – RT model niet meer vrijheidsgraden dan nodig voor taak •  Nog vele fundamentele noten te kraken voor stedelijke netwerken •  Komende jaren zullen de ontwikkelingen hard gaan!


22 | Platos’09

Real-time verkeersmodellen Overzicht, structuur en voorbeelden

Recommend Documents