Regionale Verkeersmonitoring

Faculty of Civil Engineering and Geosciences Transport & Planning Department Visiting address Stevinweg 1 2628 CN Delft Postal address P.O. Box 5048 2600 GA Delft The Netherlands www.transport.citg.tudelft.nl

Delft University of Technology

PAO cursus DVM, november 2005

Regionale Verkeersmonitoring het maximale halen uit onbetrouwbare en heterogene verkeersgegevens Dr. Ir. Hans van Lint Universitair docent verkeerstromen [email protected]

Regionale verkeersmonitoring

Voorwoord Deze

syllabus

geeft

verkeersmonitoring

uit

achtergrond de

PAO

informatie cursus

bij

het

cursusdeel

Dynamisch

regionale

Verkeersmanagement.

Leerdoelen van dit cursusdeel: o

Een overzicht bieden van de verschillende componenten in een regionaal monitoring systeem en de verschillende beschikbare sensor technieken

o

Inzicht geven in welke ruwe gegevenssoorten met welke sensoren te meten

zijn

en

welke

niet,

basisbegrip

van

de

mogelijkheden

en

beperkingen van verschillende sensoren o

Inzicht geven in waarom gegevens van verschillende sensoren soms incompatibel of inconsistent zijn en basis begrip bijbrengen over de mogelijkheden gegevens uit verschillende bronnen te fuseren en vertalen naar netwerkbr3ede schatting van verkeerscondities op basis waarvan je regionale DVM maatregelen kunt toepassen.

o

Leidraad verschaffen voor het plannen van een monitoring systeem: welke informatie is er nodig en welke systemen kunnen daar voor zorgen waarbij een balans gezocht moet worden tussen kosten en kwaliteit.

Naast

het

basismateriaal

zijn

een

aantal

bijlagen

opgenomen

met

achtergrondmateriaal, waarvan enkele in het Engels. In de (Nederlandse) tekst van het hoofddocument zal kort worden vermeld welke informatie in die bijlagen te vinden is. Als bijlage zijn onder andere twee artikelen opgenomen in deze syllabus. De eerste is een artikel dat in het najaar van 2005 in het blad verkeerskunde Monitoring

zal

(ATMO)

verschijnen. project

dat

Dit

artikel

begin

gaat

2005

is

over

het

gestart

Advanced

binnen

het

Traffic cluster

verkeersmanagement (VM) in het TRANSUMO project. Het tweede artikel is een (bewerking van een) stuk dat in 2003 is gepubliceerd in de Transport Research Records, het wetenschappelijk journal van de Transportation Research Board (VS). Dat artikel beschrijft een methode om uit lusgegevens (snelheden en intensiteiten) reistijden te schatten.

-2-

1 - Inleiding

1

Inleiding

1.1 Achtergrond: plaats van Monitoren in DVM Om in een systeem te kunnen ingrijpen en sturen is het monitoren van (meten aan) een dergelijk systeem randvoorwaardelijk. Enerzijds om het effect van maatregelen te kunnen meten en te toetsen op hun bijdrage aan de doelen die gesteld zijn en anderzijds om invoer te produceren voor de systemen of modellen die de maatregelen uitvoeren en optimaliseren. Zo’n cyclus noemt men een regelcyclus. Dynamisch verkeersmanagement (DVM) kan men ook beschouwen als een set maatregelen die ingrijpen in een systeem (het verkeerssysteem) en dus als

een

regelcyclus

of

regelcirkel.

Figure

1-1

laat

zien

wat

de

plek

van

verkeersmonitoring monitoring is in de DVM regelcyclus.

aanbod

vraag reizigers

netwerk

Monitoren (meten, interpreteren, informeren, prikkelen, belonen beprijzen)

begrijpen, voorspellen)

regelen (vri’s, tdi’s, routering, 80 km zones, spits stroken, etc)

DVM

Beleidsdoelen: snel, reizigers doelen: schoon, veilig, kwaliteit, op tijd Commerciele doelen: betrouwbaar zijn, comfort, goed (genoeg), lage betrouwbaar kosten, meerwaarde

Figure 1-1: plaats van monitoring in de DVM regelcirkel Figure 1-1 laat zien dat er binnen DVM ruw weg twee regelcycli zijn, die beide sterk afhankelijk zijn van monitoring. De eerste (rechter cirkel) richt zich op het zo

goed

mogelijk

afstemmen

van

de

beschikbare

capaciteit

in

een

verkeersnetwerk op de actuele verkeersvraag, beide plaats en tijdsafhankelijk. Hierbij moet gedacht worden aan routering, toeritdoseren, kruispuntregelingen, dynamisch snelheidslimieten, spitstroken, etc. De tweede cirkel (links in Figure 1-1) richt zich op het beter afstemmen van de vraag op de beschikbare capaciteit in een netwerk. Door middel van informatie, beprijzen of belonen kunnen reizigers gemotiveerd worden hun vertrektijdstip, route of zelfs vervoerwijze keuzes aan te passen. Onder een aantal voorwaarden leiden die betere individuele keuzes ook tot collectieve winst. Op korte termijn in termen van bijvoorbeeld reistijd (minder files) maar op langere termijn in elk geval tot een betrouwbaarder en beter voorspelbaar verkeerssysteem. Centraal in een regelcirkel staat het doel dat ermee bereikt kan of moet worden. In de regelcirkel van een centraal verwarmingssysteem is dit doel simpel: de ruimte waarin het systeem opereert dient op een bepaalde constante temperatuur gehouden te worden. In een verkeersysteem is dit allesbehalve eenvoudig. Er zijn

-3-


veel actoren (wegbeheerders, reizigers, commerciële partijen) die elk hun eigen doelen nastreven (Figure 1-1 beneden). Of die doelen gehaald worden is onder andere

afhankelijk

de

kwaliteit

en

betrouwbaarheid

van

de

regel

dan

wel

informatie systemen en de mate waarin die systemen bijdragen tot de gestelde doelen. Dat betekent enerzijds dat goed moet kunnen voorspeld worden hoe het verkeersysteem (interactie tussen de reizigers en infrastructuur) reageert en anderzijds dat nauwkeurig gemeten moet worden of die voorspellingen klopten en in welke richting maatregelen of informatie moeten worden bijgesteld. Kortom: of het nu om verkeersinformatie informatie of regelen gaat het begint en eindigt bij monitoring. Samengevat Monitoring systemen spelen een centrale rol in DVM omdat ze 1.

voor invoergegevens zorgen voor veel DVM systemen – bijvoorbeeld dynamische

route

kruispuntregelingen,

informatie

panelen

dynamische

(DRIPs),

toeritdoseerinstallaties,

snelheidslimieten,

incident

detectie

systemen, etc, etc 2.

feedback geven over de effecten van DVM, zodat de systemen (achteraf en in real time) kunnen worden getoetst op hun bijdrage aan de gestelde doelen en zodat ze (in real time) “in sync” kunnen blijven met de actuele verkeerssituatie, bijvoorbeeld a. Waar in een netwerk is file en hoe erg is het (in termen van vertragingen of anderszins) b. Actueel inzicht in incidenten en andere verstoringen c.

Actuele

gemiddelde

snelheid

of

reistijd

op

bepaalde

routes

en

de

verwachting daarvan op korte termijn d. Wat is de reistijd betrouwbaarheid op een route gegeven de actuele verkeersituatie? e. etc

1.2 Leeswijzer Het volgende hoofdstuk zal ingaan op de belangrijkste functies van en een overzicht geven van de componenten in een monitoring systeem. In het hoofdstuk erna kijken we naar hoe uit de veelheid van verschillende gegevens zinvolle netwerk brede informatie gehaald kan worden. Het laatste hoofdstuk geeft een beknopte leidraad voor het ontwerpen en samenstellen van een monitoring systeem. De bijlagen bevatten achtergrond materiaal waaronder het al eerder genoemde verkeerskunde artikel over het TRANSUMO project ATMO.

-4-

2 - Functies en componenten van een Monitoring systeem

2

Functies en componenten Monitoring systeem

van

een

2.1 Functies van een monitoring systeem Zoals Figure 1-1 al liet zien heeft een ideaal monitoring systeem vier kern functies: 1.

Het meten van ruwe verkeersgegevens met sensoren / detectie middelen

2.

Het checken, corrigeren en aanvullen van die ruwe gegevens –Bijlage B is (in het Engels) geeft een overzicht van verschillende technieken om dat te doen.

3.

Het interpreteren van de gecorrigeerde ruwe gegevens en het vertalen van die gegevens naar bruikbare informatie voor DVM a. Extrapoleren van die gegevens over de ruimte, bijvoorbeeld ook iets kunnen zeggen over plekken in een netwerk waar niet wordt gemeten b. Extrapoleren van die gegevens over de tijd, dat wil zeggen, het op korte termijn voorspellen van verkeerscondities zoals intensiteiten, snelheden, reistijden, etc

4.

Het archiveren (opslaan) en beschikbaar maken van alle gegevens en informatie

Er moeten wel twee kanttekeningen gemaakt worden bij deze opsomming. Ten eerste is er sterke overlap tussen functies 2 en 3. Om gegevens te corrigeren of verschillende gegevenssoorten te fuseren is het vaak noodzakelijk te extrapoleren over de ruimte. Men noemt dat wel de toestand in een verkeersnetwerk schatten. Het volgende hoofdstuk zal hier nader op ingaan. Ten tweede zijn er maar weinig verkeersmonitoring systemen die veel verder komen dan functies 1 en 4 en het aan de afnemers van ruwe gegevens (o.a. voor DVM toepassingen) overlaten om “chocola te maken” van die gegevens. Het gevolg is dat dezelfde brongegevens tot verschillende resultaten kunnen leiden – bijvoorbeeld: de file meldingen die via TIC-NL en verschillende service providers (de ANWB, VID) over de radio worden

verspreid

aan

reizigers

kunnen

soms

(sterk)

afwijken

van

de

file

meldingen op de DRIPs (dynamische route informatie panelen) langs de weg. Eén van de doelstellingen van het ATMO project (zie Bijlage D) is juist ook die functies (2 en 3) op een zinvolle manier invullen. Meer hierover volgt verderop in deze tekst.

2.2 Overzicht van de componenten in een monitoring systeem Een

verkeersmonitoring

systeem

kan

grofweg

worden

opgedeeld

in

drie

componenten, welke Table 2-1 in detail weergeeft: sensoren (detectie middelen), communicatie hardware en software en een (vaak gecentraliseerde) rekenfaciliteit (computer systeem).

-5-


Table 2-1: componenten in een monitoring systeem Component Sensoren detectie middelen (S)

beschrijving / doel /

De

hardware

(en

embedded

software)

die

daadwerkelijk

voor

de

metingen zorgen. Er zijn ruwweg twee soorten: 1.

infrastructuurgebonden of lokale sensoren: o

inductie lussen

o

Infrarood, microwave of radar sensoren

o

Camera systemen

lokale sensoren meten lokale verkeersgrootheden (op een vaste lokatie x

in

een

netwerk)

ofwel

event-gebaseerd

(per

tijdstip)

(voertuig

passages, individuele snelheden) of (geaggregeerd of gemiddeld) over tijdsperiodes (intensiteiten, lokale gemiddelde snelheden, percentages zware

voertuigen,

etc).

Als

twee

camera's

verschillende

plekken

voertuigpassages meten (en daarbij ieder voertuig ook uniek kunnen identificeren)

dan

kan

een

dergelijk

systeem

ook

ruimtelijke

verkeerskenmerken meten: individuele reistijden of traject snelheden, of over langere periodes ook gemiddelde reistijden en trajectsnelheden. 2.

niet infrastructuurgebonden of “floating” sensoren: o

specifieke GPS/GSM gebaseerde systemen (in-voeruig)

o

Lokatie en snelheid als afgeleid product uit andere systemen zoals GSM, GPRS, UMTS (mobiele telefoons, pda’s, etc)

Een “floating sensor” meet instantane ruimtelijke verkeerskenmerken (dwz op een tijdstip t en een variabele lokatie x(t) – dus x als functie van t): de huidige lokatie en snelheid van een voertuig of over langere tijdsperiodes ook gemiddelde traject reistijden en snelheden. Men zou kunnen beargumenteren dat er nog een derde categorie sensoren is, namelijk “de mens”, die (via telefoon, email, fax) zeer belangrijke informatie toevoegen: 3.

Anekdotische bronnen: o

Politie-

of

hulpdiensten

rapportages

bijv

tijdens

of

na

incidenten, ongelukken, etc) o

Informatie van wegbeheerders (bijv. wegwerkzaamheden)

o

Spitswachten (de ANWB maakt gebruik van de diensten van enkele honderden die via telefoon mogelijke extra informatie kunnen leveren)

Communicatie

De hard- en software om de ruwe data vanuit de sensoren naar de

Infrastructuur

centrale servers en vervolgens naar de afnemers te transporteren. Meer en meer worden hier mobiele communicatie technologieën voor ingezet

-6-


Component

beschrijving / doel

(ICT)

(GPRS, UMTS). Verreweg in de meeste gevallen is er nog sprake van vaste lijnen netwerken.

(Centrale)

Alle hardware en software nodig om ruwe gegevens uit sensoren om te

Reken

zetten in zinvolle informatie voor DVM voor reizigers, verkeersmanagers

Faciliteiten

of service providers. Ruwweg CRF systemen bestaan uit enkele servers

(CRF)

(één PC) of uit een netwerk van gelinkte servers, elk specifiek voor een bepaalde gegevensverwerkings- of informatie verspreidingstaak. Ook hier zijn de grenzen grijs: veel sensoren gebruiken lokale “dedicated hardware/software” bijv aan de kant van de weg om een gedeelte van de gegevensverwerking te doen – die kunnen als onderdeel van de sensor worden gezien maar ook als onderdeel van de CRF. In de CRF is ook mogelijkheid tot het archiveren van alle gegevens in een (historische) database. Daarnaast is de CRF het platform waar functies 2 en 3 (zie vorige paragraaf) kunnen worden uitgevoerd.

Een goed voorbeeld van een monitoring systeem is het MONiCA systeem (Figure 2-1)

dat

op

een

groot

gedeelte

van

het

Nederlandse

snelwegennet

is

geïmplementeerd, eigendom is van en onderhouden wordt door Rijkswaterstaat. Het systeem bestaat uit inductielussen, waarmee elke minuut intensiteiten en rekenkundig gemiddelde snelheden worden gemeten op dwarsdoorsnedes, in toenemende

maten

rijstrook-

en

voertuigklasse

(personenvoertuigen,

vrachtverkeer) specifiek (verderop meer over inductielussen). In West-Nederland, Utrecht en in delen van de rest van Nederland geïnstalleerd elke 500 meter, op sommige stukken (o.a. Oost-, Noord- en Zuid-Nederland) elke 1-2 km.

Roadside Systems

Utrecht RS ± 400 m

North of Netherlands East of Netherlands

± 400 m

RS

Central Systems

MONICA

Other sources • Weather • Federal Police and Energency •…

distribution network Limburg

Brabant

RS

South of Holland VMS

70

X

TMC-NL

TIC-NL

(Traffic Management Centre)

(Traffic Information Centre)

Service providers

inductive loops

• • • • • •

regional TIC’s radio stations rds-tmc internet GSM SP etc.

Figure 2-1: Voorbeeld van een monitoring systeem: MONiCA (Monitoring Casco), dat bestaat uit inductielussen (de sensoren), VIC-Net (Communicatie infrastructuur) en verschillende gegevensservers. Een

tweede

voorbeeld

is

the

Regiolab-Delft

systeem

(http://www.regiolab-

delft.nl) dat eigendom is en wordt onderhouden door de TU Delft in samenwerking

-7-


met de publiek-private partners in het project: de Adviesdienst Verkeer en Vervoer van Rijkswaterstaat; de provincie Zuid-Holland; de gemeente Delft; Rijkswaterstaat

Directie

Zuid-Holland;

Vialis;

Siemens

en

ARS

Traffic

and

Technology en de TRAIL onderzoeksschool. In het Regiolab-delft project wordt gedetailleerde verkeersgegevens verzameld in het wegennetwerk rondom Delft, waarbij ook het complete snelwegennet in de driehoek Den Haag, Rotterdam en Gouda wordt meegenomen (zie Figure 2-2)

Figure 2-2: Voorbeeld van een monitoring systeem: Regiolab-Delft (www.Regiolabdelft.nl), dat gegevens combineert van verschillende bronnen, onder andere MONiCA (snelwegen), camerasystemen, tellussen en regelgegevens bij verkeersregelinstallaties, toeritdoseerinstallaties, infrarood sensoren, brugsystemen, etc (in het kader rechtsonder te zien).

2.3 Karakteristieken van ruwe verkeersgegevens uit verschillende meetsystemen In

deze

paragraaf

verschillende

kijken

we

meetsystemen.

wat In

gedetailleerder essentie

zijn

naar er

ruwe

twee

gegevens

uit

onderscheidende

kenmerken: 1. Gaat het om lokale of niet lokale gegevens, dwz betreffen de gegevens lokale (vaste lokatie/dwarsdoorsnede x) of ruimtelijke (over een sectie j of variabele lokatie x(t)) verkeerskenmerken? 2. Gaat het om individuele (event-gebaseerde) gegevens (op een tijdstip t) of om geaggregeerde dan wel gemiddelde gegevens tijdsperiode k?

-8-

gemeten over een


De tabel beneden geeft een overzicht van de belangrijkste verkeerskenmerken welke met sensoren kunnen worden gemeten. Let wel: sommige zijn erg lastig of erg kostbaar om te meten (aan de lezer de oefening om aan te geven welke en waarom) Table 2-2: Overzicht van verkeersgegevens welke met sensoren kunnen worden gemeten Lok./R’lijk symbool & formule

eenheid

beschrijving & Aggr/Ind

Ld

m

breedte detector

L

-

ti

s

individueel passage moment

L

I

Li

m

voertuig lengte

L/R

I

oi

s

tijd gespendeerd op de detector

L

I

vi

m/s

individuele lokale snelheid

L

I

ui

m/s

R

I

TT i

s

R

I

R

A

L/R

A

R

A

R

A

L

A

L

A

individuele gemiddelde traject snelheid

individuele traject reistijd

gemiddelde reistijd voor s

TT k

voertuigen vertrekkend in periode k

Lv

m

Nj

-

uM

1 Nj

aantal voertuigen aanwezig op segment (link) j op tijdstip t

Nj

∑v i =1

gemiddelde snelheid (space mean

m/s

i

speed) op segment j op tijdstip t

volume: aantal passerende

-

Nk

uL

gemiddelde voertuig lengte

1 Nk

voertuigen in een periode k

lokale (rekenkundig) gemiddelde

Nk

∑ vi i =1

*

m/s

snelheid (time mean speed) op doorsnede x gedurende periode k

-9-


Lok./R’lijk symbool & formule

eenheid

beschrijving & Aggr/Ind

lokale harmonisch gemiddelde snelheid op doorsnede x

1 1 Nk

uH

Nk

1 ∑ v i =1 i

gedurende periode k. N.B. u H = u M

***

onder de voorwaarde dat de

m/s

L

A

L

A

L

A

R/L

A

verkeerscondities stationair (gedurende periode k) en homogeen (over segment j) zijn

intensiteit: aantal passerende q

voertuigen per eenheid tijd (uur of

Nk T

veh/s

seconde); N.B. T geeft de grootte van de periode k aan (in seconde of uur)

Occ

ρ

bezettingsgraad; fractie van de

1 Nk ∑ oi T i =1

Nj Lj

=

(%/100)

tijdsperiode k waarop de detector bezet werd door voertuigen

1 ⎛ Occ ⎞ ⎜ ⎟ ** Ld ⎝ Lv ⎠

dichtheid: het gemidd3eld aantal veh/m

voertuigen per eenheid afstand op een segment j met lengte L j

Noten * De rekenkundig gemiddelde snelheid op een lokatie (u L ) is ALTIJD groter of gelijk dan de rekenkundig gemiddelde snelheid over een traject (u M ). Dit is gemakkelijk in te zien. Stel 3 voertuigen rijden met een constante snelheid van 10, 20 en 30 km/u gedurende precies een uur over een cirkelvormige weg van precies één kilometer lengte. Veronderstel dat ze elkaar zonder hinderen kunnen inhalen. Op een willekeurig tijdstip in dat uur is de gemiddelde snelheid (de space mean speed) natuurlijk 20 km/u (het gemiddelde van 10, 20 and 30 km/u). Stel nu voor dat iemand gedurende dat uur langs de kant van de weg staat en de gemiddelde snelheid (time mean speed) berekent van de passerende voertuigen. Zijn berekening ziet er als volgt uit:

uL =

30 * 30 + 20 * 20 + 10 *10 = 23.33 km/h ! 30 + 20 + 10

Zijn tijdgemiddelde snelheid is dus dik 15% hoger dan de werkelijke gemiddelde snelheid. De reden daarvoor is dat lokaal het gemiddelde wordt beïnvloed door het feit dat snellere voertuigen vaker passeren dan langzame, in dit geval passeert het snelste voertuig (30 km/u) 3 maal zo vaak dan het langzaamste voertuig (dat 10 km/u rijdt). Als we veronderstellen dat de verkeerscondities homogeen

(over

de

ruimte)

en

stationair - 10 -

(over

de

tijd)

zijn,

is

er

een


mogelijkheid om toch lokaal de juiste snelheid te meten, door niet de snelheid maar de traagheid (1/snelheid = reistijd per eenheid ruimte) te middelen. De reciproke van dit gemiddelde (1/gem.traagheid) is vervolgens weer gelijk aan de gemiddelde snelheid. Dat rekensommetje levert dan op −1

1 1 1 ⎞ ⎛ ⎜ 30 * 30 + 20 * 20 + 10 * 10 ⎟ uH = ⎜ ⎟ = 20 km/h ≈ uM 30 20 10 + + ⎜ ⎟ ⎝ ⎠ Dit gemiddelde wordt wel de harmonisch gemiddelde snelheid genoemd en is dus gelijk een de space mean speed mits de verkeerscondities homogeen en stationair zijn. Hoewel dat zelden het geval is (zie verderop), geeft deze formule voor korte stukken

gedurende

korte

tijdsperiodes

(bijvoorbeeld

ordegrootte

een

paar

honderd meter en een paar minuten) een redelijke benadering. Vermenigvuldigen van de gemiddelde traagheid met de lengte van een sectie levert de gemiddelde reistijd op over een sectie j gedurende periode k:

TTkj =

Lj uH

≈

Lj

(3-1)

uM

Deze formule is de basis van de trajectorieën methode voor reistijdschatting (zie Bijlage A). **

Verband tussen bezettingsgraad en dichtheid

De gemiddelde bezettingsgraad Occ delen door de gemiddelde voertuiglengte L v levert het gemiddelde aantal voertuigen op dat gedurende een periode k aanwezig was op de detector. Vervolgens delen door de detectorbreedte Ld levert dan dus het gemiddelde aantal voertuigen per eenheid ruimte op (in m), met andere woorden

dichtheid

ρ!

Ook

hier

is

de

veronderstelling

weer

dat

de

verkeerscondities homogeen en stationair zijn. *** Alternatieve manier om aan de juiste gemiddelde snelheid te komen Een van de grondslagen onder de verkeerskunde is dat onder homogene en stationaire condities geld op een stuk weg j gedurende een periode k dat dichtheid=intensiteit/gem.snelheid

(dit

is

de

zogenaamde

continuïteits

vergelijking). Passen we die toe dan wordt duidelijk dat de snelheid ook uit intensiteiten en bezettingsgraad te berekenen is en wel als volgt:

uM =

q

ρ

Nk =

Occ

T

Ld Lv

=

N k Ld Lv Occ ⋅ T

(3-2)

Het praktische nut ervan is dat men met deze vergelijking ook uit enkelvoudige lussen snelheden kunnen worden berekend (MONiCA heeft dubbele lussen, in de VS worden echter veelal enkele lussen toegepast). Let wel dat de formule een parameter bevat (namelijk gemiddelde voertuiglengte) die geschat moet worden uit data en dat ook hier de veronderstelling is dat de verkeerscondities homogeen en stationair zijn. Tot

slot

van

deze

paragraaf

een

paar

kritische

veronderstelling van homogeniteit en stationariteit

- 11 -

opmerkingen

over

die


1. Het is mogelijk om uit lokale meting op lokatie x op een segment j informatie te halen over de verkeerskenmerken over het gehele segment mits je veronderstelt

dat

verkeerscondities

gedurende homogeen

een en

tijdsperiode

stationair

k

zijn,

over Figure

segment 2-3

j

de

geeft

dit

schematisch weer. 2. In

de

echte

wereld

is

die

veronderstelling

(homogene

en

stationaire

verkeerscondities) vaak onjuist. Typische oorzaken daarvan zijn: o

acceleratie and decelleratie van voertuigen door voertuig interacties, zeker als het verkeer gemengd is (hoge truckpercentages of in de stad veel langzaam verkeer)

o

congestie (files), stop-and-go verkeer

o

rijgedrag beïnvloed door geometrie: weefvakken, in- en uitvoegingen, hellingen (bruggen en tunnels)

o

verkeerslichten en andere verkeersregelingen

o

etc.

Detector d

Detector d+1

Roadsection j of length Lj

Roadsection j+1 of length Lj+1

Figure 2-3: Men kan lokale metingen alleen generaliseren over een groter gebied als verondersteld wordt dat verkeerscondities constant zijn over de ruimte (segment j) en tijd (periode k), men noemt dat homogeen en stationair respectievelijk. In de volgende paragraaf kijken we in meer detail naar een aantal soorten detectoren, te weten lussen, AVI (automated vehicle identification systems) en FCD (floating car data). Een overzicht van de meest voorkomende lokale sensoren is te vinden in Bijlage A (in het Engels)

2.4 Lokale sensoren: inductielussen Inductielussen

zijn

nog

met

enkele

afstand

de

meest

en gebruikte

dubbele verkeersdetectie

middelen sinds de 50er jaren. Figure 2-5 laat schematisch een dubbele inductie lus zien, welke zoals al eerder gezegd de basis vormen van het MONiCA systeem op de Nederlands snelwegen. Inductielussen zijn relatief goedkoop te maken en te installeren (ordegrootte 10-20kE), zei het dat een wegbeheerder het verkeer tijdelijk moet stilzetten om dit te doen, aangezien de lussen en communicatie hardware

in

het

asfalt

moeten

worden

- 12 -

gefreesd.

Vooral

hierdoor

zijn


inductielussen uiteindelijk een duur detectiemiddel om te onderhouden. Daarbij komt dat de lussen, door direct contact met de voertuigen ook kwetsbaar zijn vooral bij hoge percentages vrachtverkeer. In MONiCA, is bijvoorbeeld gemiddeld 12% van alle ruwe minuutgegevens (tijdgemiddelde snelheden en intensiteiten) ofwel onbetrouwbaar of mist volledig. Dat wil zeggen dat 1 op de 8 metingen van een willekeurige lus op een willekeurig tijdstip ofwel ontbreekt of onbetrouwbaar is.

Bovendien

zijn

er

regelmatige

uitschieters

(vaak

door

onderhoudsachterstanden of anderszins) van 25% of meer. Figure 2-4 laat de resultaten van een klein evaluatie onderzoekje zien met een inductielus langs de A13 tussen Den Haag en Rotterdam. De gemiddelde relatieve fout 1 die deze lus maakte bedroeg 5.6% met een standaard afwijking van 10.4%. Dat betekent dat grosso modo in 95% van alle gevallen 2 van elke honderd passerende voertuigen er tot 14 voertuigen kunnen worden gemist tot (in het andere uiterste) tot 26 worden dubbel geteld.

12

frequency →

10 8 6 4 2 0 -20

-10

0 10 relative error →

20

30

Figure 2-4: Histogram van relatieve fouten gemaakt door een dubbele inductielus op de A13. Figure 2-5, geeft schematisch een dubbele inductielus weer, die simpelweg uit twee enkele inductielussen bestaat. Met een enkele lus kan men drie zaken meten,

namelijk

passage

tijden,

bezettingsgraad

(Occ)

en

aantal

voertuig

passages (N K ). Van die gegevens zijn dan vervolgens weer intensiteit, dichtheid en zelfs harmonische gemiddelde snelheid af te leiden, zie Table 2-2. Met een dubbele lus, kunnen nog een aantal extra zaken worden gemeten waaronder individuele

snelheden,

rekenkundig

gemiddelde

snelheid

en

gemiddelde snelheid, en individuele en gemiddelde voertuiglengte.

aantal observaties - aantal werkelijke passages × 100% aantal werkelijke passages

1

relatieve fout =

2

verondersteld dat de relatieve fouten normaal verdeeld zijn

- 13 -

harmonische


t1

t2

t3

t4

1,80 m

time

1,50 m legend

xL

t1 - activation moment first loop

2,50 m

t2 - deactivation moment first loop

dL

t3 - activation moment second loop t4 - deactivation moment second loop dL- distance between loops xL- width of a single loops

Roadside Processing Station Figure 2-5: schematische weergave van een dubbele inductielus De harmonisch gemiddelde snelheid berekenen met een dubbele lus is zeer eenvoudig. De reistijd van een voertuig over de lus is immers het omgekeerde van zijn gemiddelde snelheid over de lus maal de lengte van de lus (eqn (3-1)). Dat betekent dat we kunnen schrijven:

Ld = t3,i − t1,i vi

(3-3)

Combineren van (3-1) en (3-3) geeft dan

uM ≈ uH =

Ld 1 Nk

Nk

∑ (t i =1

3,i

(3-4)

− t1,i )

Wonderlijk genoeg berekenen MONiCA lussen de rekenkundig (en dus verkeerde) gemiddelde snelheid (u L zie Table 2-2 voor de formule) ipv het harmonische gemiddelde

(u H ).

Niet

alleen

levert

dat

een

structurele

overschatting

van

gemiddelde snelheden op, het levert ook een veel ingewikkelder rekensom op. Om u L uit te rekenen moeten N K +1 delingen per tijdsperiode worden uitgevoerd, terwijl er voor u H met eqn (3-4) slechts twee nodig zijn!

2.5 Niet-lokale en “floating” sensoren Hier gaan we kort in op detectiesystemen die verkeerskenmerken over een segment kunnen meten zoals reistijden, traject snelheden and zelfs complete voertuig

trajectorieën.

We

behandelen

- 14 -

hier

twee

soorten

systemen:


infrastructuurgebonden

systemen

(AVI

-

Automated

Vehicle

Identification

systems) en niet infrastructuurgebonden systemen (floating car technologies)

2.5.1

AVI - Automated Vehicle Identification systems

Het idee van een AVI is eenvoudig: identificeer een voertuig i op locatie A en registreer dat passage moment t A , doe hetzelfde op locatie B en men kan de reistijd en gemiddelde snelheid van dat voertuig op traject AB afleiden. De sleutel van AVI systemen is in het identificeren van voertuigen op een lokatie waarvoor grofweg twee methoden bestaan: 1. door

middel

van

transponders

of

tags

(zoals

bij

een

geautomatiseerd

tolsysteem) in het voertuig gecombineerd met transponder of tag-lezers langs de kant van de weg. De premisse is dan dat een voldoende percentage van de passerende voertuigen een dergelijke transponder heeft. 2. door middel van camera systemen en intelligente beeldherkenningssoftware waarmee

kenteken

platen

van

voertuigen

kunnen

worden

herkend

uit

beeldmateriaal.

Figure 2-6: Camera gebaseerde AVI systemen in het Regiolab-delft gebied Figure 2-7 geeft schematisch weer in een x-t (ruimte-tijd) diagram hoe een AVI systeem werkt.

- 15 -

space


Mean journey speed ui(tA..tB)

Cam

AVI (B)

LAB - Length of road section

TTi(tA) - Travel time AB

Location (C)

Travel time on AB of vehicle i: TTi(tA)=tB-tA Mean journey speed on AB of vehicle i: ui(tA..tB)=LAB/(tB-tA)

Vehicle i Cam

AVI (A) time tB – passage time B

tA – passage time A

Figure 2-7: AVI systeem voor reistijden traject snelheid metingen. Met individuele reistijden en traject snelheden kunnen natuurlijk ook gemiddelde traject snelheden (space mean speed!) en reistijden worden berekend, mits een AVI systeem ALLE voertuigen registreert. In dat geval leveren enkele AVI systemen ook nog eens intensiteiten op. Gegeven dat AVI systemen dicht op elkaar zijn geïnstalleerd (traject AB is kort, zeg in de ordegrootte van enkele honderden meters) bieden AVI systemen zeer gedetailleerde gegevens. Niettemin, zoals blijkt uit Figure 2-7, er zijn een aantal zaken waar een wegbeheerder rekening mee dient te houden indien hij voor AVI systemen kiest voor monitoring: o

Reistijden TT i van voertuigen op AB vertrekkend op tijdstip t A zijn pas beschikbaar op tijdstip t B , dat wil zeggen, nadat TT i (+ bewerkings- en communicatietijd) tijd is gepasseerd of simpel gezegd, nadat een voertuig AB heeft afgelegd. Als AB kort is hoeft dit geen ernstig probleem te zijn. Maar als AB lang is (enkele kilometers) en het voertuig serieuze vertraging heeft

opgelopen,

dan

is

de

reistijdinformatie

hoogstwaarschijnlijk

achterhaald en zeker niet representatief voor de reistijd die voertuigen gaan ondervinden als ze op t B starten aan traject AB! o

AVI

systemen

meten

reistijden

en

traject

tijden

maar

geven

geen

informatie over de verkeerscondities tussen A en B. Figure 2-7 dat een voertuig veel verschillende trajectorieën kan afleggen die dezelfde reistijd opleveren. AVI systemen geven daar geen inzicht in, bijvoorbeeld waar op het traject AB de vertraging werd opgelopen. Een file van 1 km in de buurt van A kan best dezelfde reistijd opleveren als een file van 3 km in de buurt van B of ergens tussenin

- 16 -


o

Tenslotte, de uiteindelijke reistijd of gemiddelde trajectsnelheid geeft een gemiddelde over de periode dat een voertuig onderweg was (en dat was TT i ) en niet over een gepredefinieerde tijdsperiode k (van één of meerdere minuten bijvoorbeeld). De meest voor de hand liggende aanpak is de gerealiseerde reistijd toe te wijzen aan de vertrekperiode k (waarin het vertrektijdstip t A viel).

2.5.2

Floating Car (GSM/GPS) and remote sensing

Gegevens van voertuigen voorzien van GPS en communicatie hardware/software leveren uiteindelijk de meest gedetailleerde informatie op, zeker als er een continue gegevenswisseling tussen server en voertuig plaatsvindt. Dat idee is bepaald niet nieuw: al lang voor de ICT revolutie in de jaren 90 werden pilots uitgevoerd met elkaar of naar een centrale server communicerende voertuigen. In potentie

levert

FCD

de

zelfde

gegevens

(reistijden

en

gemiddelde

traject

snelheden) als AVI systemen met daarbij ook gegevens over de verkeerscondities

space

onderweg Figure 2-8.

Mean journey speed ui(tA..tB)

TTi(tA) - Travel time AB

End (B)

LAB - Length of road section

Location (x)

Travel time on AB of vehicle i: TTi(tA)=tB-tA Local speed vi(x,t)

Mean journey speed on AB of vehicle i: ui(tA..tB)=LAB/(tB-tA) Local speed vi(x,t) = (x+ x -x) / (t+ t - t)

Vehicle i Start (A) time tA

t

tB

Figure 2-8: Floating car data van voertuigen uitgerust met ofwel (GPS/GSM) in-car systemen of van reguliere mobieltjes Gedetailleerde informatie over de technologie achter floating car data en specifiek over het gebruik van GSM / mobiele telefoons wordt elders in de PAO cursus DVM verzorgd. Hier volstaan we met een drietal vaak onderbelichte aspecten van FCD: 1.

Tenzij ALLE voertuigen kunnen worden gevolgd levert FCD geen voertuig intensiteiten of dichtheden. Dit betekent dat ze niet direct bruikbaar zijn voor

- 17 -


veel toepassingen binnen DVM (met name lokale regeltoepassingen zoals toeritdosering, rerouting, toestandschatten, etc) 2.

De kwaliteit van de gegevens neemt vaak sterk af in stedelijke omgevingen, terwijl juist daar de grootste “witte vlekken” bestaan in het traditionele net van

detectiemiddelen

(lussen,

camera's).

Dit

komt

enerzijds

omdat

het

verkeersnetwerk in stedelijke gebieden veel fijnmaziger is en het matchen van FCD signalen naar een bepaald wegsegment dus veel lastiger is. De lagere gemiddelde snelheden van voertuigen en deflecties door gebouwen zorgt er ook voor dat map-matchen op basis van GPS signalen lastiger is dan in een rurale omgeving. 3.

Om FCD systemen zowel technisch als economisch rendabel te maken is er kritieke massa nodig (dwz een minimaal aantal uitgeruste voertuigen): a. Er is een minimum aantal voertuigen nodig om een betrouwbare schatting van de gemiddelde reistijd of traject snelheid te kunnen bepalen. b. In het geval er sprake is van een tweeweg service (voertuigen/GSM bezitters leveren data in ruil voor een service) is er ook een economische kritieke

massa

nodig.

Immers,

reizigers

(of

telco’s)

zullen

alleen

investeren in een systeem als dat (binnen redelijke termijn) van goede kwaliteit (en rendabel) is. Simpel gezegd: om uit FCD goede informatie te halen is er een minimale hoeveelheid uitgeruste voertuigen nodig, maar om die zo gek te krijgen moet de service van wel goede kwaliteit zijn. Een kip-en-ei probleem dat mogelijk ten grondslag ligt aan het feit dat er wereldwijd nog nauwelijks commerciële FCD services zijn – met uitzondering van Japan waar de penetratiegraad van in-car equipment veel hoger is dan in Europa of de VS.

2.6 Samenvatting en discussie Elke sensor techniek heeft, zoals hierboven kort aangestipt, voor- en nadelen. Het is dan ook apriori niet te zeggen welke de voorkeur geniet boven anderen, dat is sterk applicatie afhankelijk. Een lokaal regelprobleem (verkeerslichteninstallatie of toeritdosering) kan prima worden opgelost met lokale sensoren (lussen of camera’s), terwijl verkeersinformatie services een dekkend sensor netwerk nodig hebben over een geheel netwerk (van deur-tot-deur) en wellicht beter af zijn met een AVI systeem en/of FCD systeem. In het laatste hoofdstuk gaan we in op het combineren van sensor gegevens uit verschillende bronnen. Zonder al te veel in te gaan op de wiskunde achter data fusie zal daaruit blijken dat het combineren van

sensoren

niet

alleen

technisch

maar

economisch

handliggende oplossing is om netwerkbreed te monitoren..

- 18 -

de

meest

voor

de

3 - Van ruwe gegevens naar netwerkbrede verkeersinformatie

3

Van ruwe gegevens verkeersinformatie

naar

netwerkbrede

3.1 Het ideale monitoring systeem Wat voor soort monitoring systeem zou een verkeersinformatie service die van deur-tot-deur reistijden levert idealiter nodig hebben? Idealiter zou een dergelijk systeem de herkomst en bestemming, reisdoel, huidige positie en snelheid van elk voertuig op elke link in een netwerk (snelweg, provinciale weg of anderszins) moeten meten en bovendien instaat zijn om een korte termijn voorspelling (in elk geval zo lang als de langste reistijd mogelijk in het netwerk) te doen voor het gehele netwerk. Wat impliceert dit verlanglijstje: 1) Herkomsten en bestemmingen (een zgn HB matrix) zijn uitsluitend in real time te meten als reizigers aan het begin van hun rit (H) hun bestemming (B) kenbaar maken (door middel van bijv een route navigatie systeem) . Zo niet dan

kunnen

HB

relaties

achteraf

gemeten

worden

dmv

individuele

waarnemingen (FCD of camera’s), waarbij het meetnet “waterdicht” is (alle HB paren bemeten). Als dat niet lukt, kunnen ze geschat worden uit tellingen op het netwerk, zij het dat de resulterende HB matrix niet meer uniek bepaald is. 2) Positie en snelheid van (individuele) voertuigen is alleen met FCD te meten – zie vorige sectie. Alternatief is gemiddelde snelheden en dichtheden op segment te meten: met een dichtbemaasd AVI of inductielussen systeem is dit te realiseren, waarbij dichtheid kan worden afgeleid uit intensiteiten en snelheden. 3) Voor netwerkbrede voorspellingen (functie 3 uit hoofdstuk 2 - Functies en componenten van een Monitoring systeem) is a) een verkeersmodel nodig dat de meest recente toestand in een netwerk (waarbij

toestand

bijvoorbeeld

gedefinieerd

is

als

de

dichtheid

&

gemiddelde snelheid op elk segment in het netwerk) vanuit metingen zo goed mogelijk reconstrueert. Om te voorspellen wat er vanuit die huidige toestand verder gebeurd is er naast dat verkeersafwikkelingsmodel echter het volgende nodig: b) ofwel een HB matrix voor de korte termijn + schatting van het routekeuze gedrag van individuele reizigers of HB stromen (mogelijk onder invloed van de DVM maatregelen die men gaat nemen) c) ofwel een voorspelling van verkeersvraag op de randen van het netwerk en een schatting van de turnfracties (hoeveel procent van de totale stroom gaat linksom, rechtsom of rechtdoor) op alle kruisingen/verbindingen in het netwerk Op

geen

plek

in

de

wereld

een

dergelijk

compleet

monitoring

systeem

operationeel. Sterker nog, er is nog geen real time of online voorspellingsmodel (punten 3a, b en c) dat zich werkelijk bewezen heeft (dwz, dat gevalideerd is en dat

consistente,

betrouwbare

van

- 19 -

deur-tot-deur

verkeersinformatie

kan


genereren). Niettemin zijn er een aantal plekken in de wereld waar state-of-theart onderzoek gedaan wordt naar online modellen: •

TU Delft, dit betreft het model MiOS (microscopic online simulation, zie bijv. www.webmios.nl of www.atmo.tudelft.nl)

•

MIT (Massachusets Institute of Technology), waar men werkt aan DynaMIT (zie http://mit.edu/its/dynamit.html)

•

University

of

Maryland,

hier

gaat

het

om

DynaSMART-X

(zie

http://www.dynasmart.umd.edu/) De belangrijkste onderzoeksvragen die nog openstaan zijn: 1) Hoe kun je een verkeersmodel gebruiken om ruwe gegevens uit verschillende bronnen te integreren (data fusie) en vertalen in een netwerkbrede schatting van de verkeerscondities (toestand schatting)? 2) Hoe kun je een online een betrouwbare HB matrix schatten? 3) Hoe kun je een betrouwbare en consistente voorspelling maken van de verkeerscondities netwerkbreed? De laatste sectie gaat in op de eerste vraag

3.2 Toestand schatten en data fusie Toestand schatten betreft het reconstrueren van de toestand (in termen van bijv dichtheid en gemiddelde snelheid) de verkeerscondities in een verkeersnetwerk op basis van alle beschikbare informatie uit sensoren. Laten we de toestand (En: traffic state) in periode k aanduiden met X k de laatste beschikbare metingen met M k en de laatst bekende (geschatte) toestand met X k-1 . Figure 3-1 geeft dan schematisch weer hoe toestand schatting in zijn werk gaat. In Figure 3-1 (links) zijn een aantal lokale (de punten) en niet-lokale (de dikke lijnen) sensoren weergegeven (het monitoring systeem) in een netwerk. Die gegevens worden door een verkeersmodel (Figure 3-1 midden) geïntegreerd / gefuseerd (de pijl onderin met daarin data fusie). Gecombineerd met de laatste schatting van de toestand (Figure 3-1 rechtsboven) kan dan een schatting worden gemaakt voor de verkeerscondities op het eerst volgende tijdstip (Figure 3-1 rechtsbeneden) Gegevens van verschillende sensoren (camera’s, inductie lussen, in-car GPS/GSM devices)

verschillen

op

vele

manieren:

technisch

formaat,

communicatieprotocollen maar – zoals al eerder aangestipt – ook in betekenis, geldigheid, betrouwbaarheid, nauwkeurigheid en beschikbaarheid en dat alles vaak als functie van plek en tijdstip.

- 20 -


Verkeer toestand Xk-2 .

Kennis van verkeersdynamica

. .

(a) Start Verkeerstroom condities modellen heuristiek regressie / interpolatie Kunstmatige intelligentie … (c) Toestand schatten

Monitoring systeem (M) met traject en punt detectoren Verkeersnetwerk met monitoring Mk Tijd periode k

Verkeer toestand Xk-1 . . .

Verkeer toestand Xk Tijd periode k

(b) Data fusie

Toepassing 1 Toepassing 2

Toepassing N

Figure 3-1: Schematische weergave van toestand schatten (traffic state estimation) in een verkeersnetwerk. In vele vakgebieden (bijv. robotics, medical diagnosis, image processing, air traffic control, remote sensing en ocean surveillance) is multisensor data fusie de de facto manier om uit de brei van gegevens de onderliggende processen bloot te leggen. In het algemeen leidt dat fusie tot o

toename in het vertrouwen in een systeem: meer sensoren kunnen de geschatte toestand bevestigen

o

toename

nauwkeurigheid:

inconsistente

informatie

kan

worden

gecorrigeerd en vertaald in consistente informatie met een lagere fout o

verminderde ambiguïteit: de combinatie van sensoren

verminderd

het

aantal

mogelijke

informatie uit meerdere hypothesen

over

de

onderliggende processen (bijv. was staat het vast bij lokatie A, B of C of is er een blokkade bij lokatie D?) o

toename robuustheid: het systeem faalt niet als een paar sensoren het tijdelijk niet meer doen

o

toename dekkingsgraad: sommige sensoren werken waar andere dat niet kunnen, bijv: bij een intersecties hebben dubbele inductie lussen (of andere sensoren die snelheid meten) weinig meerwaarde, daar voldoen camera’s of enkele lussen.

o

minder kosten, omdat •

een set van “gemiddelde” sensoren kunnen gezamenlijk dezelfde kwaliteit leveren tegen minder kosten als een kleinere set van zeer geavanceerde meer erg dure sensoren.

- 21 -


•

netwerkbreed kan men waarschijnlijk met minder sensoren af als deze op intelligente wijze worden gecombineerd.

3.3 Een voorbeeld: data fusie en toestand schatten 3.3.1

Het probleem

Stel een tweestrooks snelweg AB (3 km lengte) met halverwege een invoegstrook zoals schematisch weergegeven in Figure 3-2. De verkeersmanager heeft als opdracht AB uit te rusten met een monitoring systeem en vraagt zich af op welke plekken hij op de weg inductie lussen (die elke minuut de gemiddelde snelheid en intensiteit meten) moet plaatsen (op de lokaties 1,2,…,7 in de figuur) of dat hij in moet gaan op een offerte van een bedrijf dat FCD systemen verkoopt, waarbij elk voertuig is uitgerust met een in-car apparaat dat iedere 15 seconden zijn positie en snelheid naar een centraal systeem communiceert die het vervolgens weer beschikbaar

maakt

voor

de

wegbeheerder.

De

verkoper

verzekert

de

verkeersmanager dat hij dat hij – mits de prijs goed is – een dekkingsgraad van X% uitgeruste voertuigen op AB kan garanderen.

Figure 3-2: Tweestrooks snelweg waarvoor een monitoring plan moet worden gemaakt. De gele vakjes indiceren mogelijke lokaties voor inductielussen.

3.3.2

de opdracht

Laten

we

eerst

verkeerscondities

eens er

kijken

wat

er

zich

gereconstrueerd

op

moeten

AB

afspeelt

kunnen

en

worden.

wat

voor

Als

de

verkeersvraag toeneemt op de weg zowel als bij de invoeging zal op een gegeven moment file gaan ontstaan bij de invoegstrook (want de vraag > capaciteit na de invoeging). Figure 3-3 (een x-t diagram met daarin een zgn contourplot van snelheden) geeft aan waar de congestie ontstaat en hoe deze zich ontwikkelt. In de

figuur

geven

donkere

kleuren

lage

snelheden

weer

en

lichtere

vrije

afwikkeling. De vraag is dus: wat voor soort monitoring systeem kan deze condities (file open afbouw) zo goed mogelijk reconstrueren. De keuze opties zijn: 1) wel of geen tellus op de invoegstrook à 12 kE en 3kE/jaar/stuk onderhoud. 2) 0 tot 7 inductielussen à 20 kE per stuk aanschaf en 5kE/jaar/stuk onderhoud 3) X% uitgeruste voertuigen (1% is equivalent met ongeveer 60 voertuigen) à 60 kE/1% en ca 6 kE/1% abonnementskosten per jaar.

- 22 -


Speeds [m/s]

30 3000 25

space (m) →

2500 20 2000 15 1500

10

1000

5

500 1000 1500 2000 2500 3000 3500 4000 4500 5000 time (s) → Figure 3-3: Contourplot snelheden op de tweestrooks snelweg op een doordeweekse dag: rond t=700 s ontstaat file bij de invoegstrook (op x=2300 m), die bijna volledig terugslaat en vanaf t=3300 s weer oplost. Beneden rekenen we nu een aantal scenarios uit waarbij we met een eenvoudig verkeersafwikkelingsmodel de beschikbare metingen uit sensoren integreren, zo nodig fuseren en extrapoleren over het gehele stuk AB. De gebruikte techniek daarbij is het extended Kalman filter (in de referenties staan wat pointers naar gedetailleerdere informatie).

3.3.3

Resultaten van verschillende monitoring systemen

Optie 1: drie invoegstrook

strategisch

geplaatste

lussen

+

tellen

op

de

Stel de wegbeheerder kiest voor uitsluitend inductie lussen en wel op locaties 1, 4 en 7. Bovendien plaatst hij een enkele lus op de invoegstrook om te weten wat de verkeersvraag daar is. Figure 3-4 geeft het resultaat grafisch weer, dwz een beeld van hoe goed we uit deze gegevens de kunnen verkeerscondities reconstrueren. Te zien is dat op basis van deze gegevens het wel mogelijk is de start en initiële ontwikkeling van de file te volgen maar dat vanaf tijdstip 2000 (s) de schatting van de verkeerstoestand slechter wordt

- 23 -


Speeds [m/s] 30

space (m) →

3000

25

2500

20

2000

15

1500

10

1000

5

500 1000 1500 2000 2500 3000 3500 4000 4500 5000 time (s) → Figure 3-4: Contourplot snelheden gereconstrueerd met monitoring “optie 1”.

Optie 2: inductielussen om de 500 meter ( 7 stuks) + tellen op de invoegstrook In dit geval besluit de wegbeheerder op elke beschikbare lokatie (1 t/m 7) een inductielus te plaatsen plus een enkele lus op de invoegstrook. Figure 3-5 laat zien dat in dit geval de reconstructie een stuk nauwkeuriger is; zowel op- als afbouw van de file wordt redelijk gereconstrueerd, zij het dat het model – ten onrechte – ook stroom afwaarts lichte congestie voorspelt

Optie 3: inkopen van gegevens van 5% uitgeruste voertuigen + tellen op de invoegstrook Stel de wegbeheerder kiest ervoor zijn gegevens in te kopen en wordt overtuigd dat 5% uitgeruste voertuigen prima voldoet. Om in elk geval een schatting van de intensiteit op het stuk weg te hebben besluit hij tevens één lusdetector in te zetten op lokatie 7 (aan het begin van de snelweg) en ook de tellus op de invoegstrook te handhaven. De onderstaande figuur geeft het resultaat van het reconstrueren van de verkeerscondities met deze data weer, waarbij we er van uit gaan dat in ieder voertuig dat de weg binnenrijdt een 5% random kans heeft dat ze uitgerust is met FCD. Figure 3-6 laat zien dat deze combinatie een prima reconstructie maakt van de werkelijke verkeerscondities, zowel qua file op- als afbouw. Ook in dit geval is er sprake van – ten onrechte – sprake lichte congestie stroomafwaarts van de bottleneck.

- 24 -


Speeds [m/s] 30 3000 25

space (m) →

2500 20 2000

15

1500

10

1000

5


Speeds [m/s] 30

space (m) →

3000

25

2500

20

2000

15

1500

10

1000

5


- 25 -


Optie 4: inkopen van gegevens van 3% uitgeruste voertuigen + 3 strategisch geplaatste lussen en tellen op de invoegstrook Stel de wegbeheerder kiest voor een combinatie van beide aanpakken: 5% uitgeruste voertuigen (optie 2) en de 3 inductielussen uit optie 1.

Speeds [m/s] 30

space (m) →

3000

25

2500

20

2000

15

1500

10

1000

5

500 1000 1500 2000 2500 3000 3500 4000 4500 5000 time (s) → Figure 3-7: Contourplot snelheden gereconstrueerd met monitoring “optie 4”. Figure 3-7 laat nu zien dat uit deze gegevens de verkeerscondities beter zijn te reconstrueren dan de voorgaande opties, op een klein “dipje” rond t=2200 s na. Rond 3000 s zien we dat – ten onrechte – lichte congestie stroomafwaarts wordt berekend.

Optie 5: inkopen van gegevens van 5% uitgeruste voertuigen + inductielussen om de 500 meter en tellen op de invoegstrook Stel tenslotte dat de wegbeheerder kiest voor de combinatie van optie 2 (lussen om de 500 meter), een tellus op de invoegstrook en ook gegevens van 5% uitgeruste voertuigen. Het resultaat op basis van deze data is te zien in Figure 3-8. In dit geval wordt zowel opbouw als afbouw van de file nagenoeg correct gereconstrueerd, hoewel ook in dit geval– onterecht – stroom afwaarts lichte congestie wordt voorspeld.

- 26 -


Speeds [m/s] 30 3000 25

space (m) →

2500 20 2000

15

1500

10

1000

5


3.3.4

Evaluatie van de resultaten: kosten versus baten

In deze laatste sectie zetten we de vijf opties naast elkaar, waarbij we kijken naar de kosten en baten. We veronderstellen dat hoe nauwkeuriger het systeem de werkelijkheid kan reconstrueren, hoe groter de baten. Als surrogaatmaat voor baten nemen we het percentage verklaarde variantie (R 2 ). Hoe groter R 2 , hoe nauwkeuriger het systeem. Alle

opties

maken

stroomopwaarts.

gebruik

Dit

is

niet

van

tellussen

toevallig,

op

want

de

invoegstrook

zonder

die

en

een

lus

sensoren

kan

de

verkeersvraag niet worden gemeten, die noodzakelijk is om de congestie mbv een model te reconstrueren. Overigens zou de verkeersvraag bij de invoegstrook ook geschat kunnen worden uit lus gegevens boven- en benedenstrooms van de invoeging. Volledig negeren van de invoegstrook levert met elke combinatie van sensoren zeer slechte resultaten op. In de tabel beneden zien we dat optie 3 de meeste baten geeft (R 2 =76%). In deze optie wordt in feite het meten van de verkeersvraag met een tellus op de invoegstrook

en

een

inductielus

stroomopwaarts

gecombineerd

met

FCD

gegevens. Dit blijkt een prima combinatie te zijn. Het is interessant om te zien dat het toevoegen van meer inductielussen (optie 5) behalve kosten niets extras oplevert in termen van kwaliteit. Voor de verkeersmanager is de kernvraag of de meerkosten van optie 3 opwegen tegen de meeropbrengsten t.o.v. opties 2 en 4. Alle drie presteren in de zelfde range, met verschillende combinaties lussen en FCD.

- 27 -


aanschaf (kE)

onderhoud/jr (kE)

R 2 (%)

optie 1 (3, 0%)

72

18

53

optie 2 (7, 0%)

152

38

71

optie 3 (1, 5%)

332

38

76

optie 4 (3, 3%)

252

36

67

optie 4 (7, 5%)

432

68

76

systeem (#lussen, %fcd)

Deze exercitie is niet bedoeld om kwalitatieve uitspraken te doen over een bepaald monitoring systeem – de kostenschattingen zijn fictief en kloppen slechts in ordegrootte. De exercitie is bedoeld om te laten zien dat •

Welk monitoring systeem het meest geschikt is, sterk afhangt van de informatievraag. In dit geval wilden we open afbouw van de file zo nauwkeurig mogelijk reconstrueren. Andere uitgangspunten hadden andere voorkeuren

opgeleverd:

bijvoorbeeld

het

zo

nauwkeurig

mogelijk

reconstrueren van reistijden, het zo snel en accuraat mogelijk detecteren van

incidenten,

of

het

zo

goed

mogelijk

aansturen

van

een

toeritdoseerinstallatie. •

Er zijn (meerdere combinaties van) monitoring systemen mogelijk die “goed” (voldoende nauwkeurig) aan een bepaalde informatievraag kunnen voldoen. Uiteraard zijn er meer criteria die de uiteindelijke keuze bepalen zoals

betrouwbaarheid

robuustheid,

relatie

leveranciers

(volledig

outsourcen of zelf een gedeelte van de monitoring in de hand houden), combinaties

van

informatievragen

(verkeersinformatie,

lokale

regelapplicaties, etc). Tot slot: dit voorbeeld geeft wel een pleidooi voor data fusie: (a) zonder tellen stroomopwaarts en op de invoegstrook, zijn de resultaten van alle opties (FCD en lussen op de hoofdrijbaan) vele malen slechter, en (b) optie 4 liet zien dat de combinatie van weinig lussen en een in andere omstandigheden onvoldoende percentage uitgeruste voertuigen gefuseerd tot prima resultaten leidt.

- 28 -

4 - Referenties

4

Referenties Daganzo, C. F. (1997). Fundamentals of Transportation and Traffic Operations. Oxford, UK, Elsevier Science Ltd. Dailey, D. J., P. Harn, et al. (1996). ITS Data Fusion, Washington State Transportation Commission, Department of Transportation and the U.S. Department of Transportation, Federal Highway Administration: 105. Hoogendoorn, S. P., H. Botma, et al. (2003). Traffic Flow Theory and Simulation. Delft, Delft University of Technology, Faculty of Civil Engineering and Geosciences, Transportation and Planning Section. Schafer, J. L. (1997). Analysis of Incomplete Multivariate Data. London, UK, Chapman and Hall. Skszek, S. L. (2001). State-of-the-Art Report on Non-Traditional Traffic Counting Methods. Phoenix, Arizona, US, Arizona Department of Transportation in cooperation with U.S. Department of Transportation, Federal Highway Administration: 86. Van Lint, J. W. C. (2004). Reliable Travel Time Prediction for Freeways. Delft, TRAIL Research School. Van Lint, J. W. C., S. P. Hoogendoorn, et al. (2005). "Accurate Travel time Prediction with State-Space Neural Networks under Missing Data." Transportation Research Part C: Emerging Technologies. Van Lint, J. W. C. and T. Dijker (2006). Practical methods for estimating freeway speed variance from inductive loops, submitted for presentation and publication. Transportation Research Board Annual Meeting, Washington D.C., The National Academies. Welch, G. and G. Bishop. (2004). "An Introduction to the Kalman Filter." Retrieved Monday, April 5, 2004, from

http://www.cs.unc.edu/~welch/kalman/kalmanIntro.htm . websites: The Regiolab Delft project (http://www.regiolab-delft.nl) EU project DRIVE (http://www.ist-drive.org/index2.html) Traffic Onlie in Berlin, Germany (http://www.trafficonline.de) Traffic information website of the Dutch province of Noord-Brabant: http://actueleverkeersinformatie.brabant.nl The Kalman Filter, nice intro and useful links http://www.cs.unc.edu/~welch/kalman/index.html

- 29 -


Bijlage A

Local traffic sensors overview

Nowadays many alternative local sensors are available. Intrusive sensors are carved in the asphalt / road surface and require a temporary blockage of traffic operations to install and maintain. The most well-known and widely used intrusive sensor is the inductive loop (ILD), which will be presented in more detail in the next subsection. Non-intrusive sensors can be mounted on poles or portals on the side or middle shoulders of roads, so that maintenance does not require elaborate roadworks. Therefore these types of sensors gain increasing popularity with road authorities around the world. Most of the text and the figure below is taken from Skszek (2001). A google search with the terms “traffic” and “detector” will provide many more commercial, institutional (particularly from US DOT’s – Dept’s of Transportation) and research websites, introducing and describing different traffic detector technologies.

Figure 4-1: Overview of traffic sensors (taken from Skszek, 2001)

INTRUSIVE DEVICES Pneumatic Road Tube A pneumatic road tube is a hollow rubber tube placed across the roadway that is used to detect vehicles by the change in air pressure generated when a vehicle tire passes over the tube. A device attached to the road tubes is placed at the roadside to record the change in pressure as a vehicle axle. Axle counts can be

- 30 -

Bijlage A - Local traffic sensors overview

converted to count, speed, and/or classification depending on how the road tube configuration is structured. Piezo-Electric Sensor Piezo-electric sensors are mounted in a groove that is cut into the roadway surface within the traffic lane. The sensors gather data by converting mechanical energy

into

electrical

energy.

Mechanical

deformation

of

the

piezo-electric

material causes a change in the surface charge density of the material so that a change in voltage appears between the electrodes. The amplitude and frequency of the signal is directly proportional to the degree of deformation. When the force of the vehicle axle is removed, the output voltage is of opposite polarity. The change in polarity results in an alternating output voltage. This change in voltage can be used to detect and record vehicle count and classification, weight-inmotion and speed. Inductive Loop An inductive loop is a wire embedded into or under the roadway in roughly a square

configuration.

The

loop

utilizes

the

principle

that

a

magnetic

field

introduced near an electrical conductor causes an electrical current to be induced. In the case of traffic monitoring, a large metal vehicle acts as the magnetic field and the inductive loop as the electrical conductor. A device at the roadside records the signals generated. More detail on these in the next subsection.

NON-INTRUSIVE DEVICES Manual Observation Manual observation involves detection of vehicles with the human eye and hand recording count and/or classification information. Hand-held devices are available for on-site recording of information gathered by one or more individuals observing traffic. Passive and Active Infrared Passive infrared devices detect the presence of vehicles by measuring the infrared energy

radiating

temperature

from

contrast

the to

the

detection

zone.

background

A

vehicle

will

always

environment.

The

infrared

have

a

energy

naturally emanating from the road surface is compared to the energy radiating when a vehicle is present. Since the roadway may generate either more or less radiation than a vehicle, the contrast in heat energy is detected. The possibility of interference with other devices is minimized because the technology is completely passive. Passive infrared detectors are typically mounted directly over the lane of traffic on a gantry, overpass or bridge or alternatively on a pole at the roadside. Active infrared devices emit a laser beam at the road surface and measure the time for the reflected signal to return to the device. When a vehicle moves into the path of the laser beam the time it takes for the signal to return is reduced. The reduction in time indicates the presence of a vehicle. Both active and passive infrared devices can be used to record count, speed, and classification data. Passive Magnetic Passive magnetic devices detect the disruption in the earth’s natural magnetic field caused by the movement of a vehicle through the detection area. In order to - 31 -


detect this change the device must be relatively close to the vehicles. This limits most applications to installation under or on top of the pavement, although some testing has been done with side fire devices in locations where they can be mounted within a few feet of the roadway. Magnetic sensors can be used to collect count, speed, and classification data. Microwave - Doppler/Radar Doppler microwave detection devices transmit a continuous signal of low-energy microwave radiation at a target area on the pavement and then analyze the signal reflected back. The detector registers a change in the frequency of waves occurring when the microwave source and the vehicle are in motion relative to one another. According to the Doppler principle, when a moving object reflects the radar beam emitted from the detector, the frequency of the reflected wave is changed proportionally to the speed of the reflecting object. This allows the device to detect moving vehicles and determine their speed. Radar (radio detecting and ranging) is capable of detecting distant objects and determining their position and speed of movement. With vehicle detection, a device directs high

frequency

radio

waves,

either

a

pulsed,

frequency-modulated

or

phasemodulated signal, at the roadway to determine the time delay of the return signal, thereby calculating the distance to the detected vehicle. Radar devices are capable of sensing the presence of stationary vehicles. They are insensitive to weather and provide day and night operation. The device is placed in a side-fire mount off the shoulder of the roadway. This technology is capable of recording count, speed, and classification data. Ultrasonic and Passive Acoustic Ultrasonic devices emit pulses of ultrasonic sound energy and measure the time for the signal to return to the device. The sound energy hits a passing vehicle and is reflected back to the detection device. The return of the sound energy in less time than the normal road surface background is used to indicate the presence of a vehicle. Ultrasonic sensors are generally placed over the lane of traffic to be monitored. Passive acoustic devices utilize sound waves in a somewhat different manner. These systems consist of a series of microphones aimed at the traffic stream. The device detects the sound from a vehicle passing through the detection zone. It then compares the sound to a set of sonic signatures preprogrammed to identify various classes of vehicles. The primary source of sound is the noise generated by the contact between the tire and road surface. These devices are best used in a side fire position, pointed at the tire track in a lane of traffic to collect count, speed, and classification data. Video Image Detection Video image detection devices use a microprocessor to analyze the video image input from a camera. Two techniques, trip line and tracking, are used to record traffic data. Trip line techniques monitor specific zones on the roadway to detect the presence of a vehicle. Video tracking techniques employ algorithms to identify and track vehicles as they pass through the field of view. Different manufacturers technology may employ one or both of these techniques. Optimal mounting position for video image detectors is directly over the lane(s) to be monitored

- 32 -

Bijlage A - Local traffic sensors overview

with an unobstructed view of traffic. Side mounting is feasible but large vehicles may obstruct detection zones. The mounting height is related to the desired lane coverage, usually 35 to 60 feet above the roadway. Video detection devices are capable of recording count, speed, and classification data.

- 33 -


Bijlage B Checken gegevens

en

corrigeren

van

ruwe

Data from most kinds of traffic sensors are – almost per definition – noisy, faulty, and to a degree unreliable or even completely missing. For example, on average 15% of the inductive loops of the Dutch freeway monitoring system (MONICA) may be out of operation or producing unreliable measurements. The latter is illustrated with the results of a small field-test on the detection quality of one of the inductive loops along the A13 southbound freeway between The Hague and Rotterdam (the Netherlands). In this test one hour of minute-aggregate flow counts from this detector are compared against observations made with video camera’s. Figure 4-2 shows a histogram of the relative errors 3 the detector makes during a one hour period in the afternoon. For this (small) data set (65 observations) a mean relative error of 5.9% with standard deviation of 10.4% is recorded, which roughly indicates4 that in 95% of the cases one (plus or minus 4) out of twenty cars is either missed by the detector or conversely, counted double. A similar test on another loop detector along the same route yielded similar results.

12

frequency →

10 8 6 4 2 0 -20

-10

0 10 relative error →

20

30

Figure 4-2: histogram of relative miscount errors at a local sensor. The data are obtained from an inductive loop detector at the three-lane southbound stretch of the a13 highway between the Hague and Rotterdam It will be no surprise that many ITS systems, for example a system which calculates queue lengths based on flowcounts from inductive loops, do not handle such data corruption very well. In most cases garbage in implies garbage out (the

3 The relative error here equals

no. observed - no. detected × 100[%] no. observed

4 assuming the relative errors are normally distributed!

- 34 -

Bijlage B - Checken en corrigeren van ruwe gegevens

GIGA principle). The aim of checking and correcting raw data from traffic sensors is hence to provide for a "graceful degradation" of performance of ITS in case of increasing amounts of missing or corrupted data. In principle, data checking and correcting encompasses the following steps: 1. Data Checking: before possible problems (e.g. missing data) can be adequately tackled, they need to be detected first. 2. Data Completion: filling the possible gaps in the data with reasonable replacements 3. Data Correction: recheck the now complete data set for validity and consistency and replace / adjust data if required In this section we deal with the last two points, that is, and assume it is known that a certain datum is either missing or unreliable / inconsistent. In case of the MONICA detection system, this is indeed the case, but this does not mean that data checking is trivial!

4.1 Definition and classification of data failure Definition Data failure is the occurrence of unreliable or missing data from a stream of data coming from a traffic sensor. This happens when a sensor produces data that is (either by the modeler or the device itself) dubbed unreliable, or when it produces no data at all. In the ensuing we interchangeably use the terms data failure and detector (or sensor) failure, both adhering to the definition above. space

space

space

time

(a) incidental failure

time

(b) structural failure

time

(c) intrinsic failure

Figure 4-3: Classification of data failure (i.e. missing or unreliable data from traffic detectors). In practice of course, a mixture of all types of data failure occurs We propose a classification of input failure as presented in Figure 4-3. Note that in practice all three types may occur simultaneously. The first type of detection failure (Figure 4-3a - Incidental (random) failures) occurs due to, for example, temporary power or communication failures in the monitoring system. The second type (Figure 4-3b - Structural failures) occurs mainly due to physical damage or maintenance backlogs to sensor or communication equipment. Note that the distinction

presented

here may

not be as

crisp in

practice,

the proposed

distinction between incidental and structural failure expresses two extreme configurations of data failure that can be expected in practice. A third type of

- 35 -


failure (Figure 4-3c - Intrinsic failure), measurement noise and bias, is inherent to detection devices and averaging measurements over time in general. An example of the latter type of data failure, which was discussed already above, is the fact that some local sensors (e.g. inductive loops) the arithmetic time mean speed per measurement period is calculated, yielding a biased estimate of the space mean speed (the mean speed on a particular section). Other known sources of intrinsic data corruption are miscounts, double counts or false counts of vehicles, device calibration errors, round off errors, etc.

4.2 Techniques for dealing with data corruption 4.2.1

Simple imputation (replacement) techniques

In practice the most commonly used approach to remedy input-failure is "simple" imputation (to impute=to assign a value). Simple here depicts substituting missing values with sensible ad-hoc replacements, such as regression forecasts or the sample mean or simply the last known value. Schafer (1997) shows that simple imputation schemes tend to change the covariance structure of the inputdata and may induce bias: o

Replacing

missing

values

with

the

average

of

say

the

past

N

measurements biases the variance of the series of measurements to zero, especially with large amounts of missing data. This is misleading since that would give the (wrong) impression that the measurements are very stable and reliable. o

Replacing missing values with regression forecasts (based on say the N last measurements) inflates correlations in the measurement series. This is also misleading and would give the (wrong) impression that the measurements are more predictable than they really are.

Therefore, Schafer proposes EM and Markov Chain Monte Carlo based approaches that

account

for

the

missing

values,

and

the

uncertainty

they

inherently

introduce. Nonetheless, also these approaches have their disadvantages: o

they are much more elaborate to implement and compute than simple methods

o

Traffic data from sensors have very different statistical properties than the multivariate data from for example medical records or customer surveys which Schafer and many other authors describing the same methods use: o

Data from sensors (speeds, flows) show strong correlations over time and space – they are the result of complex spatiotemporal traffic processes

o

Data from sensors are usually not just randomly missing (which is the assumption in Schafer, 1997); in many cases detector failure is structural.

The thing to remember here is that I.

there exist principled and mathematically sound methods to deal with missing data (try a search on the internet or in a library with keywords

- 36 -


“missing data”), but these do not automatically apply to data from traffic sensors. II.

there exist simple methods but these tend to seriously change the statistical properties of the data and result to misleadingly “clean data”. In many practical applications, however, this may not be a serious problem and preferable over not doing anything at all.

Below follow two examples of simple imputation schemes:

Interpolation (offline use – see Figure 4-4) Suppose a historical database is available from measurements along the route of interest. Each record in this database contains measurements (e.g. speeds, flows) from consecutive detectors d ∈ {1, …, D} along the route at a certain departure time period p ∈ {1, …, P}. Each period p has a length of T units time (e.g. seconds or minutes). Let us denote such a measurement (either speed or flow) by U(d,p) and detector locations by x d . In this case an interpolation routine over time and space is applied to fill in gaps caused by data which is either completely missing or dubbed unreliable by the traffic data collection system. The routine works as follows. Given a measurement U(d,p) is missing, we can apply in the spatial direction

⎧ U ( da , p ) d =1 ⎪ xd ⎪ U space ( d , p ) = ⎨U ( d − 1, p ) + U ( da , p ) 1 < d < D − x xd −1 da ⎪ ⎪ U ( d − 1, p ) d=D ⎩

(3-5)

In which d a is the first available downstream detector in time period p. In the time direction we do the same thing, that is

⎧ U ( d , pa ) p =1 ⎪ T ⎪ U time ( d , p ) = ⎨U ( d , p − 1) + U ( d , pa ) 1 < p < P − p ( p − 1) a ⎪ ⎪ U ( d , p − 1) p=P ⎩

(3-6)

In which p a is the first available time period during which data became available on detector d. The gap is now filled with the minimum of both interpolates (implying the maximum constraint on both traffic throughput (in case of flow measurements) and mean speed (in case of speed measurements)), that is

U * ( d , p ) = min ⎡⎣U space ( d , p ) ,U time ( d , p ) ⎤⎦

(3-7)

Interpolation and smoothing (online use) Since in an online situation, time interpolation is not possible, the above procedure is adapted in the following way. Instead of interpolating over time periods, now an exponential filter is applied instead of eqn (3-6):

i ( d , p + 1) U time ( d , p + 1) = U

(3-8)

In which

(

i ( d , p + 1) = U i (d, p) + α U (d, p) −U i (d, p) U

- 37 -

)


is an exponential forecast, with the smoothing parameter α∈ [0,1] typically set to 0.3. Other than this, the algorithm is the same as in the off line situation, that is, equations(3-5), (3-8) and (3-7) are used consecutively to correct for missing data.

space

M M

Missing value

M

M M

M

M

M

M M

time space

time Legend

interpolation over space

interpolation over time

Figure 4-4: interpolation over space and time to correct missing values (offline!)

4.2.2

Model-based imputation

A (at least theoretically) better imputation method is to use a traffic model, which by means of for example a Kalman Filter is continuously kept in sync with the latest sensor measurements. The idea is as follows:

- 38 -


A - Preparation 1.

Depending on model used one needs on beforehand: a. a network model (nodes, links, etc) b. OD matrices, turn/splitfractions, traffic mix, all determining traffic demand – these may (partially) be derived from sensors c.

Geometrical and functional details on the traffic network / road stretch determining the supply characteristics of all nodes and links (e.g. capacities, possible ITS applied)

B - Warmup 2.

Use available sensor measurements from some period ago as start-up conditions for a traffic flow model (could be anything from simple first oprder to detailed microsimulation model).

3.

Run the model until the last available time period k. Usually timesteps t in traffic flow models are in the order of seconds, while time periods k in monitoring systems are in the order of minutes. Each model time period t a measurement

became

available

adjust

the

models’

state

(e.g.

in

a

macroscopic model densities and speeds – see previous chapter) by means of a Kalman Filter (or comparable algorithm). After enough time periods the model should be “in sync” with the real traffic system. C - Operation 4.

Run the model until a new set of sensor measurements (at period k+1) is available. Apply the Kalman Filter.

5.

If sensor measurements are missing, replace these with values calculated by the traffic flow model

6.

go to 4

Figure 4-5 shows this procedure schematically.

- 39 -


(a)

space

Missing value

space

M

(b)

M

Initial conditions for traffic flow model

M

M

time space

(c)

time space

predict traffic for one measurement period (typically 60 seconds)

(d)

Fill in the gaps with (Kalman filtered) model predictions

time Figure 4-5: replacing missing values with a traffic flow model

4.2.3

Discussion

Obviously, a model-based data replacement methodology is much more complex than a simple imputation scheme and requires more expertise in preparation, operation and maintenance. This is why in most monitoring systems this sort of data cleaning procedures are not employed. Even more so, in many cases no data checking, correction or completion algorithms are implemented at all and data is disseminated as is. In for example the MONiCA system a data checking procedure is incorporated which flags measurements as reliable or unreliable and leaves missing data simply blank or – if requested – replaces these with a value of -1. This way missing data can be easily recognized by a system using MONiCA data, which can adopt its own data correction and completion algorithms, On the one hand this is advantageous since it keeps MONiCA “lean” and easier to maintain. On the other hand this means that most applications using MONiCA, such as the DRIP 5 systems all need to implement their own algorithms with as a consequence:

5

Dynamic Route Information Panel.

- 40 -

time


o

a wide variety in such data correction algorithms each of different quality since not all system manufacturers have the required expertise

o

sometimes unpredictable behavior of some of the systems in case changes are made within MONiCA. Failure in MONiCA dependent systems (such as the DRIP systems) are more likely due to faults in data handling (at the systems input) than in flaws of the actual system (e.g. a travel time prediction algorithm)

- 41 -


Bijlage C

Reistijden schatten uit lusgegevens

Deze bijlage is een bewerking van het artikel Van Lint, J. W. C. and N. J. Van der Zijpp (2003). "Improving a Travel Time Estimation Algorithm by Using Dual Loop Detectors." Transportation research Record 1855: 41-48.

Definition Travel time estimation is calculating (mean) travel times of realized trips based on known speeds, flows, travel times or any other quantity mathematically related

to

travel

time.

Thes

“known”

conditions may

be

either

measured,

estimated or even predicted themselves Put simply, travel time estimation is reconstructing travel times from (other) traffic data.

In this section we focus on travel time estimation from local data

such as speeds and flows from inductive loops (ILDs) present two approaches, of which the first only briefly: 1. Travel time estimation from flows a. Cumulative curves b. Platoon recognition c.

Vehicle conservation (mass balance)

2. Travel time estimation from speeds (trajectory methods) a. Using piece wise constant speeds b. Using piece-wise linear speeds

4.3 Overview of estimation travel times from flows Traffic flow measurements may be used in three ways.

4.3.1

Cumulative curves

The most straightforward method of deriving travel times from flows is by cumulative curves. Assume a road section enclosed by detectors counting vehicles at locations A and B. On both locations we keep track of the cumulative count of vehicles N A (t) and N B (t) respectively from some time period t 0 onwards. At the start of t 0 road section AB must be completely empty. If FIFO (first in first out) applies then the travel time 0f the nth vehicle equals

TTn = N B−1 ( n ) − N A−1 ( n )

(3-9)

where N A -1 (t) and N B -1 (t) are the inverse cumulative flow functions, which simply map a vehicle n to its passage time at a location. Figure 4-6 shows the idea. Given FIFO conditions, eqn (3-9) is exact, that is, it returns the actual travel time of vehicle n with a 0% error! But even if FIFO does not apply (since vehicles may overtake one another), one could interpret n as the n th vehicle in the flow moving from A to B. Certainly when averaging over more vehicles, the resulting travel time estimates are still very accurate.

- 42 -

Bijlage C - Reistijden schatten uit lusgegevens

When both curves are thought as continuous curves then the total time vehicles have spent on section AB equals the integral of the difference between the two curves: t1

TTS = ∫ ⎡⎣ N B ( t ) − N A ( t ) ⎤⎦ dt

(3-10)

t0

Dividing eqn (3-10) by the number of vehicles entering AB during this time period then yields an estimate for the mean travel time

TT =

TTS N A ( t1 ) − N A ( t0 )

(3-11)

There is one major drawback of using cumulative curves for practical applications. They require 100% accurate counting of ALL vehicles between two locations including flows at any egress and exit locations for as long as the application runs. Such comprehensive coverage is seldom the case. Moreover, sensors usually make mistakes in counting vehicles. Section Bijlage A illustrated that the average amount of faulty data (miscounts, double counts, etc) in the inductive loop based Dutch monitoring system MONiCA is 12% with regular extremes up to 25-30%. On average 1 out of 8 measurements is wrong or missing completely.

N

travel time of nth vehicle (veh) from A to B equals

τ n (t * ) = t ** − t *

NA(t)

freeflow travel time τ free

Cumulative curves at locations A and B

NB(t)

nth vehicle

t0

t*

t **

time

Figure 4-6: cumulative curves

4.3.2

Platoon recognition

This method depends on platoons propagating undisturbed through a corridor. A platoon consists of a group of vehicles driving close together. The behavioral mechanism that is responsible for the forming of platoons also keeps them together for several kilometers. At a detection point, a platoon is observed as a peak in the time series of observed traffic flows (see Figure 4-7). The method of estimating travel time by tracking platoons is dependent on the presence of platoons and therefore generates a number of isolated travel time observations rather then a continuous stream of observations. Moreover, no observations will be available if traffic is congested or if traffic volumes are low (in the latter case one may assume free flow travel time).

- 43 -

A

TTAB= t1 - t0

Q [veh/t]

Q [veh/t]


B

t0

t1

Figure 4-7: Platoon recognition

4.3.3

Conservation of vehicles (mass balance)

The third way in which time series of traffic flow observations can be used to estimate travel times is to apply the conservation of vehicle property and to assume that if less vehicles leave a section than arrive, vehicles accumulate in the section and are delayed. Figure 4-8 outlines this method.

Keep track of the number of vehicles on a section k: Make some assumption on the Capacity:

N kin (t )

N k (t )

Ck

N kout (t )

N k (t )

N k (t ) = N k (t − 1) + N kin (t ) − N kout (t ) TTk (t ) = TTk freeflow +

N k (t ) Ck

Figure 4-8: the mass balance method Also this method is very sensitive to miscounts, although the mass balance equation allows for a simpler “reset” than the cumulative curve method. Since the method requires an assumption on the outflow capacity of a section, the method is not readily usable in the same way on different sections and may require recalibration.

4.4 Other travel time estimation techniques If the available data support none of the above described methods it becomes necessary to rely more heavily on modeling assumptions. For example the fundamental diagram describes a relation between flow and speed that may be exploited to make rough estimates of section level travel times if only aggregate observations of flow are available. At a more detailed level one may formulate and solve a set of differential equations based on a macroscopic flow model. If this flow model is of the Lighthill-Whitham-Richards class of models (Lighthill et al, 1955), meaning that expected velocity can be described as a function of the

- 44 -


local density, it suffices to compute the propagation of the shockwaves. A recent contribution (C) uses a triangular fundamental diagram (speed-flow relationship) as an alternative to generalizing local speeds to an entire section. In this context the approach presented in that paper also fits in the class of trajectory methods. Finally, at an even more abstract level one may apply classical assignment models. These models not only apply aggregate relationships between flow and travel time, but also exploit the equilibrium properties of the traffic system, by requiring that the travel times on different (used) routes are in equilibrium. The value of the different techniques mentioned above is in the fact that they can be applied independent from each other to a great extent. By combining different, independent methods, the end result becomes more accurate and robust. As mentioned in the introduction, this paper will concentrate on the class of trajectory methods. The next sections first present speed-based section level travel time estimation, which is the fundamental building block of the trajectory method. Next, we present the general framework of the trajectory method, and show how both methods piece-wise constant and piecewise linear speeds can be implemented.

4.5 Speed-based Estimation

Section

Level

Travel

Time

Speed-based section level travel time estimation is the basic component of the trajectory method. The experienced travel time on section k ranging over [x 0 , x 1 ] is defined as the time needed for a vehicle i to traverse that particular section (Figure 4-9). The speed v(x,t) of such an imaginary vehicle at a particular point {x,t} depicts the steepness of its trajectory . In practice, we have no knowledge of the ‘true’ v(x,t), other then the observed speeds at fixed locations averaged over fixed intervals. The two methods we will describe in the next sections differ primarily in how they generalize these local time averaged measured speeds to the remainder of the road section.

Period p

Period p+1

Trajectory

space * x1 = xikp +1

Section k

* xikp

v(x,t)

x0 = xi0

0 TTk (tikp )

0 t ikp

* 0 t1 = tikp = tikp +1

- 45 -

* t ikp +1

t2

time


Figure 4-9: Example trajectory through space-time cells {k, p} and {k, p+1}. All speedbased travel-time estimation techniques aim to reconstruct imaginary vehicle trajectories by generalizing local measured speeds (e.g. at loopdetectors) over space, and hence calculate travel time. In the figure above speeds are conceived constant over each cell {k, p}.

4.5.1 Section Level Travel Time Constant Speeds

Estimators Based On

The trajectory of an individual vehicle i driving at section k during period p at constant speed V(k,p) is described by: 0 0 xi (t ) = V (k , p ).(t − tikp ) + xikp

(3-12)

0 0 where ( xikp , tikp ) is the initial point of vehicle i's trajectory in the cell {k, p}. This

equation allows one to compute at what time the end of the section is reached or which position is reached at the end of period p, whatever comes first (we refer to * * equation (3-18) for the exact formula). We denote this point by ( xikp , tikp ) . As such,

equation (3-12) forms a basic building block of what we will refer to as the Piecewise Constant Speed Based (PCSB) trajectory method. If we want to obtain unbiased estimates of travel time using the PCSB trajectory method, we need to be aware of the fact that the speed of individual vehicles may fluctuate

and

that

different

drivers

maintain

different

speeds.

Most

speed

detection systems record time-mean speeds at fixed locations, averaged over fixed time intervals (and hence multiple vehicles). These recorded speeds are not necessarily the ones that one would like to substitute in eqn (3-12) when one aims at computing the mean travel time over a larger group of vehicles. In (Thijs et al, 1999), (Lindveld et al, 2000), (Van der Zijp et al, 1999), the speed that is substituted in eqn (3-12) is given by:

⎛ ⎞ 1 1 ⎟ V (k , p ) = 2⎜⎜ + ⎟ V d p V d + p ( , ) ( 1 , ) TMS ⎝ TMS ⎠

−1

(3-13)

in which section k is considered enclosed between detectors d and d+1, and V TMS (d,p) equals the time mean speed observed at detector d during period k. Substituting this value is equivalent to assuming that each vehicle maintains speed V TMS (d,p) up to the middle of the section and maintains speed V TMS (d,p) for the other half of the section. As demonstrated earlier, the assumption that arithmetic time mean and space mean speed are equal causes a significant bias, deteriorating travel time estimation performance. Fortunately, provided that we collect local speed variances (or may be able to estimate them), there also exists an analytical relationship 6 between the local arithmetic time mean speed and space mean speed, which is used in (Lindveld, 1999) to correct for this bias: * VSMS =

6

2 2 VTMS + VTMS − 4σ TMS 2

with σ TMS < 2

1 4

2

VTMS

(3-14)

Equation (3-14) holds exactly if speed probability density functions in both space (section) and

time (location) are symmetrical; otherwise it must be considered an approximation

- 46 -


Where

2 σ TMS

denotes the estimated or observed speed variance. More recent

research (Van Lint & Dijker, 2006 – see references in section 4) shows that counter-intuitively

2 2 σ TMS ≤ σ SMS ,

and that the correction of eqn (3-14) still yields

biased results. Nonethless, the arithmetic time mean speed will always be equal or larger then the space mean speed. Usage of the arithmetic mean hence leads to underestimating travel times. A last issue that is worth mentioning in this context, is that not all speed detection systems based on inductive loops are accurate over the full applicable speed range. Especially at low vehicle speeds and stop an go traffic it is not always possible to get accurate and representative read outs of mean vehicle speeds from these detectors. In these cases better results are obtained if speeds are extrapolated based on observed flows using a speed-flow relationship, see (Lindveld, 1999). The same applies if the speed and speed variance cause approximation (3-14) to be out of its applicable range, notably if σ TMS > 12 VTMS In sum, section level travel times can be estimated fairly accurately using the assumption of constant speeds, given that we use (or at least approximate) the harmonic time mean speed at detector locations instead of the arithmetic time mean. Calculating section travel time with the latter leads to a significant bias (an underestimation), especially when speed variances are high, which is for instance the case when congestion sets in or dissolves. Unfortunately, just in those situations accurate travel time estimates are most valuable.

4.5.2 Section Level Travel Time Estimators Based On a Linear function of Speed Travel time estimators presented in the previous section used at path-level result in piece-wise linear trajectories. Vehicles are thought to instantaneously change their driving speed once entered a new section. In reality, this transition will occur in a more smoothed fashion: vehicles are likely to anticipate to slower or faster speed regimes downstream and gradually adapt their speeds to it. We propose to relax the notion of constant speeds, and consider the speed v i (t) of a vehicle i traversing a section between detector locations d and d+1 as a function of the distance of that vehicle to these up- and downstream detectors at x d and x d+1 we obtain:

vi (t ) = V (d , p ) +

xi (t ) − xd (V (d + 1, p) − V (d , p) ) xd +1 − xd

(3-15)

Let x 0 ikp again denote the entry location of a vehicle i in section k [x d , x d+1 ] at entry time t 0 ikp such that

⎧ x 0 , t 0 = t0 0 xi (tikp ) = ⎨ ikp ikp0 ⎩ x0 , ti > t0

(3-16)

where

xd ≤ xi (t ) ≤ x d +1 Note that speed in eqn (3-15) is in fact a convex combination of local speeds, implying that we still generalize local speeds over space, and hence that we still need to correct for space-mean speed to avoid the bias mentioned in the previous

- 47 -


section. Equation (3-15) is an ordinary differential equation, for which the solution reads: 0 V (d , p ) A⋅( t − tikp ) 0 + xikp − xd ) ⋅ ( e − 1) A V ( d + 1, p ) − V ( d , p ) A= xd +1 − xd

0 xi (t ) = xikp +(

(3-17)

given constraints (3-16). In the limit that A→0 (i.e. V(d,p) = V(d+1,p)), expression (3-17) reduces to equation (3-12), which is the trajectory of a vehicle traveling at constant speed V(k,p)=V(d,p). Equations (3-15) to (3-17) are the basic building blocks of what we will refer to as the Piecewise Linear Speed Based (PLSB) trajectory method.

4.6 Path Level Travel trajectory method 4.6.1

Time

Estimation

with

The

General Framework of the Trajectory Method

In the introduction we roughly outlined the trajectory method; in this section we will present it in detail. The objective of the trajectory method is to estimate travel times along a path of adjacent sections by means of reconstructing imaginary vehicle trajectories. Let us assume that each section has detectors measuring vehicle speeds at the up-and downstream edge respectively. Let us also assume that these detectors produce harmonic time averaged speeds 7 for each measurement period p. Finally, let us define our path consisting of K adjacent sections, for which we have detector measurements. In an off-line situation the data provided by these detectors comprise a space time grid of regions {k,p}, k∈[1, …, K], and p∈[1, …, P], see Figure 4-10. As noted before, in this space-time grid, we only know prevailing local speeds of the detectors at the up- and downstream edges of each region for each measurement period p. Now let us suppose imaginary vehicles traverse this grid, starting at section 1 (x=0) each r time-steps. The trajectory method requires a space-time grid with rectangular regions {k,p}.

Space (x)

K Each region has upand downstream detectors producing time-averaged speeds each period p

{k,p}

k

1 p

1

P

Time (t)

Figure 4-10: Trajectory methods require a space-time grid of regions {k,p}, which are enclosed between up- and downstream detectors and have (duration) length p.

7

see previous section

- 48 -


The headway r between consecutive vehicles at the starting points is usually referred to as the resolution of the trajectory method. For ease of notation let us define each region {k,p} as a rectangular area in space-time with bottom left corner {x 0 ,t 0 } and top-right corner {x 1 ,t 1 }. The trajectory algorithm for a single vehicle trajectory can now be schematically presented as follows: Clearly, all we require to add points to the individual trajectories is the location in space time where they exit their current region {k,p}, which is emphasized by the grey box in Figure 4-11. This exit-point determines in turn the entry-point of the vehicle in the next region, and allows us to deduce path-level vehicle trajectories, and hence path travel times. The grey box (left center) in Figure 4-11, is the only part of the algorithm that we need to adapt to apply piece-wise linear, instead of piece-wise constant speeds.

4.6.2 Trajectory method based on Piece-Wise Constant Speeds Based on the findings in “Section Level Travel Time Estimators Based On Constant Speeds”, the exit location x * ikp and exit time t * ikp of vehicle i can now be calculated as follows: 0 ⎧ ⎧⎪ ( x1 − xikp ) 0 ⎫⎪ 0 0 x + tikp ⎬ , V ( k , p ) ⋅ (t1 − tikp > x1 , ) + xikp ⎪ ⎨ 1 * * V (k , p) {xikp , tikp } = ⎨ ⎪⎩ ⎪⎭ ⎪ 0 0 otherwise ⎩{V ( k , p ) ⋅ (t1 − tikp ) + xikp , t1},

(3-18)

Equation (3-18) simply states that a vehicle i exits region {k, p} either on the vertical edge where t=t 1 or on the horizontal edge where x=x 1 . Note that V(k,p) is considered the constant speed on section k, and is calculated in our case with equation (3-14).

4.6.3 Trajectory Speeds

method

based

on

Piece-Wise

Linear

Based on the findings in “Section Level Travel Time Estimators Based On a Linear function of Speed”, the exit location x * ikp and exit time t * ikp of vehicle i can be calculated in a similar fashion as in equation (3-18). Recall that we consider the speed on section k a convex combination of the time average speeds at up- and downstream detectors, denoted by V(d,p) and V(d+1,p) respectively. Again we have applied (3-14) on the local speeds. We first evaluate the condition:

(

)

0 ⎛ V (d , p) ⎞ xi0 + ⎜ + xi0 − x0 ⎟ ⋅ e A( t1 − ti ) − 1 > x1 ⎝ A ⎠

(3-19)

and consequently calculate the exit location and time with

⎧ ⎪ ⎪ {x , t } = ⎪⎨ ⎪ ⎪ x ⎪⎩ *

*

i

i

{

⎧ ⎛ V (d , p) + x − x ⎞ ⎫ ⎟⎪ 1 ⎜ ⎪ A ⎨ x , t + ln ⎜ V ( d , p ) ⎟⎬ , A ⎪ + x − x ⎟⎪ ⎜ ⎩ ⎝ A ⎠⎭ 1

0

0

1

condition holds

i

(3-20)

0

i

0 i

⎛ V (d , p) + x − x ⎝ A

+⎜

0

i

0

(

⎞⋅ e ⎟ ⎠

with

A >0 - 49 -

0

0

A⋅ ( t1 − t i )

)

}

− 1 , t1 ,

otherwise


Care must be taken with A values close to zero. This could lead to numerical problems. In practice this applies when the upstream and downstream observed speeds are nearly equal. Note that in these cases the assumption of piecewise constant speeds is justified, and hence equations (3-18) may be used instead.

4.7 Numerical tests This

section

presents

the

results

of

a

numerical

comparison

between

the

trajectory method based on piecewise constant speeds and the newly proposed trajectory method based on piecewise linear speeds. Three types of experiments have been performed. In the first experiment stationary traffic conditions are assumed. The second shows results for single trajectories in non-stationary conditions. The last experiment consists of a series of tests that are based on simulated data.

4.7.1 The

Example: Stationary traffic conditions first

experiment

is

intended

as

an

illustration

of

the

methodological

differences between piecewise constant speed based method and the piecewise linear speed based method. In this example, it has been assumed that traffic conditions are stationary, in other words the observed speeds depend on the location of the detector but not on time. Note that these assumptions correspond to the implicit assumptions that are applied if one computes the instantaneous travel time, as explained in the introduction. Assuming that each link is centered on a detector, the assumption of piecewise constant speeds is illustrated with the dotted line in Figure 4-12 (bottom), while the assumption of piecewise linear speeds is illustrated with the closed line. The corresponding vehicle trajectories, for different times of departure, are produced by integrating the speed curves over time and are plotted in the top half of the figure. In this simple case the difference between the two methods is clear: the assumption of piecewise linear speeds leads to lower estimates of travel times then those that result when piecewise constant travel times are assumed.

- 50 -


Start vehicle i; set k (usually first section), and p (depends on resolution), and consequently set {xi0, ti0}

{xi0, ti0} = {xi*, ti*}

Vehicle i enters region {k, p} at location {xi0, ti0}

Calculate exit-point {xi*, ti*} (with use of section level travel time estimation !!!)

False True

xi* = x1

k>K

k=k+1

True

False True

ti* = t1

False p>P

p=p+1

True End of trajectory of vehicle i; record its departure time and path travel time…

Figure 4-11: schematic representation of a trajectory method; different section level travel time estimators can be plugged in the framework easily (grey box left center in the schema). corresponding trajectories 150 time [sec]

Curved trajectories 100 linear trajectories 50 0 assumed speeds 120 speed [km/h]

100

piecewise linear speeds

80 60

piecewise constant speeds

40 20 0

0

500

1000

1500 distance [m]

2000

2500

3000

Figure 4-12: linear versus curved trajectories in the stationary case

- 51 -


4.7.2

Example: Non-stationary traffic conditions

The second experiment is intended to illustrate the methodological differences between the methods in non-stationary traffic conditions, and to provide insight in how both methods are used in practice. Figure 4-13 shows two trajectories calculated with the Piece-wise Constant and Piece-wise linear trajectory method according to the scheme presented in Figure 4-11. Note that in Figure 4-13 time is presented as a function of space (and not vice versa)! Figure 4-13 (left) clearly shows how the new PLSB method (solid line) results in smoother trajectories than the PCSB method (dotted line). Again the PCSB method yields larger travel time estimates than the PCSB method. Example calculation of trajectories in seconds.

PCSB trajectories [dotted] versus PLSB trajectories [solid] 9

D

8

time → [minutes]

7

B

6 5

E 4

A

C

3 2 1 0 0120

PCSB (dotted) PLSB (solid) space [m] time [s ] action space [m] Time [s ] action 0 0 exit section 0 0 exit section 120 4 exit section 120 4 exit section 800 29 exit section 800 29 exit section 1450 53 exit section 1450 53 exit section 1634 60 exit period 1636 60 exit period 1925 (A) 71 exit section 1925 (A) 70 exit section 2640 96 exit section 2640 96 exit section 3323 120 exit period 3327 120 exit period 3555 129 exit section 3555 129 exit section 4065 167 exit section 4065 161 exit section 4189 180 exit period 4236 180 exit period 4540 216 exit section 4540 209 exit section 4730 240 exit period 4790 240 exit period 5167 300 exit period 5226 300 exit period 5305 323 exit section 5305 313 exit section 5534 (B) 360 exit period 5788 (C) 360 exit period 6245 419 exit section 6245 383 exit section 6277 420 exit period 6735 402 exit section 6735 438 exit section 7228 420 exit period 7255

800

1450 1925

2640

3555 4065 4540

5305

(D) 458

exit section

7255

(E) 421 exit section

6245 6735 7255

location of loops → [metres]

N.B. (A) refers to location A in figure to the left

Figure 4-13: Example of PCBS and PLSB trajectory method for one single trajectory in non-stationary traffic conditions. Note that the figure shows time as a function of space! The table on the right shows the exit points calculated for both trajectories. In the accompanying table (Figure 4-13 - right) a listing is given of the results of the calculation of both trajectories. Columns four and five show the exit locations and times calculated for the Piece-wise Linear Speed-Based trajectory method. For each step first the A parameter is calculated with (3-17), and consequently the exit time of the vehicle is calculated according to equation (3-20). As an example exit point C (PLSB trajectory) is calculated as follows:

A=

25.0 − 6.11 = 0.0201; condition (3-19) holds 6245 − 5305

⎧ ⎫ ⎛ 6.11 ⎞ ⇒ {x , t } = ⎨5305 + ⎜ + 5305 − 5305 ⎟ ⋅ ( e0.0201⋅(360− 313) − 1) ,360 ⎬ ⎝ 0.0201 ⎠ ⎩ ⎭ *

*

i

i

Note that the values above are rounded off for ease of reading. The right-most column in the table in Figure 4-13 provides information whether the trajectory exits the section or the time-period. Columns one to three present the same results for the Piece-wise Const Speed-Based trajectory method, utilizing equation (3-18).

- 52 -


4.7.3

Evaluation: experiment based on synthetic data

The new method has been evaluated in a series of experiments based on simulated data. These data have been generated using the microscopic traffic simulation model FOSIM 8. From these simulated data, harmonic time mean speeds at a number of artificial detector locations and experienced travel times have been

derived

during

5

independent

runs.

The

network

has

been

specified

matching the southbound stretch of the A13 motorway between Delft and Rotterdam (the Netherlands). This stretch contains four on-ramps and four offramps, and two weaving sections. The corridor has a total length of 7,3 km and consists of 12 adjacent sections, each equipped with two detectors, measuring 1 minute aggregate flows (veh/min) and one-minute (harmonic) averaged speeds (km/h). The sections have lengths varying from 400 to 800 meters. Five (different) seven-hour simulation runs have been used to compile all the data, totaling in 2085 records. For each simulation run, the traffic demand patterns and the random seed generator has been different, resulting in different but realistic travel time patterns. Route travel time: PCSB (dotted) and PLSB (solid) Estimation vs. Experienced (thick grey) 1000 travel time (secs)

800 600 400 200 0

0

50

100

150

0

50

100

150

200

250

300

350

400

estimation error (secs)

400 300 200 100 0 -100 -200

200 250 departure time →

300

350

400

Figure 4-14: Performance of PCSB- and PLSB-trajectory method on dataset 3. The top graph shows the estimated travel times as a function of departure time. The PCSB (dotted line) shows more bias and erratic behavior then the PLSB (solid line). The bottom graph plots the estimation errors of both methods. Figure 4-14 (top) shows a typical result. The graphs show the estimated travel times

using

the

PCSB-trajectory

method

(dotted),

the

new

PLSB-trajectory

method (solid) and the reference values obtained from the simulation (grey). The

8

FOSIM (Freeway Operations SIMulation) is developed at the Delft University of Technology and

has been extensively calibrated for the Dutch Highway Network, see for instance (Vermijs, 1994)

- 53 -


bottom graph in Figure 4-14 shows the difference between the reference value and the PCSB and PLSB-trajectory methods respectively. Clearly, the new PLSB based estimate reproduces the reference travel time more accurately. As in the stationary case, the PCSB-trajectory method overestimates the travel time, especially during congested conditions. Furthermore, the PLSB method yields a less volatile travel time curve than the PCSB method. Similar plots can be produced for the other four runs. For a more objective evaluation, we define performance indicators. In these indicators, tˆ( p ) denotes

t ( p ) denotes the

the estimated travel time for departures in period p and reference value. The RMSE indicates the overall error

RMSE

Bias

RRE

MRE

1 P

(Root Mean Squared Error)

P

∑ (tˆ( p) − t ( p)) p =1

µˆ − µ

(Bias)

1 P

(Root Residual Error)

100 P

(Mean Relative Error)

2

,

µˆ =

1 P

P

∑ tˆ( p) ,

µ=

p =1

P

∑ t ( p)

1 P

p =1

∑ ((tˆ( p) − µˆ ) − (t ( p) − µ )) P

2

p =1

P

tˆ( p ) − t ( p ) t ( p) p =1

∑

Note that the RMSE can be decomposed in a bias and a root-residual error using RMSE 2 =Bias 2 +RRE 2 .

Table 4-3 shows the values of the four performance

indicators for both methods on all five datasets. On all performance indicators and on all datasets the new PLSB trajectory method outperforms the PCSB trajectory method. On average the RMSE values for the PLSB method are half of those achieved with the PCSB method, which is a considerable reduction of the error of estimation. For a large part this is due to a reduction of the bias. Applying the PCLS trajectory method significantly reduces the residual error (the remaining error after correcting for bias). In our experiments the PCSB-trajectory overestimates the travel time by nearly 6%. Table 4-3: Performance indicators of PCSB- and PLSB-trajectory methods on all datasets RMSE [s]

Bias [s]

RRE [s]

MRE

[%]

PCSB

PLSB

PCSB

PLSB

PCSB

PLSB

PCSB

PLSB

dataset 1

58,7

29,8

25,8

-0,96

52.7

29.8

5,96

0,96

dataset 2

54,9

33,3

27,1

0,43

47.7

33.3

5,83

1,51

dataset 3

69,7

33,1

30,4

-3,79

62.7

32.9

6,26

-0,12

dataset 4

63,2

32,7

31,7

-4,92

54.7

32.3

6,28

0,32

- 54 -


RMSE [s]

Bias [s]

RRE [s]

MRE

[%]

PCSB

PLSB

PCSB

PLSB

PCSB

PLSB

PCSB

PLSB

dataset 5

56,5

32,7

26,4

-3,44

50.0

32.5

5,35

1,12

Mean

60.6

32.3

28.3

-2.54

53.6

32.2

5.94

0.76

4.8 Conclusions A class of off-line travel-time estimation methods that are based on constructing imaginary vehicle trajectories was investigated. Traditionally these imaginary trajectories consist of a sequence of sections on which a constant speed is maintained that matches the observed speed for that section and time-period. These methods are referred to as the Piecewise Constant Speed Based (PCSB) trajectory methods. This paper replaces the assumption of piecewise constant speeds with the assumption of piecewise linear speeds, where the speed depends on the longitudinal position on the section. This leads to proposing the Piecewise Linear Speed Based (PLSB) trajectory method. Section speeds are assumed to equal a convex combination of the observed speed at the start of the section and the observed speed at the end of the section. It turns out that based on these assumptions, elegant mathematical expressions can be derived that describe the trajectories in between the two detectors. These equations can be used to directly replace their corresponding equations in the traditional trajectory method. in other words: existing methods can be modified into PLSB trajectory methods with little effort. A comparison of the accuracy of the PCSB method and the PLSB method has been carried out based on simulated data. This comparison shows that the RMSE value for the PLSB method is about half the RMSE value for the PCSB method, which is a remarkable improvement. After decomposing this RMSE error in a bias and a residual error, it turns out that the PCSB estimates have a significant bias. They overestimate the travel time, especially in congested conditions. In practice the overestimation of the PCSB method might be compensated for by some extent by the fact that many systems use arithmetic time mean speeds rather than harmonic time mean speeds. If no correction is applied the use of arithmetic time mean

speeds

as

a

basis

for

travel

time

estimation

is

known

to

lead

to

underestimating the experienced travel time. The largest part of the reduction of the RMSE value is still due to a reduction of the residual error. In other words also if both the PCSB and PLSB estimates are corrected for their bias the PLSB trajectory method performs significantly better. The improved accuracy of the PLSB method may be used to improve the accuracy of travel time statistics. Alternatively one may choose trade in this approved accuracy for a wider detector spacing in which case considerable cost savings can be reached.

4.9 References speed-based travel time estimation Original paper:

- 55 -


Van Lint, J. W. C. and N. J. Van der Zijpp (2003). "Improving a Travel Time Estimation Algorithm by Using Dual Loop Detectors." Transportation research Record 1855: 41-48. other references: Van der Zijpp, N.J. (2002), DelftOD: Estimation Software for Dynamic Origin Destination Tables, www.delftod.tudelft.nl Thijs, R., Ch.D.R. Lindveld, N.J. van der Zijpp and P.H.L. Bovy (1999), Evaluation of travel time estimation and prediction algorithms: Evaluation results from the DACCORD project, Delft University of Technology, Transportation Planning and Traffic Engineering Section, Delft Ch. D.R. Lindveld, R. Thijs, P.H.L. Bovy, N.J. van der Zijpp, (2000), Evaluation of online travel time estimatiors and predictors, Transportation Research Record 1719, paper no. 00-1203, pp 45-53, National Acedemy Press, Washington D.C. Van der Zijpp, N.J., and Lindveld, Ch. D.R., (1999), Evaluation of Queue length display at the Amsterdam Orbital Motorway, Proceedings of the 6 th ITS World Congress, Toronto, Canada Lighthill, M. and G. Whitham (1955) On Kinematic Waves II: A theory of traffic flow on long crowded roads. Proc. R. Soc. London Part A 229 (1178), 317-345 Coifman, B., (2002), Estimating travel times and vehicle trajectories on freeways using dual loop detectors, Transportation Research Part A 36 (2002) pp 351364 Lindveld, Ch. D. R., Thijs, R., (1999), On-line Travel Time Estimation using Inductive Loop Data: The Effect of Instrumentation Peculiarities on Travel Time Estimation Quality, proceedings of the 6 th ITS World Congres, Toronto, Canada Vermijs, R.G.M.M., Schuurman, H., (1994), Evaluating capacity of freeway weaving sections and on-ramps using the microscopic simulation model FOSIM, Proceedings of the second international symposium on highway capacity, Vol 2., pp 651-670

- 56 -

Bijlage D - Het Advanced Traffic Monitoring project (ATMO)

Bijlage D Het Advanced project (ATMO)

Traffic

Monitoring

Dr. Ir. Hans van Lint, Afdeling Transport & Planning, Faculteit der Civiele Techniek en Geowetenschappen, TU Delft, E-mail: [email protected] John Pommer, Connekt, E-mail: [email protected]

Inleiding – plaats van ATMO in TRANSUMO De economische, maatschappelijke en milieu consequenties van congestie in vooral stedelijke gebieden worden gezien als een van de belangrijkste uitdagingen en bedreigingen in de komende decennia, zowel in Nederland als internationaal. Omdat congestie het resultaat is van een onbalans tussen verkeer/vervoersvraag en – aanbod (capaciteit van een netwerk) zijn er grofweg twee soorten aanpakken om congestie terug te dringen. De eerste concentreert zich op het fysiek aanpassen van het aanbod (bijv. weginfrastructuur) op de vraag. Hoewel het noodzakelijk is de capaciteit in een verkeersnetwerk op orde te houden zijn er duidelijke grenzen aan zo’n vraagvolgende aanpak. Aanleg en verbetering van weginfrastructuur is zeer kostbaar en heeft vaak langdurige en verstrekkende ruimtelijke,

maatschappelijke

en

milieutechnische

consequenties.

Bovendien

blijken dit soort oplossingen door de onvermijdelijke geïnduceerde verkeersvraag slechts tijdelijke winst –in de zin van bijvoorbeeld verminderde congestie – op te leveren. De tweede route is het – op dynamische wijze – beter matchen van verkeersvraag en aanbod zowel in de tijd (voor, tijdens, na de spits) als in de ruimte (over een verkeersnetwerk). Minister Peijs van Verkeer en Waterstaat spreekt wat dat betreft heldere taal (bron: Metro 19, 6/9/2005): “De files kan ik niet oplossen. Ik kan wel proberen het fileleed te verzachten. Ik wil toe naar een betrouwbare reistijd” Een van de manieren om reistijden en het verkeerssysteem als geheel betrouwbaarder te maken is dynamisch verkeersmanagement (DVM). In het cluster verkeersmanagement (VM) van Transumo wordt die aanpak dan ook gevolgd: het matchen van de verkeersvraag – in tijd en ruimte – op het beschikbare aanbod door middel van DVM. Zoals Figuur 1 laat zien kan men binnen DVM weer grofweg twee klassen maatregelen identificeren, alhoewel er soms sterke overlap tussen beide klassen bestaat. Men kan •

Proberen de verkeersvraag te beïnvloeden (Figuur 1 linker loop) door bijvoorbeeld mensen te informeren of mensen afhankelijk van tijd, plaats en verkeersdrukte te laten betalen voor mobiliteit. De idee is dat reizigers dan slimmer hun route en / of vertrektijdstip kiezen, wat ook collectief (dus voor iedereen) gunstig kan uitpakken, in elk geval wat betreft de betrouwbaarheid (voorspelbaarheid) van verkeersprocessen.

•

Proberen – naar plaats en tijd - de beschikbare capaciteit in een verkeersnetwerk aan te passen aan de actuele verkeersvraag (Figuur 1 rechter loop), bijvoorbeeld door middel van toeritdosering, dynamische route geleiding, spitsstroken, etc. Dit soort maatregelen kan leiden tot gemiddelde tijdwinst voor alle reizigers, tot een

- 57 -


beter gebruik van het verkeersnetwerk en in elk geval tot een eerlijker verdeling van het fileleed over zowel de ruimte als de tijd.

Figuur 1 laat ook zien dat er veel verschillende partijen (reizigers, commerciele partijen,

de

overheid)

betrokken

zijn,

allen

met

verschillende

en

vaak

tegenstrijdige doelen. Welke (combinatie van) maatregel(en) ook gekozen wordt, randvoorwaardelijk voor het welslagen ervan is kennis van wat er in een verkeersnetwerk op een bepaalde plaats en tijdstip gebeurt. Zonder kennis van de huidige

(en

recente)

verkeersvraag,

de

beschikbare

capaciteit,

en

de

wisselwerking tussen die twee valt er weinig te sturen of informeren. Kortom: zonder monitoring geen DVM.

ATMO Verkeers Vraag

Verkeers Aanbod

reizigers reizigers

infrastructuur infrastructuur Monitoren

(meten, begrijpen, interpreteren, voorspellen)

Regelen (verkeerslichten, dynamische snelheidslimieten, toeritdoseren, inhaalverboden,etc)

Informeren, plagen, stimuleren, straffen, belonen beprijzen, etc Doelen reizigers: waar(de) voor je geld en tijd!!!

Managen

Commerciele doelen: kosten/baten, continuiteit, marktaandeel

Beleidsdoelen: betrouwbaar, veilig, schoon, efficient, …

Figuur 1: De zogenaamde regelcirkel in dynamisch verkeersmanagement (DVM). Er zijn grofweg twee categorieën “knoppen”waarin gedraaid kan worden: men kan de verkeersvraag beïnvloeden dmv bijvoorbeeld informatie of beprijzen (linker lus) dan wel de beschikbare capaciteit slimmer toewijzen dmv route geleiding, toeritdosering of verkeersregelingen

Doel van ATMO Dat monitoren cruciaal is voor DVM is bepaald niet nieuw en geen grond om publiek geld in een onderzoeksproject te stoppen. ATMO gaat dan ook een stap verder en richt zich

op het monitoren van verkeersprocessen in complete

(heterogene) netwerken, dat wil zeggen: het hoofdwegennet, het provinciaal netwerk en stedelijke netwerken. Is dat dan nieuw? Misschien niet waar het gaat om de meettechnologie en sensors. Maar als het gaat om uit die steeds groeiende brei ruwe gegevens zinvolle en betrouwbare netwerkbrede informatie te halen, dan is het antwoord zeer zeker JA. Het centrale doel van ATMO is dan ook: Het ontwikkelen van kennis en kunde in het opzetten, realiseren, beheren en gebruiken van een robuust en betrouwbaar systeem voor het monitoren van heterogene

verkeersnetwerken

dat

(geprognosticeerde)

verkeersgegevens

produceert voor verkeersmanagement en voor verkeersdeelnemers.

- 58 -


Uitdagingen in ATMO Om dat bovenstaande doel te verwezenlijken moeten vier (transitie) uitdagingen worden aangegaan:

Uitdaging 1.

Het regionale en dus heterogene karakter van het wegennetwerk:

verschillende

schaalniveaus,

verschillende

fysieke

kenmerken,

verschillende

beheerders met verschillende doelstellingen. De uitdaging zit daarbij vooral in: Hoe organiseer je het? hoe krijg (en houd) je al die partijen bij elkaar? hoe stem je de doelen en belangen op elkaar af? Hoe borg je zowel publieke en private belangen? Hoe zorg je ervoor dat partijen hun gegevens willen/durven delen?

Uitdaging 2.

Het

heterogene

karakter

van

de

verkeersgegevens:

Data

uit

verschillende gegevensbronnen moeten bij elkaar gebracht worden en vertaald naar betrouwbare netwerkbrede informatie. Hoe integreer je vaak incompatibele en inconsistente gegevens (bijv punt versus trajectmetingen)? Hoe vul je de witte vlekken (bijvoorbeeld in stedelijke gebieden)? Hoe sla je deze gegevens op? Hoe ga je om met afspraken over onderhoud, beschikbaarheid, kwaliteit, kosten, eigendomsrechten

(publiek,

privaat,

publiekprivaat)

en

commerciële

overwegingen?

Uitdaging 3.

Betrouwbaarheid

en

beschikbaarheid

van

de

gegevens

en

robuustheid van het monitoringsysteem. Deze uitdaging is nauw verbonden met de vorige, door gegevens te combineren en integreren kan de betrouwbaarheid en robuustheid van een monitoring systeem sterk worden vergroot. Dit is cruciaal omdat

juist

in

(ongunstige)

omstandigheden

wanneer

verkeersgegevens

/

informatie het hardste nodig is, deze vaak niet betrouwbaar of zelfs beschikbaar is. Onder ongunstig wordt bijvoorbeeld verstaan ernstige congestie (door wat voor

oorzaak

dan

ook),

ongelukken,

wegwerkzaamheden,

wegvallen

van

detectiemiddelen, bijzondere situaties, etc. Figuur 2 illustreert dit schematisch.

- 59 -


slecht Betrouwbaarheid van verkeersgegevens/ informatie

Huidige situatie

transitie (ATMO)

onacceptabel

Minimale niveau van betrouwbaarheid

Gewenste situatie acceptabel

goed gunstig

Omstandigheden

ongunstig

Figuur 2: De betrouwbaarheid van verkeersgegevens wordt vaak slechter als de omstandigheden ongunstig zijn, terwijl juist dan betrouwbare verkeersgegevens het hardste nodig zijn

Uitdaging 4.

Als we al die gegevens tot onze beschikking hebben en we weten

dat ze betrouwbaar zijn, hebben we dan wel alle informatie om te kunnen sturen op een efficiënter, schoner, veiliger en betrouwbaarder wegennetwerk? Voor efficiënter en schoner kunnen we waarschijnlijk wel toe met reistijden, snelheden en intensiteiten, maar hoe zit het met veiligheid en betrouwbaarheid (van bijv. reistijden of verbindingen)? Kunnen we dat meten dan wel afleiden uit andere gegevens? Welke eisen stelt dat aan de gegevens, de systemen? Bovendien: vele studies geven aan dat sturen met voorspelde informatie leidt tot een stabieler (en dus betrouwbaarder) verkeerssysteem dan sturen met “achterhaalde” informatie. Daartoe moeten dus – op netwerkbrede schaal - verkeerscondities en alle afgeleide grootheden worden voorspeld.

In

ATMO

uitdagingen

zijn en

deelprojecten die

gedefinieerd

gezamenlijk

moeten

die leiden

ingaan tot

het

op

de

verschillende

centrale

doel:

het

ontwikkelen van kennis over en concrete ervaring opdoen met betrouwbare regionale monitoring systemen.

Wat komt er deelprojecten

uit

ATMO

–

voorbeelden

van

Onder lichten we binnen elk van de bovengenoemde (transitie) uitdagingen een paar deelprojecten toe. Uitdaging 1: organisatie rondom een regionaal verkeersmonitoring systeem Een van de producten die het komende jaar zullen worden opgeleverd, is een handboek regionale monitoring waarin do’s en dont’s en “lessons learnt” worden verzameld uit de Nederlandse en internationale praktijk. Dit deelproject wordt gezamenlijk door AVV en de TU Delft getrokken. Dat handboek is niet bedoeld als een dik rapport bestemd voor de - 60 -


bureaula maar moet voor de BV Nederland op een dynamische manier kennis gaan bundelen, bijhouden en beschikbaar stellen over regionale monitoring, zodat niet elke keer opnieuw het wiel opnieuw hoeft te worden uitgevonden. Er wordt daarbij bijvoorbeeld ook gedacht aan een online versie van het handboek à la wikipedia. Uitdaging 2 en 3: Vertalen van incompatibele en onbetrouwbare detectie gegevens naar betrouwbare netwerkbrede informatie Gegevens van verschillende sensoren kunnen sterk van elkaar verschillen, niet alleen in termen van bestandsformaat of communicatie protocol maar ook – en dat is een fundamenteler probleem, in termen van semantiek. Verkeergegevens van verschillende sensors zijn vaak inconsistent, incompatibel of zelfs strijdig. De meest

robuuste

en

betrouwbare

methode

om

op

basis

van

gegevens

uit

verschillende bronnen een beeld te krijgen van de werkelijke verkeertoestand is data fusie / toestand schatten, waarbij een (verkeers)model dient als integrator van de afzonderlijke metingen. De onzekerheid in zowel de metingen als het model fungeren als weegfactoren op basis waarvan de meest waarschijnlijke toestand (bijvoorbeeld de gemiddelde snelheid of het aantal voertuigen op de links in een netwerk) wordt bepaald. Figuur 4 geeft een schematisch overzicht van netwerkbreed data fuseren en toestand schatten. Een dergelijke aanpak garandeert natuurlijk geen 100% kloppend beeld van de werkelijkheid, maar biedt een aantal grote voordelen •

Een consistent en betrouwbaar beeld dat het maximale haalt uit de beschikbare gegevens (camera’s, lussen, floating car data, GSM, etc).

•

Een veel robuuster systeem dan één gebaseerd op slechts één soort detectie middel

•

Meer doen met minder en mogelijk goedkopere sensoren.

•

Kwantitatieve kennis ontwikkelen ook over het ontwerp van monitoring systemen: wat heb je minimaal (en maximaal) nodig aan sensoren en intelligente data fusie technieken om een betrouwbaar beeld van netwerkbrede verkeerscondities te krijgen, natuurlijk afhankelijk van doel en toepassing.

- 61 -


Verkeer toestand Xk-2 .

Kennis van verkeersdynamica

Monitoring systeem (M) met traject en punt detectoren Verkeersnetwerk met monitoring Mk Tijd periode k

. .

(a) Start Verkeerstroom condities modellen heuristiek regressie / interpolatie Kunstmatige intelligentie … (c) Toestand schatten

Verkeer toestand Xk-1 . . .

Verkeer toestand Xk Tijd periode k

(b) Data fusie

Toepassing 1 Toepassing 2

Toepassing N

Figuur 3: Data fusie en toestand schatten in een regionaal verkeersnetwerk, waarbij het uitgangspunt (a) de laatst geschatte toestand is. Verschillende fundamentele problemen moeten hier worden aangepakt: (b) vertalen van ruwe metingen naar grootheden binnen het model (bijv snelheden, intensiteiten, reistijden) – omgaan met inconsistentie en incompatibiliteit en (c) het combineren van deze (gecorrigeerde) metingen en model voorspellingen in de meest waarschijnlijke toestand (bijv in termen van aantal voertuigen, intensiteiten, etc). De resulterende verkeerstoestand kan worden gebruikt voor verdere toepassing in verkeersinformatie en –management.

In ATMO wordt fundamenteel en toegepast onderzoek verricht naar data fusie en toestand schatters, die de beschikbare metingen van verschillende sensoren combineren door middel van geavanceerde filters en verkeersstroom modellen in een netwerkbrede schatting van de verkeerscondities. Een deelproject waarin TNO, TU Delft, AVV en de provincie Zuid-Holland samen werken doet dat met als toepassing incidentherkenning, op zowel het provinciale als rijkswegennet. Een tweede deelproject waarin ARS en TU Delft samen werken richt zich op data fusie en toestand schatting op het stedelijke wegennet. In dat project wordt ook gekeken naar het combineren van lokale detectie met gegevens uit probe voertuigen. Uiteraard spelen ook andere dan technische zaken een rol. Goede afspraken over onderhoud, beschikbaarheid, kwaliteit, kosten, eigendomsrechten (wie is verantwoordelijk) en commerciële overwegingen zijn bepalend voor de slaagkans van een dergelijk systeem.

Uitdaging 4: Meten reistijdbetrouwbaarheid

we

het

goede:

In het april nummer (2005) van verkeerskunde rapporteerden (van Lint, van Zuylen et al. 2005) dat de eisen die in de NoMo (Nota Mobiliteit) worden gesteld voor reistijdbetrouwbaarheid op een tweetal corridors in de randstad (A20 en A13) in 2002 alleen op zondag gehaald werden; op andere weekdagen was de betrouwbaarheid beduidend lager. Deze resultaten kwamen uit een ex post analyse van een grote hoeveelheid gerealiseerde reistijden en gaven dus een heel ander beeld dan de model studie waarop de NoMo was gebaseerd (Schrijver

- 62 -


2004). Niettemin, in een model studie van het Ruimtelijk Planbureau (Hilbers, Eck et al. 2004) laten de auteurs zien dat de onbetrouwbaarheid van reistijden niet alleen toeneemt, maar zich bovendien uitbreidt, over Nederland en over de dag. Ze geven verder aan dat één van de tools om een trendbreuk te forceren (reistijdbetrouwbaarheid vergroten) betere informatie voorziening en sturing is. En dat betekent dus dat we reistijdbetrouwbaarheid moeten kunnen monitoren, het liefst in real-time. Daarvoor moeten echter nog wel een aantal noten worden gekraakt, waarvan de belangrijkste zijn: •

Overzicht over en vooral inzicht in de verschillende definities voor reistijdbetrouwbaarheid – de NoMo gebruikt een kansmaat, er zijn echter vele alternatieven (spreiding, percentielwaarden, ellende indices, etc) die allen een vaak zeer verschillend beeld van hoe het gesteld is met die reistijdbetrouwbaarheid.

•

Inzicht in causale relaties (wat veroorzaakt reistijdonbetrouwbaarheid) gebaseerd op daadwerkelijke metingen, en niet alleen model veronderstellingen. Een van de deelprojecten in ATMO (een promotie onderzoek) richt zich op het vinden van zo’n fundamenteel diagram van reistijdbetrouwbaarheid. Figuur 4 laat eerste

Kritische verkeersvraag

resultaten zien van dit onderzoek.

Figuur 4: Verloop van het gemiddelde, het 10e en 90e percentiel reistijden en het verschil tussen de laatste twee als functie van toenemend verkeersvraag op de A12 van Rijswijk tot Gouda (data uit 2002). De gemiddelde reistijd stijgt gestaag met toenemende verkeersvraag, echter, de breedte van de reistijd verdeling (een maat voor onbetrouwbaarheid!) stijgt plotseling en progressief voorbij een zekere kritische verkeersvraag. Bij hele hoge verkeersvraag is de breedte zelfs in de zelfde ordegrootte van het gemiddelde. De waarde van de kritische verkeersvraag wordt bepaald door wegkarakteristieken zoals het aantal in- en uitvoegstroken of weefvakken, de geometrie, verkeersmix en andere factoren.

•

Inzicht in reistijdbetrouwbaarheid en gedrag. Hoewel niet direct onderdeel van ATMO wordt aan de TU Delft zeer vernieuwend onderzoek (bezoek eens de website van de Traffic Simulation Laboratory op www.tsl.tudelft.nl) verricht naar

- 63 -


het effect van reistijdbetrouwbaarheid op gedrag (bijv. route of vertrektijdstipkeuze). Ook daaruit blijkt het belang van een betrouwbare reistijd: mensen prefereren betrouwbare maar gemiddeld langzame routes boven onbetrouwbare maar gemiddeld snelle routes. De bevinding in ATMO kunnen een belangrijke bijdrage leveren aan het TSL onderzoek en vice versa.

Wie doen er mee en waar is meer informatie te vinden ATMO

is

een

onderzoeksproject

waarin

publieke

en

private

partijen

en

onderzoeksinstelling nauw samenwerken. In 2005 en 2006 zijn dat De Technische Universiteit Delft (trekker), de Universiteit Twente, de Adviesdienst Verkeer en Vervoer van Rijkswaterstaat, de Provincie Zuid-Holland, de Gemeente Delft, verschillende

instituten

binnen

TNO

(Ruimte

en

Mobiliteit

en

Defensie

en

Veiligheid), Vialis, Siemens en ARS T&T. Meer informatie over het project is te vinden op de ATMO website www.atmo.tudelft.nl, via de transumo website (www.transumo.nl) of via projectleider Hans van Lint ([email protected])

Samenvattend Het project ATMO is een onderdeel van het cluster Verkeersmanagement binnen Transumo, dat richt zich op het ontwikkelen van een efficiënter, schoner, veiliger, robuuster en betrouwbaarder regionaal (en dus heterogeen) verkeersnetwerk door middel van verkeersmanagement en -informatie. ATMO heeft hierbij een sleutelrol en concentreert zich om daar de juiste gegevens en informatie voor bij elkaar te brengen en beschikbaar te maken. ATMO doet dit door middel van state-of-the-art onderzoek (fundamenteel en toegepast) in een interdisciplinair consortium waarin kennisinstituten, overheden en bedrijfsleven zijn verenigd. Door gebruik te maken van

proeftuinen

wetenschappelijke toepasbaarheid

in

de

en en

Regio

Delft

technische potentie

en

Twente

concepten worden

en

kunnen

modellen

getoetst.

organisatievormen, op

Meer

hun

praktische

weten?

Bezoek

www.atmo.tudelft.nl waar in de komende maanden de eerste resultaten zullen worden gepubliceerd.

Bronnen Hilbers, H., J. R. v. Eck, et al. (2004). Behalve de dagelijkse files. Over betrouwbaarheid van reistijd. Rotterdam, Ruimtelijk Planbureau, NAi Uitgevers. Schrijver, J. M. J. (2004). "SMARA berekent betrouwbaarheid reistijden."

Retrieved

Oktober, 2005, from http://www.inro.tno.nl/doc.php?nr=2210. van Lint, J. W. C., H. J. van Zuylen, et al. (2005). "2020: altijd zondag op de snelweg." Verkeerskunde 3(April).

- 64 -

Regionale Verkeersmonitoring

Recommend Documents