Real-time verkeersmodellen Overzicht, structuur en voorbeelden

Transcriptie

1 Real-time verkeersmodellen Overzicht, structuur en voorbeelden Dr. Hans van Lint, Transport & Planning, Civiele Techniek 3/24/09 Delft University of Technology Challenge the future

2 Overzicht Real-time verkeersmodellen: waar praten we eigenlijk over? Real-time verkeersmodellen: rol en plaats in Beslissingsondersteunende systemen (met wat voorbeelden) Toestand schatten Voorspellen Optimaliseren Een paar kritische noten en conclusies 2 Platos 09

3 Kenmerken real-time verkeersmodellen Is op een of andere manier gekoppeld aan (real-time) verkeersgegevens (uit lussen, camera s, FCD, ) Kan worden toegepast om op basis van deze gegevens: Een zo goed mogelijke schatting te maken van de huidige verkeerscondities Een voorspelling te maken van de korte termijn ontwikkeling van die verkeerscondities Onder invloed van (voorspellingen van!) de verwachte verkeersvraag, reis- en rijgedrag, de mogelijke (DVM) maatregelen, en verstoringen Uit te rekenen wat de optimale (DVM) maatregelen zijn op basis van een een of ander doel (maximale doorstroom, minimale gemiddelde reistijd, maximale betrouwbaarheid, minimale emissies, etc) 3 Platos 09

4 Een real-time verkeersmodel zit daarmee in een regelcirkel Bijvoorbeeld in een verkeercentrale van een wegbeheerder of van een verkeersinfo dienstverlener Ingrijpen, maatregelen nemen Verkeer Systeem Meten & interpreteren Voorspellen & optimalizeren 4 Platos 09

5 Real-time modellen - Toestandschatten Verkeerssysteem Actuatoren (langs weg/ in auto) (b) voorspellen (a) toestand schatten Sensoren / detectoren (c) optimaliseren doelen RT Verkeers model huidige toestand Toestand schatten / data fusie optimaliseer DVM maat regelen HB matrices, randvw, parameters, netwerk, etc Historische DB 5 Platos 09

6 Real-time modellen - Toestandschatten Verkeerssysteem Monitoring, toestand schatten (waar staan de files, wat zijn de huidige snelheden, etc) Actuatoren (langs weg/ in auto) (c) optimaliseren doelen optimaliseer RT Verkeers model (b) voorspellen (a) toestand schatten huidige toestand Toestand schatten / data fusie Sensoren / detectoren DVM maat regelen HB matrices, randvw, parameters, netwerk, etc Historische DB 6 Platos 09

7 Real-time modellen - Toestandschatten Schatten van de huidige snelheden, intensiteiten en dichtheden in een heel verkeersnetwerk Mogelijk i.c.m. schatten van allerlei latente/afgeleide grootheden: File lengte / lokaties Incidenten Capaciteiten Saturatiegraad kritische dichtheden, hiaten, wenssnelheden Corrigeren / filteren / fuseren alle beschikbare data Opvullen van witte gaten 7 Platos 09

8 Simpelste oplossing: kinematische golf theorie Richting waarin informatie stroomt in congestie 5:30 8:00 Richting waarin informatie stroomt in vrije afwikkeling 10:30 8 Platos 09

9 Voorbeeld kinematisch golf filter VOORBEELD Lussen om de 500 m 50% random data verwijderd Nauwkeurigheid van 1.7% naar 3.2% (nog altijd NDW proof!) 9 Platos 09

10 Iets ingewikkelder: stroommodel + Kalman Filter procesmodel (behoud voertuigen) Voorspelling Y(t) door model meetmodel (fund. diagram) t:=t+1 Gevoeligheid procesmodel Onzekerheid procesmodel Corrigeer interne model variabelen met factor E(t) Bereken fout E(t) = D(t)-Y(t) Echte data D(t) uit detectors onzekerheid meetmodel & metingen 10 Platos 09

11 Voorbeelden stroommodellen / Kalman Filters Den Haag JD-Smart (Zuurbier e.a. TUD) LWR model, Cell-based KF incl routekeuze Delft Rotterdam Gouda Fastlane-Online (van Wageningen e.a. TUD) Multiclass LWR model, nog te ontwikkelen KF Flexsys (Tampere e.a., KU Leuven) combi LWR model KF + wachtrij model RENAISSANCE (Papageorgiou, Wang, Messmer): Toepassingen in Italie en Antwerpen 11 Platos 09

12 Indirecte toestandschatting: via HB + toedeling + postprocessing Visum-Online (<v10) Versie 10 bevat dynamische toedeling (en andere postprocessing?) HB matrix schatter Pathflow estimator Statische toedeling (elke 5 min) Routekeuze op basis laatste reistijden Postprocessing (1) Flow propagatie op basis routekeuze Betrouwbaarheid per link Postprocessing (2) Correctie flows Wachtrijen en reistijden dmv wachtrij model Historische DB Sensoren / detectoren 12 Platos 09

13 Indirecte toestandschatting: via HB + toedeling + postprocessing Visum-Online (<v10) Versie 10 bevat dynamische toedeling (en andere postprocessing?) HB matrix schatter Pathflow estimator Statische toedeling (elke 5 min) Routekeuze op basis laatste reistijden Postprocessing (1) Flow propagatie op basis routekeuze Betrouwbaarheid per link Postprocessing (2) Correctie flows Wachtrijen en reistijden dmv wachtrij model 13 Platos 09

14 Toestandschatten: paar kritische noten Aantal vrijheidsgraden in modellen >> aantal metingen -> Hou het dus zo simpel mogelijk (afhankelijk van toepassing) Op strengen (zeker snel/autowegen): gebruik golftheorie / stroommodellen Gebruik en combineer flows/snelheden (alleen flows onvoldoende) In stedelijke netwerken: Snelheden minder bruikbaar: flows+reistijden Hopelijk dit jaar: Pilotstudie JD-Smart en Visum-Online in Utrecht (TUD, Vialis, gem Utrecht), zie 14 Platos 09

15 Real-time modellen - voorspellen Verkeerssysteem Monitoring, toestand schatten Voorspellen van de verkeerstoestand (hoe gaan files zich ontwikkelen, wat zijn de actuele reistijden?) Actuatoren (langs weg/ in auto) (c) optimaliseren doelen DVM maat regelen optimaliseer RT Verkeers model (b) voorspellen (a) toestand schatten huidige toestand HB matrices, randvw, parameters, netwerk, etc Toestand schatten / data fusie Sensoren / detectoren Historische DB 15 Platos 09

16 Voorspellen is moeilijk vooral de (nabije) toekomst Onzekerheden (onder zeer veel invloedsfactoren): Verkeersvraag Routekeuzegedrag Rijgedrag (en dus ook: capaciteit en traffic breakdown) Niet helemaal: Op snel/autowegstrengen kunnen stroommodellen gemiddeld heel aardige uitspraken doen In stedelijke netwerken gaat dat weer veel lastiger Beter te denken in scenarios (bv worst / best case) LET OP: KT verkeerscondities voorspellen is een totaal ander probleem dan LT reistijden voorspellen (check ) 16 Platos 09

17 Nog een voorbeeld: Microscopic Online Simulator (MiOS) Ontwikkeld door Mark Miska (TUD, 2007) Voorspelling gebaseerd op huidige toestand, voorspelde HB en Routekeuze gedrag 17 Platos 09

18 Gaat behoorlijk goed op snelwegen 18 Platos 09

19 en wel aardig op stedelijke wegen (maar let op de ruis!) 19 Platos 09

20 Real-time modellen - optimalizeren Verkeerssysteem Monitoring, toestand schatten Voorspellen van de verkeerstoestand DVM Maatregelen optimaliseren (welke routes adviseren, instellingen TDI s, VRI s, verkeersinfo, etc) Actuatoren (langs weg/ in auto) (c) optimaliseren doelen DVM maat regelen optimaliseer RT Verkeers model (b) voorspellen (a) toestand schatten huidige toestand HB matrices, randvw, parameters, netwerk, etc Toestand schatten / data fusie Sensoren / detectoren Historische DB 20 Platos 09

21 Hot topic: zeer veel real-time modellen in ontwikkeling Maar nog nauwelijks in operationeel gebruik (in verkeercentrales) JD-Smart Fastlane-Online Visum-Online MitsimLab DynaMIT-R DynaMART-X RENAISSANCE MITHRA / Simres Dyna MatriX CityTraffic RT mogelijkheden in Paramix, Aimsun en nog veel meer 21 Platos 09

22 Slotopmerkingen Niet elk model is geschikt voor alledrie de taken (toestandschatten, voorspellen, optimalizeren) Correcte verkeersafwikkeling is belangrijk voor alledrie! Hoe goed heeft te maken met o.a. schaalniveau en toepassing Simpel is beter RT model niet meer vrijheidsgraden dan nodig voor taak Nog vele fundamentele noten te kraken voor stedelijke netwerken Komende jaren zullen de ontwikkelingen hard gaan! 22 Platos 09