Floating car data voor DVM toepassingen

Transcriptie

1 Floating car data voor DVM toepassingen PAO cursus Dynamisch Verkeersmanagement Delft november 2005 Module DVM 2

2 INHOUD Technieken voor plaatsbepaling Karakteristieken van FCD data Veelbelovende toepassingen Introductiescenarios en kostenbatenstudies Verkeerskundige Interpretatie van FCD Haalbaarheidstudie Slotopmerkingen

3 Technieken voor plaatsbepaling

4 Plaatsbepalingstechnieken Road-side based Vehicle tag Terminal based GPS, DGPS, Galileo GSM (A-GPS,E-OTD) Network based GSM (CGI +TA) Beacon

5 GSM passief 1. Standby (>20km) 2. Cell ID (<8km) 3. Enhanced cell ID (<5 km) 4. Enhanced Cell ID + timing advance (<800m)

6 Multipath pattern recognition Hoge (geclaimde) nauwkeurigheid (<100m) Geen nieuwe hardware voor consument vereist

7 Karaketeristieken FCD (1/3) Waar te nemen grootheden: Road side based intensiteit snelheid + -- dichtheid - -- snelheidsvariatie + / - - trajectorie - + reistijd - + routes, HB relaties -- - / + Floating car

8 Karaketeristieken FCD (2/3) Kernmerken van de waarnemingen: Road side based resolutie in plaats + - resolutie in tijd + -- Floating car scope van de waarneming enkele meters enkele kilometers steekproefgrootte 100% <<100% onderscheid naar voertuigcategorie onderscheid op basis van overige kenmerken beperkt niet niet niet beschikbaarheid HWN HWN

9 Karaketeristieken FCD (3/3) Kosten structuur: Gevoeligheid voor schaalgrootte Road side based Evenredig aan studiegebied Floating car Beperkt evenredig aan studiegebied Investerende partij Overheid Overheid, Bedrijf en Particulier

10 Kansrijke DVM toepassingen van FCD WEL Dynamische reizigers informatie Peak spreading door beprijzing Regelen naar een gegarandeerd kwaliteitsniveau NIET Incident detectie signalering

11 Huidige context Veel gegevens beschikbaar van lusdetectoren op het HWN

12

13 Bepaling reistijd uit lusdata bij stop-and-go traffic is moeizaam. Voorbeeld: correctie formule a d j u s t e d o b s e r v e d s p e e d [ k m / h ] r a w o b s e r v e d s p e e d [ k m / h ]

14 Introductie scenario s voor FCD

15 Bestaande systemen vormen remmende voorsprong kosten/baten tijd

16 Inwinsysteem Lusdetectoren op het HWN Lusdetectoren op het OWN GPS (Galileo) Baken Network based plaatsbepaling (GSM) Cell Global Identity (+Timing Advance) Terminal based plaatsbepaling (GSM) AGPS, E_OTD Radio Camera Electronic vehicle tag Katalysator Verkeerssignalering Vraagafhankelijke verkeersregeling Defensie/Luchtvaart In car navigatie Anti diefstal Fleet management GSM telefonie Location based services Enhanced 911 requirement Enhanced 911 requirement Rekening rijden Elektronische nummerplaat

17 Interpretatie van FCD data Een Map match algoritme

18 A 12 A13 N 47 3 Delft N 2 2 3

19 A 12 A13 N 47 3 Delft N 2 2 3

20 A 12 A13 N 47 3 Delft N 2 2 3

21 A 12 A13 N 47 3 Delft N 2 2 3

22 Hard constraint 1: Enumereer paden

23 Constraint 2: snelheidsconstraints 120

24 Model Specification Soft constraint: Apriori path flows

25 Soft constraint: Link travel time distribution HIGHLY PROBABLE NOT PROBABLE

26 High probability B A Low probability C D

27 Algorithm design Unconstrained match p( MR 1 x1) MR 1 p( MR 2 x2) X 1 X 2 MR 2

28 Algorithm design Constrained match p( MR 1 x1) MR 1 p( MR 2 x2) X 1 X 2 p( x 2 x1) MR 2

29 Algorithm design Meervoudig constrained match MR 4 MR 1 MR 2 MR 3

30 Algorithm design Algemene Map matching strategie Enumerate paths Make optimal match to each path Select best match

31 Stap 2: Bepaal haalbare en onhaalbare sprongen Haalbare sprong Onhaalbare sprong

32 Stap 2: Bepaal haalbare en onhaalbare sprongen Haalbare sprong Onhaalbare sprong

33 Stap 2: Bepaal haalbare en onhaalbare sprongen Haalbare sprong Onhaalbare sprong

34 Stap 2: Bepaal haalbare en onhaalbare sprongen Haalbare sprong Onhaalbare sprong

35 Stap 3: Bepaal haalbare reeks van sprongen

36 T=2 T=1

37 T=2 T=1

38 T=3 T=2 T=1

39 Observatie: Een haalbare reeks van stappen correspondeert met een route in het zojuist gecreëerde hypernetwerk

40 T=3 X 3 T=2 X 2 T=1 X 1

41 T=3 X 3 T=2 X 2 T=1 X 1

42 Stap 3: Bepaal meest waarschijnlijke reeks van sprongen

43 T=3 P[X 3 ] T=2 P[X 2 ] T=1 P[X 1 ]

44 P[X 1 ].P[X 2 ].P[X 3 ] T=3 T=2 P[X 1 ].P[X 2 ] T=1 P[X 1 ]

45 Op te lossen: Bepaal X1,X2 en X3 zodanig dat P[X1].P[X2].P[X3] minimaal is. In dat geval is ook Log(P[X1]). Log(P[X2]). Log(P[X3]) minimaal!!

46 Log(P[X 3 ]) T=3 T=2 Log(P[X 2 ]) T=1 Log(P[X 1 ])

47 Probabilistisch Map matching : Conclusie Het Map-matching probleem is equivalent aan een kortste route zoek probleem Dit is met gangbare methoden effectief op te lossen

48 Actual position Reported position Estimated position

49 Actual position Reported position Estimated position

50

51

52 Haalbaarheidsstudie (Modelit 2003) Simuleer verkeersafwikkeling Simuleer telefonie Perform map-matching Bereken bereikbaarheidsindicatoren Vergelijk met referentiedata

53 Veldtest Intermezzo (Logica-CMG ) Systeem is geimplementeerd in de regio Noord-Brabant Evaluatie is uitgevoer door Goudappel Coffeng Momenteel lopen follow-up projecten in Zuid Holland en Noord Brabant

54 Slotopmerkingen (1/2) FCD vooral geschikt voor inwinnen reistijden Monica vormt op het HWN concurrentie De responstijd van FCD is een zwak punt Zuiverheid van reistijdschattingen is sterk punt Kansen vooral op druk gedeelte OWN en onbemeten HWN

55 Slotopmerkingen (2/2) Minder geschikt voor intensiteiten en incidentdetectie Niet percentage, maar aantal FCD s is bepalend voor kwaliteit Nieuwe impulsen kunnen ontstaan indien samenwerking met GSM operators structureel wordt. Autonavigatie biedt kansen. Realisatie van de uplink verbinding is bottleneck.