ACTUM
Path-baseret dynamisk bil-assignment
Rasmus Dyhr Frederiksen rdf@rapidis.com
Basis:
• Tur-mønstre (hvorfra, hvortil)
• Model af vejnet
• Beskrivelse af rejsendes præferencer Hvad beregnes:
• Trafikstrømme
• Hastigheder
• Rejsetider og længder fra sted til sted
Lidt baggrund
Modellering af rutevalg for biltrafik
Statisk modellering
• Modellerer en gennemsnitssituation for en tidsperiode
• Simplere modellering, simplere data, mindre beregning
• Men har svært ved at modellere trængsel tilstrækkeligt godt
― Især med hensyn til kø-opbygning & afvikling, samt tilbagestuvning
Dynamisk modellering
• Modellerer en tidsperiode dynamisk – tilstanden i netværket ændrer sig over tid – biler er på specifikke steder på specifikke tidspunkter
• Mere krævende data, mere kompliceret model, større beregning
• Men kan modellere flaskehalse, kø-opbygning & afvikling, samt tilbagestuvning detaljeret
Lidt baggrund
Statisk & dynamisk modellering
• Metoder har udviklet sig
• Teknik har udviklet sig kraftigt – hvilket i sig selv giver nye metode muligheder
• Der er opsamlet erfaringer fra mange forskellige værktøjer og tilgange
Lidt baggrund
Hvorfor udvikle ny model
Mange eksisterende værktøjer med forskellige svagheder, eksempelvis:
• Stor detaljeringsgrad – men lille område – eller omvendt
• Manglende konvergens – beregninger giver forskellige resultater – endog meget forskellige
• Dårlig modellering af valg af rute – alle rejsende minimerer samlet rejsetid for eksempel
Mange værktøjer antager begrænset regnekraft og ram
Lidt baggrund
Hvorfor udvikle ny model
• Disaggregeret model baseret på aktivitets-model tilgang
• I stedet for x biler fra zone til zone, beskrives en kæde af aktiviteter/rejser for 1 person for 1 dag
• Metode dialog med Otto Anker Nielsen & Thomas Kjær Rasmussen Transport DTU
ACTUM
Forskningsprojekt
• Traditionelt beregnes ruter dynamisk og smides væk
• Rute-bidrag til trafik summes og midles løbende
• En god tilgang når computer-hukommelse er begrænset - på bekostning af regnetid
• Men med regnemaskiner med f.eks. 256 GB ram er der andre muligheder
• Mere kompliceret modelmæssigt, men mindre regnetid
& hurtigere konvergens
• Dette er der arbejdet med i ACTUM
ACTUM
Path-baseret rutevalgsmodel
Klassisk:
1. Indledningsvis: Tomt net, ingen trængsel – skiltet hastighed
2. Beregn zone-zone ruter og tilføj trafik til kanter 3. Opdater rejsehastigheder
4. Gå til 2 (eller stop)
ACTUM
Path-baseret rutevalgsmodel
Path-baseret:
1. Indledningsvis: Tomt net, ingen trængsel – skiltet hastighed 2. For hver rejse/zonepar – opdater sæt af ruter
a. Undersøg om sæt af ruter skal udvides b. Evt. tilføje ekstra rute/slet dårlige ruter
3. For hver rejse/zonepar – fordel trafik på sæt af ruter
• F.eks. vha. pathsize-logit
4. Opdatér rejsehastigheder 5. Gå til 2 (eller stop)
ACTUM
Path-baseret rutevalgsmodel
• Eksempel på sæt af ruter
• Vægtet med fordeling af rejse(r)
• For 1 rejsende er det
reelt sandsynligheden for brug af forskellige ruter
ACTUM
Path-baseret rutevalgsmodel
• På vej til brug i LTM 2.0
• Bedre konvergens, lavere regnetid
ACTUM
Path-baseret rutevalgsmodel
En solid model-tilgang:
• Konvergens, dynamisk bruger-ekvilibrium
• Baseret på en reel modellering af rejsendes præferencer
• Realistisk & detaljeret modellering af trængsel og rejsetid, inkl. kryds
• Modellering af gennemsnitssituation – ikke simulering af 1 tilfældigt udfald
• Detaljeret & disaggregeret – beskriver gennemsnitlige valg for 1 bil
Teknik
• “Rimelig” regnetid – fuldt parallelliseret
• Skal udnytte moderne computer hardware (stor server)
• Skal kunne benytte gængse modeldata (f.eks. LTM, OTM), stor skala
Mål for project
ACTUM – Dynamisk bil-rutevalg
• Path-baseret – med tidslige ruter
• Opregning af trafik, trængsel- og kø-modellering med udgangspunkt i INDY-modellens tilgang (Bliemer)
• Eksplicit kobling til og modellering af kryds (vigtige flaskehalse)
Model
Opregning for hver kant
• Pt. bruges 6 sekunder
• In-flow, out-flow
• Evt. trafikophobning
• Og dermed kø-længde hhv. kø-fri længde
For en givet ankomst tid:
• Køretid
• kø-tid
• exit fra kant
Tilbagestuvning ved fuld kø. Altid balance i knuder for I/O-flow per tick
Model
Hvordan holdes styr på trafik & rejsetid
queue ...
τ τ+1 τ+2
Time
Distance
Kryds modelleres eksplicit Hybrid:
• Kapacitet af svingbevægelser beregnes løbende med
gennemsnitsmodeller fra statisk
• Kapacitet bruges i dynamisk modellering
• Detaljerede svingbevægelser bruges til fordeling af trafik &
tilbagestuvning
Model
Håndtering af kryds
Path-baseret:
1. Indledningsvis: Tomt net, ingen trængsel – skiltet hastighed 2. For hver rejse/zonepar – opdater sæt af ruter
a. Undersøg om sæt af ruter skal udvides b. Evt. tilføje ekstra rute/slet dårlige ruter
3. For hver rejse/zonepar – fordel trafik på sæt af ruter
• F.eks. vha. pathsize-logit
4. Network Loading
a. Fyld trafik på kanter fra rute-bidrag (tidsafhængigt) b. Opdatér kø-størrelser (tidsafhængigt)
c. Opdatér rejsehastigheder (tidsafhængigt)
d. Opdatér ruter med nye rejse/kø-tider (ankomst til kant, fri kørsel, kø-tid, afgang fra kant)
5. Gå til 2 (eller stop)
Model
Overordnet algoritme
Det vil sige et netværk hvor rejsetider på kanter afhænger af ankomst-tidspunktet til kanter
• Shortest-path beregning er simpel for et givet tidspunkt (givet FIFO)
• Omvendt – bedste afgangstidspunkt er et ”umuligt”
problem og kan kun beregnes i små net
• Pragmatisk mulighed – beregn ruter for et antal
tidspunkter omkring det ideelle tidspunkt, og fordel trafik
Model
Shortest Path i et dynamisk netværk
4. For alle ticks (6 sekunder)
a. For alle paths
i. Opdater status i denne tick og bidrag kant-trafik
• In-flow
• Position langs kant (før og i kø)
• Position i kø
• Out-flow
b. Opdater kø-størrelser ved alle knuder og kryds
Model
Network Loading
• Biler er i en kø i et stykke tid, og bevæger sig frem i den
• Køer opstår når der er større inflow end der er outflow på en kant eller op til en svingbevægelse
• F.eks. pga. stigende trafik
• Eller pga. et kryds eller kapacitetsindskrænking hvor veje fletter sammen
Model
Bil-køer
• Fald i kapacitet fra kant 2 til 4
Test
Lille eksempel
Test
Lille eksempel - tilbagestuvning
• 6 sekunders trin
• Urealistisk eksempel (Næstved) med ekstra kø
• Men illustrerer køer der tilbagestuver og opløses
Test
Eksempel - animation
• 3500 kanter
• 2000 kryds (1200 ”rigtige”)
• 10000 ”mikrozoner”
• 3 mio disaggregerede enkelture (ca. 2.5 mio rejsende) fordelt på mikrozoner
Test
Data - OTM
• 32 kerner, 70 GB Ram (der bruges ca. 20 GB ram)
• Regnetid 18 timer
• 3-5 paths per rejsende i snit i valgsæt/rutebundt
• 21 iterationer, knap 1 time pr. iteration
• 5 trafikant-klasser
Edges in graph: Link: 5974, Connector: 19420, Turn: 11693, ExplodedConnector: 58041.
10-08-2016 08:16:28 Total number of unique paths: 10733559
10-08-2016 08:16:33 CategoryID: 1 Paths - Avg per trip: 4.81, Min: 1, Max: 9, Avg edges: 61.38, Avg length: 24.93 10-08-2016 08:16:36 CategoryID: 2 Paths - Avg per trip: 4.53, Min: 1, Max: 9, Avg edges: 65.31, Avg length: 26.63 10-08-2016 08:16:50 CategoryID: 3 Paths - Avg per trip: 4.29, Min: 1, Max: 9, Avg edges: 51.09, Avg length: 19.05 10-08-2016 08:16:53 CategoryID: 4 Paths - Avg per trip: 3.64, Min: 1, Max: 9, Avg edges: 46.95, Avg length: 16.96 10-08-2016 08:16:55 CategoryID: 5 Paths - Avg per trip: 3.40, Min: 1, Max: 9, Avg edges: 51.27, Avg length: 21.53 Assignment calculation time: 18:32:25.1028959
Test
OTM beregning
Test
OTM Beregning – Trafikstrømme (16-17)
Test
OTM Beregning – kø-længder (16-17)
• Reelt modellering – ikke heuristik
• Modellerer en gennemsnitssituation – ikke simulation af tilfældig dag – håndterer kryds fornuftigt mht. kapacitet og flaskehalse
• God konvergens – (dynamisk) bruger-ekvilibrium
• Mulighed for detaljeret & disaggregeret model på eksisterende data i stor skala
• Rimelig regnetid – kan bruge mange CPU kerner fuldt ud
• Effektivt software framework etableret Men:
• Stadig på forskningsstadie – ikke driftsklart endnu
• Modellering af kø-opbygning og afvikling er pt. lidt for optimistisk
Konklusion & status
Proof-of-concept
• Model overdrages til Transport DTU til kalibrering og test
• Der skal arbejdes videre med beregning og opdatering af kø-længder, finpudsning af metode & tur-mønstre
• Inddrage afrejsetidspunkt i (dynamisk) bruger- ekvilibrium – pt. ligger rejsestart helt fast pr. rejse
• Kalibrering til observerede strømme og køer mht.
parametre
• Test-beregning på LTM data for større område
• På sigt – optimering af regnetid – men ikke så vigtig pt.
Videre arbejde
• DTA Primer fra TRB
• Bliemer – INDY modellen
• Thomas Kjær Rasmussen - Traffic assignment models in large-scale applications (Ph.D. Thesis)
