Χρήση συστημάτων πληροφορικής στην οδική υποδομή

Transcript

1 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Σχολή Αγρονόμων & Τοπογράφων Μηχανικών ΕΜΠ Εργαστήριο Συγκοινωνιακής Τεχνικής Χρήση συστημάτων πληροφορικής στην οδική υποδομή ΤΗΛΕΜΑΤΙΚΗ- ATIS Κωνσταντίνος Αντωνίου Αναπληρωτής Καθηγητής ΕΜΠ

2 Άδεια χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως εικόνες, που υπόκειται σε άδεια χρήσης άλλου τύπου, αυτή πρέπει να αναφέρεται ρητώς. 1

3 Σχήμα 1. Dynamic traffic management overview 2

4 Ο αγώνας για την πληροφόρηση Επικοινωνία με τους μετακινούμενους.. Πριν την εκκίνηση ("pre-trip") Κατά τη διαδρομή ("en route") Για την παροχή στοιχείων σχετικών με τη μετακίνηση... Κυκλοφοριακές συνθήκες (πληροφόρηση / information) Προτάσεις/κατευθύνσεις μετακίνησης ("guidance ) Βασισμένων στην κατάσταση του δικτύου Στο παρελθόν ("historical" guidance) Στο παρόν ("current" guidance) Στο μέλλον ("predictive" guidance) 3

5 Ο ρόλος της πληροφόρησης Ψυχολογικός «Νιώθω καλύτερα όταν γνωρίζω τι συμβαίνει» Σε σχέση με τη διαδρομή Ακύρωση διαδρομής Πριν την εκκίνηση (Pre-trip): αλλαγή ώρας αναχώρησης, διαδρομής, μέσου Κατά τη διάρκεια (En route): αλλαγή διαδρομής, μέσου Σε σχέση με τη δραστηριότητα Ειδοποίηση για καθυστέρηση Αναπροσαρμογή προγράμματος 4

6 Απαιτούμενα δεδομένα: Ιστορική πληροφόρηση Εξέλιξη κυκλοφοριακών συνθηκών (σύνδεσμος, διαδρομή, ζεύγος ΠΠ) Τρόπος συλλογής: Διάφοροι δεν υπάρχει χρονική πίεση Τρόπος επεξεργασίας: Υπολογισμός (δυναμικών;) δέντρων ελαχίστων διαδρομών Τρόπος μετάδοσης: Άντληση δεδομένων ("Pull») για πλοήγηση Παραδείγματα: Google Maps, Mapquest, GPS navigators κτλ Επίπτωση στο δίκτυο: Συνήθης συμφόρηση (Recurrent congestion): πιθανή μείωση της τάξης του 10% (ανάλογα από τη συμμετοχή) Συμβάντα και απρόβλεπτη συμφόρηση (Non-recurrent congestion): πιθανή επιδείνωση της κατάστασης 5

7 Πληροφόρηση πραγματικού χρόνου Απαιτούμενα δεδομένα: επικρατούσες συνθήκες (π.χ. Χρόνοι διαδρομής, συμβάντα) Τρόπος συλλογής: επαγωγικοί βρόχοι, αισθητήρες radar/ microwave/ ultrasound κτλ, κυκλώματα καμερών, κινητά τηλέφωνα (αναφορά συμβάντων) Τρόπος επεξεργασίας: Συνδυασμός δεδομένων σε κεντρικό επίπεδο Εκτίμηση κυκλοφοριακών συνθηκών σε επίπεδο δικτύου Τρόπος μετάδοσης: δύσκολα... Επίπτωση στο δίκτυο: εξαρτάται από τη χρονο-σταθερότητα των επικρατούσων συνθηκών Αντίδραση συστήματος: ενημέρωση βάσης δεδομένων και αλγορίθμων εκτίμησης κατάστασης 6

8 Απαιτούμενα δεδομένα: «Προβλεπτική» πληροφόρηση Μοντέλο πρόβλεψης Επικρατούσες κυκλοφοριακές συνθήκες Ιστορικά στοιχεία ζήτησης Τρόπος συλλογής: Τεχνολογίες (επαν-)ανίχνευσης οχημάτων Αναγνώριση πινακίδων, «υπογραφές» οχημάτων σε βρόχους, «υπογραφές» κινητών τηλεφώνων και άλλων συσκευών Τρόπος επεξεργασίας: Πρόβλεψη μελλοντικής ζήτησης, συνθηκών Δημιουργία πληροφόρησης Εξασφάλιση σύμπτωσης των δύο (δύσκολο) Τρόπος μετάδοσης: (όπως και στην πληροφόρηση πραγματικού χρόνου, δηλαδή) δύσκολα... Επίπτωση στο δίκτυο: Εξαρτάται από την ποιότητα των προβλέψεων και της καθοδήγησης/πληροφόρησης που δημιουργείται Αντίδραση συστήματος: παρακολούθηση αποκλίσεων μεταξύ των προβλέψεων και της πραγματικότητας 7

9 Κυκλοφοριακή πρόβλεψη και πληροφόρηση Απαιτήσεις Αποφυγή υπερβολικής αντίδρασης (over-reaction) Διατήρηση αξιοπιστίας Η πληροφόρηση πρέπει να είναι Αξιόπιστη (consistent) Αμερόληπτη (unbiased) Έγκαιρη Προσέγγιση: κυκλοφοριακή πρόβλεψη η οποία λαμβάνει υπόψη Μελλοντική ζήτηση Αντίδραση σε πληροφόρηση 8

10 Κυκλοφοριακές προβλέψεις Πολύ μικρού ορίζοντα (μερικά λεπτά) Στατιστικές μέθοδοι Πιο μακροπρόθεσμες (π.χ. 1 ώρα) Ενσωμάτωση συμπεριφοράς οδηγών Παραδείγματα Real-Time Dynamic Traffic Assignment (FHWA) DynaMIT ( ) DynaSMART ( ) Άλλα, π.χ. Dynameq ( ) DynusT ( ) Άλλες προσεγγίσεις Mobile Millenium ( ) 9

11 Μεθοδολογίες πρόβλεψης Μέθοδοι δυναμικής κατανομής της κυκλοφορίας (Dynamic traffic assignment methods) Ενσωμάτωση συμπεριφοράς των οδηγών Απαιτούνται δυναμικά μητρώα ροών προέλευσηςπροορισμού (ΠΠ) Έχουν υψηλές υπολογιστικές απαιτήσεις Απαιτούν στοιχεία για τη συμπεριφορά του δικτύου Στατιστικές μέθοδοι Δεν απαιτούν κατανομή στο δίκτυο Ενδείκνυνται για σύντομα διαστήματα πρόβλεψης Αγνοούν αλληλεπιδράσεις μεταξύ οδικών συνδέσμων Δεν μπορούν να χρησιμοποιηθούν (εύκολα) για τη δοκιμή σεναριών 10

12 Πλαίσιο δυναμικής κατανομής κυκλοφορίας Dynamic Traffic Assignment Framework Ζήτηση Ροές ΠΠ Μικροσκοπικός προσομοιωτής επιλογών μετακίνησης Προσφορά Μεσοσκοπικός προσομοιωτής κυκλοφορίας Αλληλεπίδραση ζήτησηςπροσφοράς Προσομοιωτής ζήτησης ATIS ATMS Εκτίμηση και Πρόβλεψη Κυκλοφοριακών συνθηκών Προσομοιωτής προσφοράς 11

13 Surveillance System Network Condition Estimator Dynamic O-D Estimator/Predictor User Behavior Model Network Performance Predictor Control Strategy Generator Σχήμα 2. Dynamic traffic assignment 12

14 Συμβατικά μοντέλα (1/2) (conventional network models) Υποθέτουν τέλεια πληροφόρηση των οδηγών Αν αυτό ίσχυε, όμως, δεν θα υπήρχε ανάγκη για πληροφόρηση! Και χρησιμοποιούν τα μοντέλα δυναμικής κατανομής (DTA) Για την αποτύπωση της μεταβαλλόμενης κατάστασης του δικτύου Όλες οι μεταβλητές θεωρούνται χρονο-μεταβλητές Οι κύριες μεταβλητές είναι: Δυναμικές ροές (αναχωρήσεις) F Δυναμικοί χρόνοι διάσχισης διαδρομών T 13

15 Συμβατικά μοντέλα (2/2) (conventional network models) Τα βασικά χαρακτηριστικά του μοντέλου DTA περιλαμβάνουν Φόρτιση οχημάτων στο δίκτυο S Δεδομένο εισόδου: Φόρτους ανά διαδρομή F Δεδομένο εξόδου: χρόνους διαδρομής και φόρτους (ανά σύνδεσμο), χρόνους διαδρομής Τ Μοντέλο συμπεριφοράς οδηγών (επιλογή διαδρομής) D Δεδομένο εισόδου: χρόνοι διαδρομής T Δεδομενο εξόδου: φόρτοι ανά διαδρομή F 14

16 Μοντέλα με χρήση πρόβλεψης Ανάγκη αντιμετώπισης νέων διαστάσεων του προβλήματος Πληροφορία βασισμένη σε πρόβλεψη Συμπεριφορά μετακινουμένων λαμβάνοντας υπόψη την πληροφόρηση αυτή Δημιουργία μηνυμάτων με βάση τις συνθήκες του δικτύου Βασικές μεταβλητές: Δυναμικά ποσοστά χρήση διαδρομών P Δυναμικοί χρόνοι διάσχισης διαδρομών T Δυναμικά μηνύματα καθοδήγησης με βάση την πρόβλεψη M 15

17 (Consistency) Ποσοστά χρήσης Διαδρομών p Πληροφόρηση m 20 min to Airport Equipped Vehicles Equipped Vehicles Satellite Γενικευμένο κόστος t Σχήμα 3. Consistency 16

18 Σχήμα 4. On-line calibration 17

19 Inputs Guidance Inputs List of drivers Control Incidents En-route Demand Simulation Mesoscopic Simulator Speed density rela tionships Individual vehicles Congestion Queues Spillbacks Network Conditions Flows Queues Travel Times Speeds Densities Assignment Matrix etc. Σχήμα 5. Προσομοιωτής προσφοράς 18

20 Προσομοιωτής ζήτησης Βασικά χαρακτηριστικά Εκτίμηση και πρόβλεψη ροών προέλευσης-προορισμού Διαδικασία Disaggregation- Aggregation Συμπεριφορά μετακινουμένων και αντίδραση στην πληροφόρηση, με τη χρήση εξατομικευμένων μοντέλων Ώρας αναχώρησης Επιλογής διαδρομής Inputs Historical Data Traffic Sensor Data Demand Simulation 1. Aggregate Model OD Estimation (and Prediction) 2. Disaggregate Model Travel Behavior Output Population of drivers 19

21 Αλληλεπίδραση ζήτησης-προσφοράς Fixed point problem Find x: f(x) = x Algorithms Variations of x k+1 = g(x k, f(x k )) Simple iterations» x k+1 = f(x k ) MSA (method of successive averages)» x k+1 = x k + [f(x k )- x k ]/k Information Generation Information Strategy Consistency? Future Network Conditions Prediction Σχήμα 6. Αλληλεπίδραση ζήτησηςπροσφοράς 20

22 At 8:00 7:55 8:00 8:05 9:00 Estimation Running time At 8:05 Prediction 7:55 8:00 8:05 9:00 9:05 Estimation Running time Prediction Σχήμα 7. 21

23 Simulation Approaches Time-based Advance clock at fixed intervals t Control t for efficiency and accuracy Different t for various processes Event-based List of events processed sequentially Sequencing of events is critical Less control over efficiency Hybrid 22

24 Flow Representation and Traffic Dynamics Microscopic Individual vehicles Vehicle interactions and movements Mesoscopic Individual vehicles or groups Speed/density and queuing Macroscopic Continuous flow Speed/density 23

25 DynaMIT Simulation-based Dynamic traffic assignment system With traffic prediction capabilities Generating consistent travel information 24

26 Calibration inputs: DATA Calibration outputs: MODEL INPUTS and PARAMETERS Archived Data (Multiple Days) Sensor data Special events log Incident log Weather log OFF-LINE CALIB- RATION OD flows Capacities Traffic dynamics parameters Route choice parameters Travel times Error covariances OD prediction parameters OFF-LINE/ PLANNING APPLICATIONS Real-Time Data Sensor data Special events Incidents Weather Off-line calibrated parameters Historical Database ON-LINE CALIB- RATION Updating OD flows Capacities Traffic dynamics parameters Route choice parameters Σχήμα 8. Calibration REAL-TIME/ OPERATIONAL APPLICATIONS 25

27 Evaluation Off-line On-line Open Loop Archived data, Simulation Laboratory, NO information dissemination Real-time data feed, NO information dissemination Closed-Loop Simulation Laboratory, Information dissemination Real-time data feed, Information dissemination 26

28 15 min estimation interval Speeds (mph) Calibration Results Σχήμα 9. Calibration results 27

29 15 minute estimation interval, counts (veh/15 min) Σχήμα

30 Σχήμα

31 Online, Open Loop Evaluation: Los Angeles DynaMIT integration with ATSAC (LADoT) Automated Traffic Surveillance and Control File-based I/O interfaces Application Layer ATSAC DynaMIT Surveillance system Incident Detection: CLAIRE, AIDA Signal Control: ATCS Prediction DynaMIT server Counts, sensor status, incidents, signal timing ATSAC server Storage Layer Σχήμα 12. On-line, open loop evaluation: Los Angeles 31

32 Case Study: Central Artery Σχήμα 13. Central Artery 32

33 Case Study: Central Artery Closed Loop Impact of predictive information % informed drivers 3000 veh/h 3000 veh/h STORROW DRIVE CHARLESTOWN BOSTON MASS. PIKE ROUTE veh/h 2000 veh/h SUMNER/ CALLAHAN TUNNELS EAST BOSTON SOUTH BOSTON ROUTE 1A TOLL PLAZA THIRD HARBOR TUNNEL LOGAN AIRPORT 3000 veh/h Incident 7:10 to 7:40 1 lane blocked Σχήμα 14. Case study 33

34 Sensitivity Analysis Prediction Horizon: 20 min Σχήμα 15. Sensitivity analysis 34

35 Κατάλογος αναφορών σχημάτων Σχήμα Υλικό με μη προσδιορισμένη προέλευση. Σε περίπτωση που είστε ο κάτοχος του κύριου δικαιώματος παρακαλώ επικοινωνήστε μαζί μας.

36 Χρηματοδότηση Το παρόν υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του διδάσκοντα. Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους. 36