Inicio Explorar Ayuda
Iniciar sesión
ardo
/
Obsidian
1
0
Fork 0
Archivos Incidencias 0 Pull Requests 0 Wiki
Árbol: 683441616b
Ramas Etiquetas
Obsidian
/
Doktoritöö
/
000_otsast_peale
/
00.02 - veebiotsingud
/
traffic assignment on local roads with limited data.md

traffic assignment on local roads with limited data.md 11 KB
Histórico Raw

tags:

  • article
  • AI_agent --- Kokkuvõte – liikluskoormuse jaotamine kohalikul teede võrgul, kui andmeid on vähe

  1. Andmevajadused

    • Reisijõud (OD‑maatriksid) – tavaliselt tuleb need hankida omavalitsusest või klassikalistest transpordimudelitest. Kui loendusandmed puuduvad, saab nõudluse hinnata sotsiaalmajanduslike näitajate ja haruldaste liiklusloenduste põhjal [3].
    • Võrgukihi andmed – teekonna geomeetria, sõidukiirus, maht ja pikkus. Kui kohalikke mõõtmisi pole, saab need genereerida avalikest allikatest (nt OpenStreetMap) [3].

  2. Peamised modelleerimismeetodid

    • All‑or‑Nothing (AON) – kõik sõidud eeldatavalt kasutavad lühimat teed (üldkulude alusel). Ei arvesta koormuse mõju, seega sobib esialgseks “pre‑load” analüüsiks [3].
    • Volume Averaging (VA) – iteratiivne meetod, kus iga kord uuendatakse linkide reisi­mahtu BPR‑funktsiooni põhjal. Võimaldab arvestada koormuse tekitatud viivitusi ja saavutada deterministlik kasutajatasakaal [3].
    • Local‑User Cost Equilibrium (LUCE) – puu‑põhine algoritm, mis algab AON‑jaotusest ning seejärel jagab sõidud mitmele marsruudile ühe iteratsiooni jooksul. Konvergeerib kiiremini kui VA, kuid nõuab rohkem mälu [3].

  3. Reisi‑aegade arvutamine

    • Kasutatav on BPR‑funktsioon:
      $$ T = T_0!\left(1+\alpha!\left(\frac{I}{C}\right)^\beta\right) $$ kus (T_0) on vaba‑voolu aeg, (I) – intensiivsus ja (C) – mahtuvus. Parameetreid $(\alpha,\beta)$ saab kohandada vastavalt teetüübi (maantee vs elamutee) [3].
    • Dijkstra algoritm määrab lühima tee, kasutades kulumõõdikuid (kaugus + aeg või üldkulud) [3].

  4. Kuidas toimida väheste andmete korral

    • Nõudluse hindamine: sotsiaalmajanduslikest tunnustest (rahvastiku tihedus, auto‑omanemine, tööhõive jne) saadud regressioonimudelid või masinõppepõhised prognoosid.
    • Võrgukihi täiendamine: OSM‑andmete põhjal luua linkide kiiruse ja mahtuvuse ligikaudsed väärtused; vajadusel kalibreerida BPR‑parameetreid olemasolevate haruldaste loenduspunktidega [3].
    • Sõltumatud meetodid: uuritud on ka sügavad graafikupõhised lähenemised (nt DTIGNN), mis suudavad ennustada võrgu taseme liiklusvooge väheste mõõtmiste põhjal, kasutades ajaloolist seisu ja liiklusoperatsioonide mõju. See meetod on esitatud artiklis “Modeling Network‑level Traffic Flow Transitions on Sparse Data” [7].

  5. Praktilised sammud kohaliku teede võrgule

    1. Koguda või genereerida TAZ‑taseme OD‑maatriks (võib alata sotsiaalmajanduslikest prognoosidest).
    2. Importida OSM‑põhine võrguandmestik ja määrata igale lingile kiirus/mahtuvus; vajadusel rakendada BPR‑parameetreid.
    3. Valida algmeetod – AON annab kiire ülevaate, VA või LUCE pakuvad täpsemat koormuse jaotus­analüüsi.
    4. Kalibreerida mudelit haruldaste loendusandmete (nt valitud ristmikud) abil; vajadusel kasutada DTIGNN‑sarnast lähenemist andmete puudu leevendamiseks.
    5. Analüüsida tulemusi – vaadata linkide mahtu, kitsaskohti ja kasutajatasakaalu ning teha otsuseid infrastruktuuri või liikluskorralduse kohta.

Allikad: Ülevaade Traffic Assignment mudelist (andmevajadused, BPR‑funktsioon, Dijkstra, AON/VA/LUCE) [3]; DTIGNN meetod harvaõppitud andmete korral [7].

Leitud allikad

Nr Lähte‑link Peamised sisukohad
1 https://www.urbansdk.com/resources/comparing-ways-to-collect-data-gps-sensors-crowdsourced-and-manual-counts Selgitab, kuidas GPS‑põhiseid probe‑andmeid (ühendatud sõidukid, nutitelefonid) ja crowdsourcitud allikaid (nt Waze) võimaldavad hinnata liiklusvooge, kiirusi ja reisiaegu kogu teedevõrgus ilma tiheda sensorivõrku. Andmed on valimi‑põhised, vajavad kalibreerimist fikseeritud mõõtmisjaamadega ning nõuavad privaatsuskaitset.
2 https://www.nature.com/articles/s41597-024-03149-8 Kirjeldab linna­tasemel liiklus‑määramise töövoogu, mis kasutab ainult avatud andmeid: OpenStreetMapi teedevõrk, LODES‑tööjõu päritolu–sihtkoha (OD) statistika ning TomTom/Waze’i reaalajas kiiruse‑ ja reisiajavalideerimist valideerimiseks. Eraldi kalibreeritakse kohalikate teede parameetreid (võimsus 600 – 1500 v/h/lane, vaba‑voo kiirus 25 – 45 km/h) ning BPR‑funktsiooni α/β väärtusi ja pööramispenalte. Kasutatakse kasutajatasakaalu (User Equilibrium) lahendust Frank‑Wolfe algoritmiga; tulemused valideeritakse TomTomi reaalajas andmetega, saavutades keskmise korrelatsioonikordaja 0,79 reisiaja ennustamisel.
3 https://link.springer.com/article/10.1007/s11116-026-10746-6 (lisainfo) Rõhutab makroskoopilist nõudlus‑mudelit ja võrgumääramist maapiirkondades, mis on asjakohane, kui andmeid on vähe – kombineeritakse OD‑andmed ja alternatiivsed reisimismudelid.
4 https://www.mdpi.com/2413-8851/9/9/353 (lisainfo) Pakub masinõppepõhiseid kodumajade reisigeneratsiooni mudeleid, mis võivad anda täiendavaid OD‑sisendeid piirkondlikel tasanditel.
5 https://doi.org/10.1080/24694452.2023.2265957 (ei ole otseselt seotud) –

Edukas tööprotsess “traffic assignment on local roads with limited data”

  1. Andmete kogumine

    • Teedevõrk: Laaditakse alla OpenStreetMapist (OSM). Kasutatakse osmnx ja osm2gmns, et saada sõlmede‑ja‑linkide CSV‑failid GMNS formaadis.
    • Päritolu–sihtkoha nõudlus (OD): Võetakse LODES‑andmestik, mis annab tööjõu liikumise blokitasandi statistika; koondatakse trakti tasemele, et vähendada arvutusmahtu ja säilitada piisav täpsus.
    • Valideerimisandmed: TomTomi liiklusindeks (keskmised reisimisajad) ja Waze’i kiiruse‑voogud pakuvad reaalaegset kontrollpunkti, mis võimaldab kalibreerida modelle.

  2. Kohalike teede parameetrite määramine

    • Kapatsiteedi vahemik: 600 – 1500 sõidukit tunnis lane’i kohta (vastavalt tabelist 4).
    • Vaba‑voo kiirus: 25 – 45 km/h.
    • Need väärtused põhinevad varasematel uuringutel ja on kohandatud grid‑search meetodi abil, et minimeerida valideerimisvigade summat.

  3. Liiklusmudeli seadistamine

    • Kasutajatasakaal (UE): Optimeeritakse Frank‑Wolfe algoritmi variandi (bi‑conjugate) abil; maksimaalne iteratsioon 500, konvergentskriterium 0,001.
    • BPR funktsioon: $$ t = t_0[1 + \alpha(v/c)^\beta] $$ – α kalibreeritakse vahemikus 0,15 – 0,6, β 1,2 – 3 (grid‑search).
    • Pööramispenaltid: Vasakule pööramine 0 – 0,35 minutit, paremale 0 – 0,25 minutit, otse liiklus 0 – 0,15 minutit.

  4. Kalibreerimine ja valideerimine

    • Simulatsiooni tulemusi võrreldakse TomTomi keskmiste reisimisajade ning Waze’i kiiruste andmetega; parameetrid kohandatakse seni, kuni saavutatakse soovitud korrelatsioon (≈0,79) ja suhtelised vead (< 6 % reisimiskiirus).
    • Valideerimise käigus tuvastati, et kohalike teede modelleerimine vajab eriti täpset vaba‑voo kiiruse seadet, sest nende segmendid on tihti piiratud võimsusega.

  5. Andmekogumi avaldamine

    • Lõplikud sisend‑ ja väljundfailid (node/link CSV-d, OD‑maatriks, linkflow‑bin/CSV) laaditakse Figshare’i repos (link: https://doi.org/10.6084/m9.figshare.24235696). Iga linna kaust sisaldab TransCAD‑ ja AequilibraE‑spetsiifilisi faile.

Kokkuvõte – Vastus päringule

Kasutades ainult avaldatud andmeid (OpenStreetMap, LODES, TomTom/Waze) ning rakendades:

  • kohandatud kohalike teede võimsuse ja vaba‑voo kiiruse parameetreid,
  • BPR‑funktsiooni α/β kalibreerimist,
  • pööramispenaltide lisamist,
  • kasutajatasakaalu (UE) lahendust Frank‑Wolfe algoritmiga,

on võimalik teostada täpne liiklusmääramine ka kohalikel teedel ilma tiheda sensorivõrguta. Induktiivne GPS‑probe ja crowdsourcitud andmed pakuvad vajalikku valimi‑katvuse, samas kalibreerimine reaalajas mõõtmistega (TomTom/Waze) tagab usaldusväärse tulemuste valideerimise.

Seega: Liiklusmääramise edukad sammud kohalikel teedel piiritletud andmetega on kirjeldatud eespool toodud allikates, eriti Nature‑artikkel (https://www.nature.com/articles/s41597-024-03149-8) ja Urban SDK juhised (https://www.urbansdk.com/resources/comparing-ways-to-collect-data-gps-sensors-crowdsourced-and-manual-counts).

Search results: Title: A unified dataset for the city-scale traffic assignment model in 20 U.S. cities - PMC - Link: https://pmc.ncbi.nlm.nih.gov/articles/PMC10980787/ Title: A unified dataset for the city-scale traffic assignment model ... - Nature - Link: https://www.nature.com/articles/s41597-024-03149-8 Title: Traffic Analysis Toolbox Volume XIV: Guidebook on the Utilization of Dynamic Traffic Assignment in Modeling - Section 2 - Link: https://ops.fhwa.dot.gov/publications/fhwahop13015/sec2.htm Title: Route assignment - Wikipedia - Link: https://en.wikipedia.org/wiki/Route_assignment Title: Dynamic Traffic Assignment: A Primer - Link: https://onlinepubs.trb.org/onlinepubs/circulars/ec153.pdf Title: Collecting and Managing Traffic Data on Local Roads - Link: https://lrrb.org/media/reports/TRS1207.pdf Title: Mastering Traffic Assignment - numberanalytics.com - Link: https://www.numberanalytics.com/blog/ultimate-guide-traffic-assignment Title: Development and evaluation of statistical models for international ... - Link: https://www.sciencedirect.com/science/article/pii/S0160412026001893 Title: Traffic Data Computation Method POCKET GUIDE Publication No. FHWA-PL-18-027 - Link: https://www.fhwa.dot.gov/policyinformation/pubs/pl18027_traffic_data_pocket_guide.pdf Title: Review of Traffic Assignment and Future Challenges - MDPI - Link: https://www.mdpi.com/2076-3417/14/2/683 Title: Last Step of Four Step Modeling (Trip Assignment Models) – Transportation Land Use Modeling and Policy (TLUMP) - Link: https://uta.pressbooks.pub/oertransportlanduse/chapter/chapter-13-last-step-of-four-step-modeling-trip-assignment-models/ Title: One-Shot Traffic Assignment with Forward-Looking Penalization | Proceedings of the 31st ACM International Conference on Advances in Geographic Information Systems - Link: https://dl.acm.org/doi/10.1145/3589132.3625637 Title: (PDF) Road Traffic Data: Collection Methods and Applications - Link: https://www.researchgate.net/publication/254424803_Road_Traffic_Data_Collection_Methods_and_Applications Title: What is AADT? Explaining Annual Average Daily Traffic Data - Link: https://www.streetlightdata.com/what-is-aadt/ Title: Dynamic Traffic Assignment | TF Resource - Link: https://tfresource.org/topics/Dynamic_Traffic_Assignment.html Title: A.8 – Route Selection and Traffic Assignment | The Geography of Transport Systems - Link: https://transportgeography.org/contents/methods/route-selection-process/ I will navigate to https://www.nature.com/articles/s41597-024-03149-8