Wikia



MiOS (Microscopic Online Simulator) is een verkeerssimulator, die op microniveau online verkeersvoorspellingen doet op basis van metingen uit een netwerk. De simulator gebruikt een cellular automata model voor het netwerk. Het rijgedrag van de individuele voertuigen wordt met gebruik van een Bayesiaans netwerk voorspeld. De schatting van herkomst en bestemming gebeurt aan de hand van bekende historische gegevens.


InleidingEdit

Voor zijn promotie heeft Mark Miska een online simulator ontwikkeld, die aan een verkeersmanagementsysteem kan worden gekoppeld. Hieronder volgt een korte beschrijving van het simulatiemodel, gebaseerd op de samenvatting van zijn proefschrift.

Simulatie met Cellular AutomataEdit

MiOS is een pakket van zelfstandig werkende modules met als doel een online verkeerssimulatie mogelijk te maken. De simulatie is gebaseerd op een cellular automata (CA) aanpak. Voor deze aanpak is gekozen vanwege de aantrekkelijke hoge rekenkundige snelheid. Een van de uitbreidingen aan het CA-model in MiOS is de reductie van de cellengte tot 0,5 meter. Dit maakt een betere representatie van (volg)afstanden en heterogeen verkeer (auto's, vrachtwagens en bestelvoertuigen) mogelijk. Voertuigen beslaan niet één enkele cel van de automata, maar verschillende cellen, al naar gelang de voertuiglengte. Omdat de minimumbeweging van een voertuig één cel per update is, staat de tijdstap van de simulatie op 0,1 seconde. Dit maakt het mogelijk om snelheidsverschillen tot 18 km/uur te onderscheiden. Normaliter gebruiken CA-modellen transmissieregels om de beweging van voertuigen te simuleren. Dit past echter niet bij het concept van individuele, verwisselbare, autonome modules. Daarom is gekozen om de transmissieregels niet in de simulator te integreren, maar in een aparte module die verantwoordelijk is voor de simulatie van het rijgedrag.

RijgedragEdit

Op basis van de bestaande literatuur over rijgedragmodellen en de conclusies die hieruit werden getrokken, is besloten tot een nieuwe aanpak van rijgedragmodellering. In tegenstelling tot het formuleren van een rekenkundig of regelgebaseerd model (en dit vervolgens te kalibreren met meetgegevens), zijn microscopische meetgegevens als basis genomen om een Bayesiaans netwerk mee te trainen. Deze techniek leverde vervolgens verdelingen op van individueel rijgedrag in de door gebruikers ervaren rijomgeving. Met perceptie van de automobilist als invoer in de simulator, is het mogelijk een patroonherkenningprocedure uit te voeren. Hiermee kan de reactie van de automobilist in de huidige situatie worden bepaald. Om te compenseren dat automobilisten niet in staat zijn hun exacte volgafstand en snelheidsverschil in te schatten, worden deze gegevens uit de simulator gecombineerd met een random verstoring. Deze is gebaseerd op de waargenomen data. De reactie gebaseerd op deze met ruisverstoorde perceptie vormt de gebruikte feedback in de rijsimulator.

Herkomst/Bestemming SchatterEdit

Deze module is erop gericht om lokale metingen in overeenstemming te brengen met het Herkomst-Bestemmingspatroon (H/B-patroon) dat wordt gebruikt in de simulator, om de omvang van de voertuigstromen te simuleren. Het schatten van H/B-matrices vormt een uitgebreid en complex onderzoeksgebied, waarin nog veel ontwikkelingen gaande zijn.

Uit praktisch oogpunt is ervoor gekozen om een eenvoudige H/B-schatter en -voorspeller te gebruiken, gebaseerd op vooraf bepaalde (a-priori) H/B-matrices voor verschillende perioden (nacht, ochtendspits, middag en avondspits). Deze a-priori matrices worden vermenigvuldigd met vectoren, die gebaseerd zijn op meetgegevens. Hiermee worden de H/B-matrices in overeenstemming gebracht met de huidige verkeersvraag. Deze eenvoudige methode vereist de beschikbaarheid van a-priori H/B-relaties in het netwerk.

Ondanks dat er in het proefschrift niet meer aandacht is gegeven aan het H/B-schattingsproces, is de interface van deze module ontwikkeld om te voldoen aan de eisen van de huidige state-of-the-art H/B-schatters. Gebaseerd op de H/B-matrix behorende bij de simulatietijd, zal de simulator voertuigen genereren die vervolgens het netwerk inkomen. De keuze van de route tussen de oorsprong en de bestemming wordt beschreven door een routekeuzemodel. Om de route per voertuig te bepalen, gebruikt het in MiOS geïmplementeerde routekeuzemodel kostenfuncties per wegvak, gebaseerd op de huidige reistijden, routegeleidingsinformatie en het wegtype.

Na doorrekening van een netwerk, kunnen de kosten worden berekend aan de hand van een kortste-pad algoritme. Voertuigen blijven niet noodzakelijkerwijs gebruik maken van de oorspronkelijk gekozen route. Het model is namelijk uitgebreid met een comfortfactor voor elke automobilist. Deze factor beschrijft de bereidwilligheid van een automobilist om van route te verwisselen gedurende de reis. Deze factor is gebaseerd op de wegvakdichtheid en de verschillen tussen de gewenste en de werkelijke snelheid van de automobilist. Indien de comfortfactor een gebruikersspecifieke grenswaarde bereikt, krijgt het voertuig een nieuwe route naar zijn bestemming toegewezen.

Openstaande vragenEdit

Er zijn momenteel geen openstaande vragen. Aanvullingen zijn welkom.

Ad blocker interference detected!


Wikia is a free-to-use site that makes money from advertising. We have a modified experience for viewers using ad blockers

Wikia is not accessible if you’ve made further modifications. Remove the custom ad blocker rule(s) and the page will load as expected.

Around Wikia's network

Random Wiki