prediktions- och scenariobaserad trafikledning (post)/1...prediktions- och scenariobaserad...
TRANSCRIPT
![Page 1: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/1.jpg)
Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH), Erik Jenelius (KTH), Clas Rydergren (LiU), Rasmus Ringdahl (LiU), Joakim Ekström (LiU), Wilco Burghout (KTH) Trafik Stockholm, TrV STRESS Sweco, UC Berkeley
![Page 2: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/2.jpg)
Personer • LiU/KTH
• David Gundlegård, Matej Cebecauer, Erik Jenelius, Clas Rydergren, Wilco Burghout, Joakim Ekström, Rasmus Ringdahl
• STRESS • Tommy Nittula, Anders Persson
• Trafik Stockholm • Beatrice Gustafsson, Alexander Nilsson, Otto Åstrand
• Trafikverket • P-O Svensk, Tomas Julner
![Page 3: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/3.jpg)
Motiv till projektet • Prediktera efterfrågan och ruttval för att
utvärdera/rangordna trafikledningsåtgärder • Utveckling av offline-processer för efterfrågemodellering och
scenarioutvärdering • Utveckling av online-processer för klassificering av
trafiksituation och val av styråtgärd • Åtgärdsexempel
• Bärga direkt eller efter peaken? • Stänga körfält? • Informera trafikanter
• Lämna bilen hemma • Ruttval
• Frågeställningar • Hur prediktera efterfrågan? • Hur sker ruttval för normaldagar och vid incidenter? • Hur utvärdera trafikledningsåtgärder?
![Page 4: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/4.jpg)
Input från tidigare CTR-projekt • Estimering och prediktering av restider
• PPCA • CTM-v + EnKF • (Test med neurala nät, inflöden)
• Vägnätsbeskrivning för realtidsmodeller • NVDB -> model graph
• Första ordningens trafikmodell (CTM-v) • Kan köras i realtid för MCS-data • Interaktion via Matlab GUI
• Metoder för OD-estimering • c-SPSA
TrV Internal
TrV Test MMS/POST
Sens
orda
ta
Model GUI Dashboard
![Page 5: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/5.jpg)
Traffic Management
POST - Översikt 5
Traffic State Estimation
Supply & Incident Management
Supply (Network, road works,
incidents, control)
Observations
Demand Management
Demand (OD, boundary flows)
Pattern classification
Traffic State Prediction
Real-time Traffic modeling
Automatic Traffic Control
(RM, VSL)
Information, incentives Knowledge, actions Scenario
Assessment
Incident detection
Offline processing
Clustering
Offline Traffic modeling
Action ranking
Archiving
Assim
ilation and fusion
![Page 6: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/6.jpg)
Demand (OD, boundary flows)
Pattern classification
Ramverk scenariobaserad trafikledning 6
Supply modeling
Real-time Traffic modeling
Incident info Action 1 Action 2 Action 3
Clustering
Action ranking (performance metrics)
Pattern 1
Pattern 2
Pattern 3
Pattern 4
Action 2
Action 1
Action 3
TMC
1. Offline för historiska händelser 2. Utvärdera alternativ i realtid
1. Utan ruttval för flödeskontrollerat nätverk 2. Med ruttval för primärt nätverk 3. Med ruttval för hela nätverket
Todays flows
![Page 7: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/7.jpg)
Scenarioutvärdering - Exempel 7
• 25/8 2017: krånglande broskarv på Essingeleden
– Ett antal körfält måste stängas av
– Vilken information ska ges till trafikanter och när?
E4N 18/8 2017 18/8 2017 Södra länken
![Page 8: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/8.jpg)
Scenarioutvärdering - Exempel 8
• 25/8 2017: krånglande broskarv på Essingeleden
– Ett antal körfält måste stängas av
– Vilken information ska ges till trafikanter och när?
E4N 25/8 2017 25/8 2017 Södra länken
![Page 9: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/9.jpg)
Klassificering av typdag 9
• För att möjliggöra prediktering och utvärdering av trafikledningsåtgärder behöver efterfrågan skattas (utvärdering offline) eller predikteras (utvärdering online)
• För att kunna skatta/prediktera efterfrågan och förstå effekterna av olika åtgärder vill vi klassificera typ av dag
• Hur ska vi avgöra vilken typ av dag vi har idag? – Trafikkalender: Veckodag, väder, säsong, event… – Tidsserieanalys – Klustring (gruppering) av sensordata
• Vad ska vi klustra? – Restid (prestanda) – OD-matris (efterfrågan) – Flöde (efterfrågan + prestanda)
• Hur många kluster ska vi ha?
![Page 10: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/10.jpg)
Manuell klustring: Trafikkalender 10
• Specialdagar (DOY 2016/2017): – Nyårsdagen (1/1) – Trettondagen (6/6) – Skärtorsdag (84/103) – Långfredag (85/104) – Påskafton (86/105) – Påskdagen (87/106) – Annandag påsk (88/107) – Valborg (122/121) – Kristi himmelsfärd (126/145) – Klämdagar (127 / 146, 156) – Nationaldagen (158/157) – Skolavslutning (159) – Studenten (160, 167) – Midsommarafton (176/173) – Midsommardagen (177/174) – Midsommarsöndag (178/175) – Julafton (359/358) – Juldagen (360/359) – Annandag jul (361/360) – Nyårsafton (366/365)
• Specialperioder (DOY 2016/2017): – Januaridagar (4-10/2-8)
– Sportlov (60-66/58-64)
– Påsklov (81-87/100-106)
– Sommar/semester (178-228/176-226)
– Juli (183-213/182-212)
– Höstlov (305-311/303-309)
– Mellandagar (362-365/361-364)
![Page 11: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/11.jpg)
Typer av klustring 11
Rutt Utvalda sensorer Vägnätsnivå
![Page 12: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/12.jpg)
Klustring i tid och rum 12
Endast tid Tid + endimensionellt rum Tid + tvådimensionellt rum
C. Lopez, L. Leclercq, P. Krishnakumari, N. Chiabaut, and H. Lint, “Revealing the day-to-day regularity of urban congestion patterns with 3d speed maps,” Nature Scientific Reports, 2017
Tidsupplösning? 5, 10, 15, 30, 60 min? Rumsupplösning? Sensor, länk, rutt?
![Page 13: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/13.jpg)
Hur många kluster? 13
![Page 14: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/14.jpg)
Klustring - Exempel 14
Tidsprofil normerat flöde för 6 kluster
![Page 15: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/15.jpg)
6 kluster – spridning över året 15
![Page 16: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/16.jpg)
6 kluster – spridning mellan månader 16
![Page 17: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/17.jpg)
6 kluster – spridning mellan veckodagar 17
![Page 18: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/18.jpg)
Klustring – Exempel utvalda sensorer 18
Tidsprofil normerat flöde för 6 kluster
![Page 19: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/19.jpg)
Klustring – Exempel utvald rutt (Sörentorp-Fredhäll) 19
• …
![Page 20: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/20.jpg)
Klustring restider Sörentorp-Fredhäll 2016-2017 20
K-means (2 grupper) K-means (9 grupper)
Vardag/helgdag (2 grupper)
![Page 21: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/21.jpg)
Klustring restider Sörentorp-Fredhäll 2016-2017 21
3D speed maps (2 grupper) 3D speed maps (9 grupper)
Vardag/helgdag (2 grupper)
![Page 22: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/22.jpg)
Vardag/helgdag (2 grupper)
22
K-means (2 grupper) K-means (9 grupper)
Klustring flöde Sörentorp-Fredhäll 2016-2017
![Page 23: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/23.jpg)
Exempel – klassificering/prediktering rutt 23
• Restidsprediktering Sörentorp-Fredhäll 2016-2017
– Klustring/klassificering 3D speed maps
– PPCA
– Historic mean
• Vardag
• Kalibrerad (jan 2016–okt 2017)
• utvärderad (nov 2017)
13:30 20:00 17:00
![Page 24: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/24.jpg)
Effects of the spatio-temporal clustering on the prediction accuracy (probe data)
24
• Data driven PPCA prediction for 11,340 links • Prediction accuracy improved • Computational cost decreased • Enable real-time prediction
Highways North-south axis
![Page 25: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/25.jpg)
Trafikledning baserat på rutt-analys 25
• Incidenter eller återkommande köbildning
• Vilka ruttflöden passerar viss länk
• Riktad trafikantinformation för utvalda OD-par
• Vilka omgivande länkar påverkas av incident på länk
– Vid information innan avfärd (standardruttval)
– Vid information under avfärd (alternativa rutter uppströms för givna ruttflöden)
• Kräver koppling till OD-matris och ruttval
![Page 26: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/26.jpg)
Demand (OD, boundary flows)
Pattern classification
Ruttvalsanalys 26
Supply modeling
Traffic modeling
Incident data
Clustering
Pattern 1
Pattern 2
Pattern 3
Pattern 4
TM
Network loading
Route set generation
Route choice modeling
Link-based route analysis
1. För nätverk i LA med kalibrerad Aimsun-modell och restidsdata (UC Berkeley)
2. För Stockholm med datadriven nätutläggning
Todays flows
![Page 27: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/27.jpg)
Ruttval - Exempel 27
• Major incident in I-210 Los Angeles
![Page 28: Prediktions- och scenariobaserad trafikledning (POST)/1...Prediktions- och scenariobaserad trafikledning (POST) David Gundlegård, Matej Cebecauer (KTH ), Erik Jenelius (KTH), Clas](https://reader036.vdocuments.mx/reader036/viewer/2022071007/5fc53866d84eaa1810357830/html5/thumbnails/28.jpg)
Kommande arbete 28
• Fortsatt arbete med klustring av dagar och klassificering
– Val av klustringsmetod och upplösning
• Utvärdering scenarioanalys
– Effekt av klustring och klassificering
– Modellkalibrering
– Rangordning av trafikledningsåtgärder
• Ruttvalsanalys för Stockholm
– Implementera metoder testade i LA för Stockholm
– Skapa trafikledningsinformation från länk/rutt-information