Summary of the results from the PhD research by Luuk Brederode, as presented on 2023/10/05 for the Flemish traffic Centre (https://www.verkeerscentrum.be/).
Travel demand matrix estimation methods integrating the full richness of obse...
Incorporating Congestion Phenomena into Large Scale Strategic Transport Model Systems
1. -
Incorporating congestion phenomena into large scale strategic
transport model systems
Samenvatting PhD
onderzoek van Luuk
Brederode 2013-2023
titel presentatie
1
Presentatie voor provincie Noord-
Brabant 2023-07-03
2. -
Inhoud (/menukaart?)
1. Relevantie van dit onderzoek en introductie van Static Traffic Assignment with Queuing
STAQ (8)
2. Positionering van STAQ en SDTAQ ten opzichte van andere toedelingsmodellen (6)
3. Matrixkalibratie met STAQ (13 + evt 5)
4. SDTAQ - Semi dynamische versie van STAQ (11)
vrijdag 6 oktober 2023
titel presentatie 2
3. -
Is dit onderzoek relevant?
resultaten uit een enquête onder 62 consultants en onderzoekers in ons veld
Wie waren de respondenten?
• Eerste ‘wave’:
• 35 Goudappel collega’s in maart 2022
• Tweede ‘wave’:
• 27 deelnemers in mijn sessie op het PLATOS colloquium in maart 2022
• In totaal: 62 respondenten die elk 2 vragen hebben beantwoord
vrijdag 6 oktober 2023
Multi Source Matrix Calibration – first large scale application 3
4. -
Q1: Wat is de beste maat voor file-omvang als je een
strategische studie doet?
vrijdag 6 oktober 2023
Multi Source Matrix Calibration – first large scale application 4
1. File lengtes
1.6%
2. Reistijdvertragingen of voertuigverliesuren
56.5%
3. File duur
0%
4. Filezwaarte (=lengte*duur)
41.9%
5. -
Q2: Hoe beoordelen we of een strategisch
verkeersmodel files goed beschrijft?
Door te vergelijken met:
vrijdag 6 oktober 2023
Multi Source Matrix Calibration – first large scale application 5
1. Waargenomen filelengten
21.3%
2. Waargenomen reistijdvertragingen of voertuigverliesuren
13.1%
3. Waargenomen fileduur
0%
4. Waargenomen filezwaarte (=lengte * duur)
14.8%
5. ‘Waargenomen’ i/c verhoudingen of wensvraag
50.8%
6. Waarom beoordelen we vooral op I/C
verhoudingen ipv reistijdvertragingen?
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ 6
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
7. Waarom beoordelen we vooral op I/C
verhoudingen ipv reistijdvertragingen?
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ 7
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Omdat een statisch capacity restrained model wegvakken met congestie niet kan beschrijven
zijn gemodelleerde snelheden op/boven capaciteit niet als vertragingen interpreteerbaar.
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
8. Waarom kunnen we met STAQ wel beoordelen
op reistijdvertragingen?
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ 8
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
STAQ is wél in staat om wegvakken met congestie te beschrijven. We kunnen dus ook
echte reistijdvertragingen uitrekenen.
9. Dat uit zich ook in congestiepatronen: Case study
Rijstroken toegevoegd
Kruispuntcapaciteit
uitgebreid
Uit: Brederode et al (2019)
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ 9
10. Toedeelresultaten referentie situatie
Legenda:
Bandbreedten: intensiteiten (vtg/h ochtendspits)
Kleuren: snelheid (als percentage van vrije snelheid)
Bollen: Omvang verticale wachtrijen (VVU’s)
Toedeelresultaten capacity restrained
Toedeelresultaten STAQ
80% 100%
0%
308
Uit: Brederode et al (2019)
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ
11. Toedeelresultaten scenario met maatregelen
1. Bottleneck op afrit verdwijnt
2. Bottleneck op snelweg verdwijnt
3. Meer verkeer via Berlicumseweg
4. Intensivering van bottlenecks en
spillback stroomafwaarts
5. Minder vertraging op ring Den Bosch
6. Meer instroom vanuit ring Den Bosch,
activatie van nieuwe bottleneck op
knooppunt
1
2
4
4
3
5
6
3
4
1
2
Toedeelresultaten capacity restrained
Toedeelresultaten STAQ
Legenda:
Bandbreedten: intensiteiten (vtg/h ochtendspits)
Kleuren: snelheid (als percentage van vrije snelheid)
Bollen: Omvang verticale wachtrijen (VVU’s)
80% 100%
0%
308
Uit: Brederode et al (2019)
vrijdag 6 oktober 2023
Matrixkalibratie met STAQ 11
13. Ruimtelijke aannames
Adopted from:
Brederode, L., Pel, A.J., Wismans, L., de Romph, E., Hoogendoorn, S.P., 2019. Static Traffic Assignment with Queuing: model
properties and applications. Transportmetrica A: Transport Science 15, 179–214. https://doi.org/10.1080/23249935.2018.1453561
Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Link model
Node model Nee (geen wachtrijen) Ja (wachtrijen, geen terugslag) Ja (wachtrijen en terugslag)
14. Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Static
Classificatie raamwerk
Effect van de ruimtelijke aannames
Semi-dynamic
Ongevoelig voor
congestie
Congestie bein-
vloedt routekeuze
+vert. wachtrijen
door congestie
+terugslag door
congestie
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Static Equillibrium’
(Beckmann et al, 1956)
Dynamic
‘STAQ squeezing’
(Brederode et al, 2019)
‘STAQ queuing’
(Brederode et al, 2019);
Bliemer and Raadsen 2020
Ruimtelijke aannames
Temporele
aannames
Framework
simplified
from:
Bliemer,
M.C.J.,
Raadsen,
M.P.H.,
Brederode,
L.J.N.,
Bell,
M.G.H.,
Wismans,
L.J.J.,
Smith,
M.J.,
2017.
Genetics
of
traffic
assignment
models
for
strategic
transport
planning.
Transp.Rev.
37,
56–78.
15. Temporele aannames
Adopted from:
Bliemer, M.C.J., Raadsen, M.P.H., Brederode, L.J.N., Bell, M.G.H., Wismans, L.J.J., Smith, M.J., 2017.
Genetics of traffic assignment models for strategic transport planning. Transp. Rev. 37, 56–78.
Modelled Demand
‘True’ Demand
Variability
of demand
Traffic transfer Nee Resterende wachtrijen
Static Semi-Dynamic Dynamic
Alle verkeer + condities
16. Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Static
Start met leeg
netwerk
Classificatie raamwerk
Effect van de temporele aannames
Semi-dynamic
Ongevoelig voor
congestie
Congestie bein-
vloedt routekeuze
+vert. wachtrijen
door congestie
+terugslag door
congestie
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Macroscopic Dynamic’
(CTM, Daganzo (1994);
LTM, Yperman (2007))
‘Static Equillibrium’
(Beckmann et al, 1956)
Dynamic
‘STAQ squeezing’
(Brederode et al, 2019)
‘STAQ queuing’
(Brederode et al, 2019);
Bliemer and Raadsen 2020
‘SDTAQ squeezing’
(Brederode et al, 2023)
‘SDTAQ queuing’
(Brederode et al, 2023)
Ruimtelijke aannames
Temporele
aannames
Start met
resterende
wachtrijen uit
vorige periode
Start met
netwerk
condities uit
vorige periode
Framework
simplified
from:
Bliemer,
M.C.J.,
Raadsen,
M.P.H.,
Brederode,
L.J.N.,
Bell,
M.G.H.,
Wismans,
L.J.J.,
Smith,
M.J.,
2017.
Genetics
of
traffic
assignment
models
for
strategic
transport
planning.
Transp.Rev.
37,
56–78.
Voor deze modellen kan
het gebruikersevenwicht
niet bepaald worden
(en/of het bestaat niet –
Dafermos 1980*)
*Dafermos, S., 1980. 'Traffic Equilibrium and Variational Inequalities'. Transportation Science 14(1), pp.42–54. https://doi.org/10.1287/trsc.14.1.42
17. Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Static
Classificatie raamwerk
Op verzoek van Tom van Vuren: Positionering van ‘hybride’ toedelingsmodellen uit de praktijk
Semi-dynamic
Dynamic
QBLOK network loading heuristic
PTV blocking back network loading heuristic
Ruimtelijke aannames
Temporele
aannames
Framework
simplified
from:
Bliemer,
M.C.J.,
Raadsen,
M.P.H.,
Brederode,
L.J.N.,
Bell,
M.G.H.,
Wismans,
L.J.J.,
Smith,
M.J.,
2017.
Genetics
of
traffic
assignment
models
for
strategic
transport
planning.
Transp.Rev.
37,
56–78.
*Dafermos, S., 1980. 'Traffic Equilibrium and Variational Inequalities'. Transportation Science 14(1), pp.42–54. https://doi.org/10.1287/trsc.14.1.42
SATURN assignment model
QBLOK assignment model
PTV ICA assignment model
SATURN network loading heuristic
18. Invoer parameters niet
eenduidig te bepalen
Vergelijking hybride aanpakken met STAQ
18
Twee soorten flows
(‘afgewikkeld’ vs ‘wens’)
Hybride
Heuristiek
Niet consistent met
verkeersstroom/wachtrij theorie
Capacity +
Storage
constrained
Kan gebruikersevenwicht niet
bereiken
Berekent ook spillback
(Verschillen in) uitvoer
slecht herleidbaar
Capacity
constrained
Kan gebruikersevenwicht wel
bereiken
Wel consistent met
verkeersstroom/wachtrij theorie
Invoer parameters wel
eenduidig te bepalen
Één soort flows (‘afgewikkeld’)
+ wachtrijen
Éen model
Spillback alleen als post
processing
(Verschillen in) uitvoer
goed herleidbaar
Hybride aanpakken STAQ en S-DTAQ
20. -
Achtergrond: wat is matrixkalibratie? Traditioneel
vrijdag 6 oktober 2023
titel presentatie 20
Upper level: OtMatrixEstimation
Minimaliseer verschillen tussen
gemodelleerde en waargenomen
wegvakintensiteiten
Waargenomen
wegvakintensiteiten
HB matrix
Lower level: Toedeling
Bepaal relatie tussen HB waarden
en wegvakintensiteiten
Toedeel Matrices
21. -
Achtergrond: wat is matrixkalibratie? Met STAQ
vrijdag 6 oktober 2023
titel presentatie 21
Upper level: MSMC
Minimaliseer verschillen tussen
gemodelleerde en waargenomen
wegvakintensiteiten, reistijden
en filekoplocaties
HB matrix
Lower level: STAQ
Bepaal relatie tussen HB waarden
en wegvakintensiteiten, reistijden
en filekoplocaties
Toedeel Matrices
Waargenomen
wegvakintensiteiten
Waargenomen
filekoplocaties
Waargenomen
Snelheden / reistijden
22. -
Een vergelijkend warenonderzoek
vrijdag 6 oktober 2023
titel presentatie 22
Tool Implementatie
Kan kalibreren op waargenomen: Houdt rekening met:
Intensiteiten Reistijden Filekoplocaties Matrixdelen Capaciteiten
uit kruispunt-
modellering
Telvolgorde
onafhankelijk
1 OtMatrixEstimation
In OmniTRANS
(c++)
*
2 SigKal
Standalone
(dotNet)
*
3 Static OD Adjustment In Aimsun Next
4 T-flowFuzzy In VISUM (c++) *
5 MSMC Matlab + Ruby
6
OtMatrixEstimation
revised
In OmniTRANS
(c++)
*
*door toevoegen van fictieve tellingen met ‘wensvraag’ waarde
• Drie eigen matrixkalibratie methoden vergeleken:
23. -
Een vergelijkend warenonderzoek
vrijdag 6 oktober 2023
titel presentatie 23
Tool Implementatie
Kan kalibreren op waargenomen: Houdt rekening met:
Intensiteiten Reistijden Filekoplocaties Matrixdelen Capaciteiten
uit kruispunt-
modellering
Telvolgorde
onafhankelijk
1 OtMatrixEstimation
In OmniTRANS
(c++)
*
2 SigKal
Standalone
(dotNet)
*
3 Static OD Adjustment In Aimsun Next
4 T-flowFuzzy In VISUM (c++) *
5 MSMC Matlab + Ruby
6
OtMatrixEstimation
revised
In OmniTRANS
(c++)
*
• Het zou voor modelgebruikers mooi zijn als de vergelijking zou worden uitgebreid met de
andere methoden! (initiatiefnemer(s) wanted!)
*door toevoegen van fictieve tellingen met ‘wensvraag’ waarde
• Drie eigen matrixkalibratie methoden vergeleken:
24. -
Gebruikte data: verkeersmodelnetwerk
vrijdag 6 oktober 2023
titel presentatie 24
1.580.764
3.920.406
Hbparen >0
Routes
145.269 Wegvakken
103.045
17.632
Knopen
kruispunten
Illustratie uit: Brederode, L., Gerards, L., Wismans, L., Pel, A., Hoogendoorn, S., 2023. 'Extension of a static into a semi-
dynamic traffic assignment model with strict capacity constraints'. Transportmetrica A: Transport Science 0(0), pp.1–34.
https://doi.org/10.1080/23249935.2023.2249118
25. -
Gebruikte data: wegvakintensiteiten
vrijdag 6 oktober 2023
titel presentatie 25
448 tellingen op hoofdwegennet
Officiele telset uit de
ochtendspits van de BBMB
2015-S107 op pae-niveau
26. -
Gebruikte data: wegvakintensiteiten
Afwijkingen voor kalibratie
vrijdag 6 oktober 2023
titel presentatie 26
Meer over- dan onderschattingen
Grotere overschattingen
Bekend fenomeen als gevolg van
onderrepresentatie ritten in OViN
27. -
Gebruikte data: 8 reistijdtrajecten
vrijdag 6 oktober 2023
titel presentatie 27
Uden – A326
A326 - Uden
A16 - Tilburg
Helmond – Den Bosch
Waalwijk – A2
Uden – Eindhoven
Tilburg - Eindhoven
Weert - Eindhoven
29. -
Gebruikte data: 16 filekoplocaties
vrijdag 6 oktober 2023
titel presentatie 29
30. -
Resultaten matrixkalibratie (samengevat)
vrijdag 6 oktober 2023
titel presentatie 30
Eenheden
Intensiteiten
Gemiddelde absolute afwijking als percentage
t.o.v. waargenomen intensiteiten op
wegvakniveau
Trajectvertragingen
Gemiddelde absolute afwijking als percentage
t.o.v. google-gemiddelde op trajectniveau
Filelocaties
Percentage van waargenomen filekoplocaties
dat mist in eind-toedeling
Apriori matrix:
Som van absolute afwijking per afstandsklasse
in procentpunten
33. -
Resultaten: verschil filekoplocaties
6 oktober 2023
Niet hier, maar grote kiemen
binnen kp Hooipolder
Kiem die in sommige
iteraties (met
verschil van 1
voertuig) verdwijnt
MSMC
OtMatrix
Estimation
-Rev
OtMatrix
Estimation
34. -
Resultaten: verschil met matrix voor kalibratie
6 oktober 2023
MSMC
OtMatrix
Estimation
-Rev
OtMatrix
Estimation
35. -
Resultaten: rekentijden
• Lower level (de toedelingen) duren ongeveer even lang; verschillen zijn proportioneel met
#iteraties
• Upper level (de solver) laat grote verschillen zien. De MSMC solver is veel trager. Oorzaak:
• Er wordt meer data meegenomen (congestiepatronen en reistijden)
• Congestiepatronen worden als randvoorwaarde meegenomen
• Implementatie is nog niet geoptimaliseerd (zit in Matlab + Ruby) 6 oktober 2023
36. -
Conclusies
• Het toedeelmodel STAQ modelleert wachtrijen en daarmee realistische vertragingen
• Dit leidt tot realistischer toedeelresultaten, maar biedt ook kansen om te kalibreren op
waargenomen reistijden / snelheden en filekoplocaties
• Op basis van literatuuronderzoek zijn de eigenschappen van een zestal matrixkalibratie
methoden vergeleken
• Hieruit blijkt dat MSMC de enige methode is die kan kalibreren op reistijden en direct
kan kalibreren op filekoplocaties (geen ‘wenstellingen’ nodig)
• De drie kalibratiemethoden die Goudappel gebruikt zijn getest op het provinciale model
van Noord-Brabant
• Hieruit blijkt dat de methoden vergelijkbaar presteren op tellingen, filekoplocaties en
apriori afwijkingen, maar dat MSMC als enige goed fit op waargenomen reistijden
6 oktober 2023
37. -
Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Static
Start met leeg
netwerk
Semi-Dynamisch STAQ in het klassificatie raamwerk
Semi-dynamic
Ongevoelig voor
congestie
Congestie bein-
vloedt routekeuze
+vert. wachtrijen
door congestie
+terugslag door
congestie
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Macroscopic Dynamic’
(CTM, Daganzo (1994);
LTM, Yperman (2007))
‘Static Equillibrium’
(Beckmann et al, 1956)
Dynamic
‘STAQ squeezing’
(Brederode et al, 2019)
‘STAQ queuing’
(Brederode et al, 2019);
Bliemer and Raadsen 2020
‘SDTAQ squeezing’
(Brederode et al, 2023)
‘SDTAQ queuing’
(Brederode et al, 2023)
Ruimtelijke aannames
Temporele
aannames
Start met
resterende
wachtrijen uit
vorige periode
Start met
netwerk
condities uit
vorige periode
Framework
simplified
from:
Bliemer,
M.C.J.,
Raadsen,
M.P.H.,
Brederode,
L.J.N.,
Bell,
M.G.H.,
Wismans,
L.J.J.,
Smith,
M.J.,
2017.
Genetics
of
traffic
assignment
models
for
strategic
transport
planning.
Transp.Rev.
37,
56–78.
38. -
Implementatie semi-dynamische versie van STAQ
38
Draai STAQ tot
gebruikersevenwicht Wachtrijen 𝐐𝑘 in
evenwicht
Equilibrium link inflows 𝐮𝑘
Hevel achtergebleven
verkeer over
Totale vervoersvraag
(𝐃𝑘+1 + 𝐐𝑘) en RouteSet
(𝐏𝑘+1) volgende periode
Vervoersvraag volgende
periode (𝑫𝒌+𝟏)
Route Fracties in
gebruikersevenwicht
RouteSet 𝐏𝑘
𝑘: = 𝑘 + 1
Verplaats achtergebleven verkeer
uit verticale wachtrijen naar de
volgende periode
• Overgeheveld verkeer ‘vertrekt’
vanuit het wegvak stroomopwaarts
van de wachtrij
• Indien nodig: voeg route toe
tussen vertrekpunt en
oorspronkelijke bestemmingen
Voor elke periode
Draai STAQ tot
gebruikersevenwicht
Simplified from: Brederode, L., Gerards, L., Wismans, L., Pel, A., Hoogendoorn, S.,(2023). Extension of a static into a semi dynamic traffic
assignment model with strict capacity constraints. https://doi.org/10.13140/RG.2.2.28452.76165 (under review for TransportMetrica/A)
39. -
Toepassing op provinciaal model Noord-Brabant
1.580.764
3.920.406
OD-pairs>0
Routes
145.269 Links
103.045
17.632
Nodes
Junctions
Picture adapted from: Brederode, L., Gerards, L., Wismans, L., Pel, A., Hoogendoorn, S.,(2023). Extension of a static into a semi dynamic
traffic assignment model with strict capacity constraints. https://doi.org/10.13140/RG.2.2.28452.76165 (under review for TransportMetrica/A)
40. -
Afleiden uur-matrices
• Etmaalmatrices BBMB opgesplitst naar 24 uur-matrices op basis van motief-
specifieke uurfracties afgeleid uit waargenomen vertrektijden in OViN:
40
59. -
Vergelijking voertuigverliesuren
0
5000
10000
15000
20000
25000
30000
35000
40000
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
Collective
loss
[veh*h]
Simulation time
Static TA model
Network operator's perspective
Traveller's perspective
0
5000
10000
15000
20000
25000
30000
35000
40000
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
Collective
loss
[veh*h]
Simulation time
Semi dynamic TA model
Network operator's perspective
Traveller's perspective
Static TA model Semi-dynamic TA model Difference
Period collective loss Period collective loss absolute relative
AM peak 07:00 - 10:00 42554 07:00 - 11:00 74774 32220 76%
PM peak 16:00 - 19:00 35156 16:00 - 19:00 44560 9404 27%
24h period 00:00 - 24:00 77710 00:00 - 24:00 119334 41624 54%
Adopted from: Brederode, L., Gerards, L., Wismans, L., Pel, A., Hoogendoorn, S.,(2023). Extension of a static into a semi dynamic traffic assignment model with strict
capacity constraints. https://doi.org/10.13140/RG.2.2.28452.76165 (under review for TransportMetrica/A)
60. -
Vergelijking van STAQ en de semi-dynamische
versie op BBMB
Conclusies m.b.t. realisme:
• De semi-dynamische versie laat de lege network aanname los. Dit leidt tot meer vervoersvraag en
voertuigverliesuren in tijdsperioden waarnaar achtergebleven verkeer is overgeheveld.
• Op het BBMB leidt dit tot maximaal 76% meer voertuigverliesuren en verbreding van met name de
ochtendspits.
• Op etmaalniveau berekent de semi dynamische versie 54% meer voertuigverliesuren.
• Deze substantiële verschillen laten zien dat (de lege netwerk aanname in) een statisch toedelingsmodel
vertragingen op netwerken met congestie ernstig onderschat.
• Het is daarom zeer waarschijnlijk dat de lege netwerk aanname (beleids)beslissingen beïnvloed die gebaseerd
zijn op wachtrij-lengten en reistijdvertragingen uit toedelingsmodellen toegepast op netwerken met congestie.
61. -
Vergelijking van rekentijden en convergentie
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00
Calculation
time
[hh:mm]
Simulation timeperiod
Grafiektitel
Semi Dynamic (assignment) Semi Dynamic (traffic transfer) Static
Static Semi-dynamic Difference
Assignment Assignment Traffic transfer Total
Average 6h-20h 01:14 01:21 00:31 01:53 51%
Total 6h-20h 17:27 19:06 07:19 26:26 51%
Total 24h 28:33 30:13 07:29 37:43 32%
Cijfers boven balken geven #iteraties weer dat nodig is om Duality Gap < 1E-04 te bereiken
Rekentijden in [uu:mm] op
een AMD Ryzen 9 3900X
@3.79 Ghz met 128GB of RAM
Adopted from: Brederode, L., Gerards, L., Wismans, L., Pel, A., Hoogendoorn, S.,(2023). Extension of a static into a semi dynamic traffic assignment model with strict
capacity constraints. https://doi.org/10.13140/RG.2.2.28452.76165 (under review for TransportMetrica/A)
Tot +16% voor toedeling
Tot +50% voor traffic transfer
62. -
Vergelijking van STAQ en de semi-dynamische
versie op BBMB
Conclusies m.b.t. rekentijden en convergentie:
• Het semi-dynamische model convergeert binnen acceptabele rekentijd en is dus bruikbaar voor de
strategische toepassingscontext
• In periodes met congestie gebruikt het semi-dynamische model gemiddeld 51% meer rekentijd,
voornamelijk voor het overhevelen van achtergebleven verkeer
• De STAQ implementatie is geoptimaliseerde C++-code, terwijl de overhevelingsmodule in Ruby is
geïmplementeerd en gegevens naar STAQ overdraagt middels losse bestanden.
• Het is daarom de verwachting dat de rekentijd in de overhevelingsmodule zal dalen tot minder dan
10% wanneer de code wordt geïntegreerd binnen de STAQ implementatie
63. -
Zijn er nog andere praktische gevolgen?
Semi-dynamisch STAQ:
• Biedt de mogelijkheid tot 24 u matrix-kalibratie
• Biedt i.c.m. een vertrektijdstipkeuze model mogelijkheid tot modelleren van spitsverbreding
• Kan dienen als vervanging van volledig dynamisch model
• Lost het probleem op van niet afgewikkeld verkeer wanneer STAQ toedelingen voor de
verschillende dagdelen moeten worden opgeteld tot etmaal
• Kan een volledig dynamisch model verder benaderen door periode-lengtes te verkorten
6 oktober 2023
64. -
Vragen? Meer info? Contact?
titel presentatie
Presentatie voor MOW – Vlaams verkeerscentrum
2023-01-11
slideshare.net/LuukBrederode
researchgate.net/profile/Luuk-Brederode
lbrederode@dat.nl / +31 (0) 6 27 36 98
30
Editor's Notes
Vervangen voor drie-trapje met kampioensbeker
Conclusie toevoegen: als je niet kalibreert op reistijden kan de fit op reistijden zelfs slechter worden (vergelijk synthetisch met revised).
9965 – Gorinchem
10028 – Tilburg
9983 - Eindhoven
Op ritlengtefrequentie-niveau zijn de verschillen (meer dan) acceptabel voor alle drie methoden. MSMC en OtMatrixEstimation scoren ongeveer even goed; revised heeft meer afwijkingen, maar nog steeds ruim binnen de marge gelet op het aantal OViN waarnemingen (niet op de grafiek).