Modeling, Calibration and Validation of Highway Traffic Networks€¦ · una strategia di...
Transcript of Modeling, Calibration and Validation of Highway Traffic Networks€¦ · una strategia di...
Modeling, Calibration and Validationof
Highway Traffic Networks
Andrea Pinna
Universita degli Studi di CagliariDipartimento di Ingegneria Elettrica ed Elettronica
Delft University of TechnologyDelft Center for Systems and Control
Relatori: Prof.Ing. Alessandro Giua Anno Accademico
Prof.Ing. Bart De Schutter 2006/2007
Dr.Ing. Andreas Hegyi
Ing. Monique van den Berg 18 Aprile 20081 / 39
Indice
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
2 / 39
Situazione Attuale
La rete stradale dei Paesi Bassi risulta, ormai da qualche anno,inadeguata a sostenere la domanda, sempre piu crescente, ditraffico.
1990 2000 2010 20200
50
100
150
Anno
Den
sita
(veh
/km
)
Traffico Merci MRNTraffico Merci URNTraffico Passeggeri MRNTraffico Passeggeri URN
3 / 39
Possibili Rimedi
Gli svantaggi sono molteplici:
Sempre piu frequenti congestioni della rete
Incremento delle emissioni inquinanti
Spreco di carburante
Perdita di tempo (e denaro)
Peggioramento della qualita della vita
Per tutti questi motivi la rete stradale olandese e soggetta a varilavori, e tanti altri sono pianificati in futuro.
Al problema del traffico si puo ovviare con:
Ampliamento delle strutture esistenti
Costruzione di nuove strade
Ottimizzazione del flusso del traffico lungo l’attuale rete
4 / 39
Controllo del Flusso del Traffico
Il flusso di veicoli lungo una strada puo essere controllato tramiteuna strategia di controllo, che gestira i dati provenienti dai sensorie istruira gli attuatori.
5 / 39
Software di Simulazione
Le strategie di controllo, prima di venir applicate, vengono simulateper mezzo di appositi software (Corsim, Paramics, Vissim).
I software di simulazione del flusso del traffico possono essereclassificati in base alle seguenti categorie:
Interpretazione fisica (black box, grey box, white box)
Livello di dettaglio (microscopico, mesoscopico, macroscopico)
Modello deterministico oppure stocastico
Modello tempo-discreto oppure tempo-continuo
6 / 39
Paramics
Il software di simulazione scelto e Paramics:
Grey box
Microscopico
Stocastico
Tempo-discreto
Paramics
simulation
software
Network description
Demand profiles
Vehicles parameters
Drivers parameters
Simulation parameters
Flow
Speed
Density
.
.
.
7 / 39
Obiettivi della Tesi
Gli obiettivi del progetto sono:
Creazione di un semplice modello di rete autostradale inParamics
Sviluppo, in Matlab, di un algoritmo per la calibrazione deiparametri del modello
Selezione della funzione di ottimizzazione piu adatta per talescopo
Validazione del modello calibrato
8 / 39
Modellazione della Rete Stradale
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
9 / 39
Scelta della Rete
Il modello scelto, per essere considerato un buon banco di prova,deve essere caratterizzato da:
Semplicita (rettilineo non interrotto da rampe)
Lunghezza (10 km)
Presenza di congestioni (nelle vicinanze di Utrecht)
10 / 39
Stazione di Servizio
Solamento dopo l’avvio del progetto, si e notata la presenza di unastazione di servizio:
Interruzione del rettilineoPerturbazione del trafficoDifficile stima del numero di veicoli che usufruisce dellastazione
11 / 39
Modellazione con Paramics
Il layout della rete viene modellato tenendo conto della stazione dirifornimento:
Inizio della rete (1)
Uscita della rete (4)
Ingresso alla stazione di servizio (2)
Uscita dalla stazione di servizio (3)
12 / 39
Modellazione della Domanda
Paramics deve sapere quanti veicoli immettere nella rete durante lasimulazione, e con quale distribuzione statistica.
E’ possibile costruire la matrice di origine-destinazione e il profilodi domanda dall’analisi dei dati messi a disposizione dal Ministerodei Trasporti.
SERVICE
STATION
ZONE 1
ZONE 2ZONE 3
ZONE 4
DL 1DL 8DL 9DL 10DL 11
d14+d12
d12d34
d14+d34 d14
DL 17
13 / 39
Completamento del Modello
Tra i parametri piu importanti abbiamo:
Distanza temporale media (Mean headway time)
Tempo di reazione medio (Mean reaction time)
Passo di simulazione
Il modello e completato con la matrice dei limiti di velocitaapplicati.
Le simulazioni possono essere eseguite, ricavando le seguentivariabili descrittive del traffico:
Flusso medio (veh/h)
Velocita media (km/h)
Densita media (veh/km)
14 / 39
Algoritmo per la Calibrazione
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
15 / 39
Algoritmo per la Calibrazione
Preparazione degli ingressi per Paramics
OTTIMIZZAZIONE / CALIBRAZIONE
Calcolo dellafunzione obiettivo
Esecuzione di nr simulazioni con Paramics
INIZIALIZZAZIONE di PARAMICS
fmincon / ga / patternsearch
Trovatol'ottimo?
Memorizza x* e zDa ripetere ns volte
Seleziona il valore più basso di ze il corrispondente x*
Sì
No
16 / 39
Scelta dello Scenario per la Calibrazione
Da un’analisi dei dati a disposizione, e stato scelto come scenariopiu rappresentativo quello compreso tra le 6:10 e le 7:00 dellagiornata del 30 gennaio 2006.
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
3500300025002000150010005000
Flusso (veh/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
908070605040302010
Densita (veh/km)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
80
60
40
20
140
120
100
Velocita (km/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
80
60
40
20
140
120
100
Limiti di velocita (km/h)
17 / 39
Funzione Obiettivo
La funzione obiettivo ha una componente relativa al flusso e unarelativa alla velocita:
z(x) =
m∑
i=1
n∑
j=mr
(
fi ,j − fi ,j
)2
m∑
i=1
n∑
j=mr
f 2i ,j
+
m∑
i=1
n∑
j=mr
(vi ,j − vi ,j)2
m∑
i=1
n∑
j=mr
v2i ,j
18 / 39
Processo di Ottimizzazione e Parametri da Calibrare
Le funzioni di ottimizzazione testate, che svolgeranno il compito dicalibrare i parametri del modello, sono:
fmincon (programmazione non lineare)
ga (algoritmo genetico)
patternsearch (ricerca diretta)
I parametri da calibrare sono:
Mean headway time (distanza temporale media)
Mean reaction time (tempo di reazione medio)
19 / 39
Algoritmo per la Validazione
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
20 / 39
Algoritmo per la Validazione
La procedura di validazione controlla che i valori dei parametricalibrati, relativamente allo scenario di calibrazione, possano essereutilizzati anche sotto diverse situazioni di traffico.
Superata la validazione, il modello viene considerato affidabile epuo essere utilizzato per la prova delle strategie di controllo.
INIZIALIZZAZIONE
VALIDAZIONE
Preparazionedegli ingressiper Paramics
Esecuzione dinr simulazionicon Paramics
Calcolo del coefficiente di
disuguaglianza di Theil
21 / 39
Scelta dello Scenario per la Validazione
Lo scenario utilizzato per la procedura di validazione spaziatemporalmente dalle 7:40 alle 8:30 del 31 gennaio 2006.
80.975
82.875
84.37585.750
87.650
89.300
91.00007:45 08:00 08:15
3500300025002000150010005000
Flusso (veh/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00007:45 08:00 08:15
0
908070605040302010
Densita (veh/km)
80.975
82.875
84.37585.750
87.650
89.300
91.00007:45 08:00 08:15
0
80
60
40
20
140
120
100
Velocita (km/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00007:45 08:00 08:15
0
80
60
40
20
140
120
100
Limiti di velocita (km/h)
22 / 39
Coefficiente di disuguaglianza di Theil
Il coefficiente di disuguaglianza di Theil e stato selezionato comemisura della corrispondenza tra le grandezze reali e quelle simulate.E’ piu accurato e sensitivo dell’errore quadratico medio e delcoefficiente di correlazione.
U =
√
mP
i=1
nP
j=mr
(fi,j−fi,j)2
m(n−mr+1)√
mP
i=1
nP
j=mr
(fi,j)2
m(n−mr +1) +
√
mP
i=1
nP
j=mr
(fi,j)2
m(n−mr +1)
+
√
mP
i=1
nP
j=mr
(vi,j−vi,j)2
m(n−mr +1)√
mP
i=1
nP
j=mr
(vi,j)2
m(n−mr +1) +
√
mP
i=1
nP
j=mr
(vi,j)2
m(n−mr +1)
Il numeratore puo essere scomposto in tre termini, singolarmenteanalizzabili:
Misura dell’errore sistematico
Misura della capacita di replicare la varianza delle grandezze
Misura dell’errore non sistematico
23 / 39
Risultati delle Simulazioni
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
24 / 39
Scelta dell’Algoritmo piu Efficace
La scelta dell’algoritmo piu adatto e effettuata tramite una serie disimulazioni:
Confronto tra le uscite della simulazione corrente e quelledella simulazione di riferimento
Scelta di un seme casuale
Esecuzione di 5 simulazioni diverse per la valutazione dellafunzione obiettivo
Valutazione dell’ottimo attraverso 20 punti iniziali differenti
fmincon (z = 0.0651 in x = [1.22, 0.64])
ga (z = 0.0601 in x = [1.18, 0.01])
patternsearch (z = 0.0603 in x = [1.11, 0.46])
25 / 39
Risultati (fmincon)
x1 x2 z N.It. N.F.E.
µ 0.7317 1.0161 0.1361 4.95 80.05σ
2 0.4560 0.9854 4 · 10−3 6.68 5.89 · 103
00
0.5
0.5
1
1
1.5
1.5
2
2
2.5
2.5
3
3Mean headway time x1 (s)
Mea
nre
act
ion
tim
ex2
(s)
26 / 39
Risultati (ga)
x1 x2 z N.It. N.F.E.
µ 1.1955 0.4215 0.0718 51 1020σ
2 0.0068 0.0832 5.46 · 10−5 0 0
00
0.5
0.5
1
1
1.5
1.5
2
2
2.5
2.5
3
3Mean headway time x1 (s)
Mea
nre
act
ion
tim
ex2
(s)
27 / 39
Risultati (patternsearch)
x1 x2 z N.It. N.F.E.
µ 1.1375 0.5790 0.0714 15.30 37.20σ
2 0.0562 0.1088 5.62 · 10−5 21.17 96.17
00
0.5
0.5
1
1
1.5
1.5
2
2
2.5
2.5
3
3Mean headway time x1 (s)
Mea
nre
act
ion
tim
ex2
(s)
28 / 39
Calibrazione dei Parametri
La funzione di ottimizzazione patternsearch e selezionata percalibrare i parametri:
Confronto tra le uscite della simulazione e le grandezzemisurate dai sensori
Scelta di un seme casuale
Esecuzione di 5 simulazioni diverse per la valutazione dellafunzione obiettivo
Valutazione dell’ottimo attraverso 400 punti iniziali differenti
z = 0.1477 nel punto x = [1.55, 0.62]
29 / 39
Risultati (patternsearch)
x1 x2 z N.It. N.F.E.
µ 1.4626 0.4358 0.1563 17.99 45.84σ
2 0.0547 0.0857 1.97 · 10−4 20.19 151.89
00
0.5
0.5
1
1
1.5
1.5
2
2
2.5
2.5
3
3Mean headway time x1 (s)
Mea
nre
act
ion
tim
ex2
(s)
30 / 39
Risultati (patternsearch)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
3500300025002000150010005000
Flusso (veh/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
3500300025002000150010005000
Flusso (veh/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
908070605040302010
Densita (veh/km)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
908070605040302010
Densita (veh/km)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
80
60
40
20
140
120
100
Velocita (km/h)
80.975
82.875
84.37585.750
87.650
89.300
91.00006:15 06:30 06:45
0
80
60
40
20
140
120
100
Velocita (km/h)
31 / 39
Validazione
Utilizzando la coppia di parametri calibrati, si esegue una serie disimulazioni dello scenario di validazione:
Mean headway time x1 = 1.55
Mean reaction time x2 = 0.62
Il coefficiente di disuguaglianza di Theil vale:
U = Uf + Us = 29.01%
Uf = 17.33%
Us = 11.68%
Il modello non puo quindi essere validato ed utilizzato come bancodi prova, in quanto Umax ≤ 20%.
32 / 39
Contributi e Risultati
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
33 / 39
Contributi e Risultati
Contributi:
Modellazione di una rete reale in Paramics
Sviluppo di un algoritmo per la calibrazione e la validazione inMatlab
Test di funzioni di ottimizzazione per la calibrazione
Sviluppo di algoritmi secondari (calibrazione con ingressisimulati e validazione incrociata)
Risultati:
Individuazione dei parametri calibrati all’interno di un rangeridotto
La funzione di ottimizzazione selezionata e patternsearch
Il modello della rete non ha superato la procedura divalidazione e deve essere migliorato
34 / 39
Ricerca Futura
Introduzione, Motivazioni e Obiettivi
Modellazione della Rete Stradale
Algoritmo per la Calibrazione
Algoritmo per la Validazione
Risultati delle Simulazioni
Contributi e Risultati
Ricerca Futura
35 / 39
Ricerca Futura: Breve Termine
Modellazione piu accurata della rete (sensori, layout)
Modellazione piu accurata dei profili di domanda
Incremento dell’intervallo di simulazione
Diminuzione del passo di simulazione
Stima piu accurata del numero di simulazioni da eseguire
Funzione obiettivo con addendi pesati
Analisi del coefficiente di disuguaglianza di Theil
36 / 39
Ricerca Futura: Medio Termine
Ampliamento della rete
Selezione di un maggior numero di scenari
Studio della sensitivita dei parametri
Selezione di nuovi parametri da calibrare
Calibrazione della matrice di origine-destinazione
Calibrazione del profilo di domanda
Studio dei parametri degli algoritmi di ottimizzazione, inmodo da massimizzare le loro prestazioni
37 / 39
Ricerca Futura: Lungo Termine
Miglioramento dell’algoritmo di modellazione del flusso deltraffico
Test di altri software di simulazione
Studio di strategie di controllo da applicare alla rete
Studio dell’effetto di particolari condizioni (pioggia, incidenti)sugli algoritmi di controllo
Investigazione circa l’attuabilita di strategie di controllo inlinea
38 / 39
Fine
GRAZIE PER L’ATTENZIONE!
39 / 39