A traffic demand model for local roads with cellular network decomposition and high-resolution land use representation

• Autorzy: Tarko A. P.
• Konferencja: Modelowanie podróży i prognozowanie ruchu (15-16.11.2012 ; Kraków, Polska)
• Języki publikacji: PL EN

Abstrakty

PL

Amerykańskie stanowe i lokalne agencje drogowe rozszerzają zarządzanie drogowe w zakresie bezpieczeństwa i infrastruktury na drogi powiatowe i miejskie. Zarządzanie drogami lokalnymi jest szczególnie utrudnione z powodu braku danych o ruchu drogowym. Systematyczne pomiary nie są stosowane z powodu dużej liczby lokalnych odcinków drogowych i związanych z tym wysokich kosztów. Alternatywnym rozwiązaniem wydaje się estymacja ruchu z użyciem modeli ruchu w sieci drogowej. Istniejące regionalne modele ruchu drogowego nie są dostosowane do modelowania ruchu na dużej liczbie dróg lokalnych. Prezentowany artykuł proponuje nowy rodzaj modelu opartego na podziale regionalnej sieci drogówek na klastry w taki sposób, że drogi ze znanymi natężeniami ruchu (drogi krajowe, regionalne oraz niektóre ważniejsze drogi lokalne) stają się granicą rozdzielającą sąsiednie klastry drogowe. Podział sieci drogowej na klastry i zastosowanie upraszczających założeń akceptowalnych dla dróg lokalnych prowadzi do dekompozycji pierwotnego modelu regionalnego na grupę uproszczonych modeli stosunkowo łatwych do kalibracji i implementacji na dużą skalę. Prezentowany artykuł szczegółowo opisuje proponowany model, jego założenia upraszczające oraz kalibrację parametrów modelu w oparciu o znane natężenia ruchu na niektórych drogach lokalnych. Linearyzacja problem kalibracyjnego jest osiągnięta dzięki uproszczeniom modelu i iteracyjnemu rozwiązywaniu układów równań liniowych. Nowy rodzaj danych o zagospodarowaniu terenu został zastosowany w proponowany modelu. Te nowe dane stają się dostępne w USA poprze z łączenie danych osobowych z danymi o miejscu zamieszkania, pracy i innych aktywnościach ludzi. Dane te są w formie zdezagregowanej (pojedyncze miejsca zamieszkania i pracy) i zawierają współrzędne geograficzne, co pozwoliło zastosować je w proponowanym modelu.

EN

Public agencies in USA expand their safety and asset management systems to local roads in cities and counties. Managing these roads is seriously hurdled by the lack of traffic measurements due to the size of the network and costs of the measurements. Another option is to estimate the local traffic by utilizing traffic flow network models. This paper proposes a novel model based on division of a regional road network into cells such that each cell’s boundary is made of major roads with known traffic volumes. Under certain simplifying assumption plausible for local roads, the vast modelling problem is disaggregated to manageable sub-problems. The paper presents detail description of the model, its assumptions, and an iteration-based estimation of traffic generation and distribution parameters. The estimation procedure is further simplified by the linear form of most relationship that allowed a quadratic optimization problem applied to disaggregate land use data. This new type of data includes geo-coded household and business data obtained by private companies through linking commercial and public records.

Słowa kluczowe

PL

modelowanie podróży; średniodobowe natężenie ruchu; GIS

EN

demand modelling; annual average daily Traffic; GIS data

• Wydawca: Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej. Oddział w Krakowie
• Czasopismo: Zeszyty Naukowo-Techniczne Stowarzyszenia Inżynierów i Techników Komunikacji w Krakowie. Seria: Materiały Konferencyjne
• Rocznik: 2012
• Tom: Nr 1(97)
• Strony: 221--234
• Opis fizyczny: Bibliogr. 14 poz., tab.

Twórcy

autor

Tarko A. P.

• Professor of Civil Engineering, Director of Center for Road Safety, School of Civil Engineering, Purdue University, 550 Stadium Mall Drive, West Lafayette, IN 47907, USA, Phone: [phone]

Bibliografia

• [1] Bennett, C.R., Chamorro, A., Chen C., de Solminihac, H., Flintsch, G.W., 2005. Data Collection Technologies for Road Management, Version 1.0. East Asia Pacific Transport Unit, The World Bank, Washington, D.C., http://www.road-management.info/reports/user/6/2005_data_collection_technologies.pdf, Accessed online: 8/30/2010.
• [2] Federal Highway Administration (FHWA), 1998. Travel Time Data Collection Handbook. FHWA report, chapter 5, ITS Probe Vehicle Techniques, http://www.fhwa.dot.gov/ohim/handbook/chap5.pdf, Accessed online: 8/30/2010.
• [3] IMAGINE – Improved Methods for the Assessment of the Generic Impact Of Noise in the Environment, 2006. Collection Methods for Additional Data, Demand and Traffic Flow Management (WP2), www.imagine-project.org, Accessed online: 8/30/2010.
• [4] Leduc, G., 2008. Road Traffic Data: Collection Methods and Applications. JRC Technical Notes, Institue for Prospective Technological Studies, http://ftp.jrc.es/EURdoc/JRC47967.TN.pdf, Accessed online: 8/30/2010.
• [5] Martin, P.T., Feng, Y., Wang, X., 2003. Detector Technology Evaluation, Technical Report, Utah Transportation Center, http://www.mountainplains. org/pubs/pdf/MPC03-154.pdf, Accessed online: 8/30/2010.
• [6] Memmott, J.L., 1983. Factors that Affect Traffic Growth Rates and Projection of Traffic Volumes for Use in Highway Economic Models. Transportation Research Record: Journal of the Transportation Research Board, No. 912, 11-15.
• [7] Noland, R.B., 2001. Relationships Between Highway Capacity and Induced Vehicle Travel. Transportation Research Part A: Policy and Practice, 35(1), 47-72.
• [8] Saha, S.K., Fricker, J.D., 1988. Traffic Volume Forecasting Methods for Rural State Highways. Transportation Research Record: Journal of the Transportation Research Board, No. 1203, 10-26.
• [9] Schmidt, M., Giorgi, L., Chevreuil, M., Paulin, S., Turvey, S., Hartmann, M., 2005. GALILEO: Impacts on road transport, JRC-IPTS TechnicalReport EUR 21865, ftp://ftp.jrc.es/pub/EURdoc/eur21865en.pdf, Accessed online: 8/30/2010.
• [10] Seaver, W.L., Chatterjee, A., Seaver, M.L., 2000. Estimation of Traffic Volume on Rural Local Roads. Transportation Research Record: Journal of the Transportation Research Board, No. 1719, 121-128.
• [11] Szarata and Tarko, 2012. Symulacyjna ocena modelu klastrowego dla stanu Indiana. Proceeding of the Third National Conference on Travel Modeling and Traffic Prediction, Krakow, Poland, 15-16 November, 2012.
• [12] Talvitie, A., Morris, M., Anderson, M., 1980. Assessment of Land-Use and Socioeconomic Forecasts in the Baltimore Region. Transportation Research Record: Journal of the Transportation Research Board, No. 775, 38-42.
• [13] US Department of Transportation (USDOT), 2006. Traffic Detector Handbook: Third Edition, US Department of Transportation, Volume I: http://www.tfhrc.gov/its/pubs/06108 ; Volume II: ttp://www.tfhrc.gov/its/pubs/06139, Accessed onlin: 8/30/2010.
• [14] Xia, Q. Zhao, F., Chen, Z., Shen, L.D., Ospina, D., 1999. Estimation of Annual Average Daily Traffic for Non-State Roads in a Florida County. Transportation Research Record: Journal of the Transportation Research Board, No. 1660, 32-40.