Modelowanie natężenia ruchu na drogach lokalnych w stanie Indiana

• Autorzy: Tarko A. P. , Szarata A.

Warianty tytułu

EN

Modelling traffic volumes on local roads in Indiana

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

Abstrakty

PL

Artykuł przedstawia problematykę modelowania pracy przewozowej dotyczącej ruchu drogowego dla dużych obszarów. Jako przykład posłuży tutaj stan Indiana, dla którego opracowano podejście pozwalające oszacować pracę przewozową wyrażoną w pojazdo-milach. Budowa modelu symulacyjnego, w klasycznym ujęciu, powinna bazować na właściwie oszacowanych zmiennych objaśniających wielkość ruchu generowanego przez rejony komunikacyjne oraz powiązania tych zmiennych poprzez zastosowanie odpowiednich zależności matematycznych (uzyskanych w ramach wywiadów w gospodarstwach domowych). Niniejszy artykuł podejmuje temat budowy modelu bez dostępnych wyników badań ankietowych, bazując jedynie na precyzyjnie dobranych zmiennych objaśniających. Proces budowy modelu popytu poprzedziło przyjście szeregu założeń dotyczących modelu sieciowego – został on podzielony na mniejsze części (klastry) a całość obliczeń popytu dotyczyła pojedynczego klastra. Parametry modelu popytu dla pojedynczego elementu zostały dopasowane poprzez zastosowane metody przeszukiwania heurystycznego (algorytmy genetyczne), a zmienne objaśniające (liczba mieszkańców, miejsc pracy itp.) wyznaczone w oparciu o precyzyjne dane GIS. Jakość modelu oceniono poprzez porównanie uzyskanych wyników pracy przewozowej z dostępnymi wynikami pomiarów przekrojowych. Referat przedstawia założenia przyjętej metodyki oraz wyniki analiz prowadzonych dla części sieci drogowej.

EN

A method of estimating the travel demand and vehicle miles travelled in large regions including local roads has been presented in the paper. The model calibration and evaluation has been presented on case of parts of Indiana. In the traditional approach, a network demand model includes properly calibrated traffic generation components applied to Traffic Analysis Zones and traffic exchange relationships between these zones calibrated based on household survey results. The authors have attempted to calibrate a model that does not use the household survey but, instead, uses carefully chosen exploratory variables. The model is founded on a number of simplifying assumptions allowed by disaggregation of a large regional road network into much smaller parts called clusters. The network demand estimation could be then conducted for each cluster separately. The traffic generation parameters have been fitted with a heuristic search method (genetic algorithm) and the values of exploratory variables (number of residents, employees, etc.) have been obtained from microscopic GIS data. The calibrated model have been evaluated by comparing the estimated daily traffic volumes with the values obtained from vehicle counting. The model assumptions and the results obtained for a sample part of the road network have been presented in this paper.

Słowa kluczowe

PL

modelowanie podróży; praca przewozowa; algorytmy genetyczne; drogi lokalne

EN

demand modelling; ridership; genetic algorithm; local roads

• 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: 209--219
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Tarko A. P.

• Director of Center for Road Safety, School of Civil Engineering, Purdue University

autor

Szarata A.

• Katedra Systemów Komunikacyjnych, Politechnika Krakowska, ul. Warszawska 24, 31-155 Kraków, tel. [phone]

Bibliografia

• [1] Liu F., Kaiser R., Zekkos M., Allison Ch., 2006, Growth Forecasting of Vehicle Miles of Travel at County and Statewide Levels. Transportation Research Record: Journal of the Transportation Research Board, No. 1957, Transportation Research Board of the National Academies, 56–65.
• [2] Jaarsma C.F., van Dijk T., 2002, Financing local rural road maintenance. Who should pay what share and why?, Transportation Research Part A 36, 507–524.
• [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, data dostępu: 30/08/2011.
• [4] Office of Highway Policy Information, Federal Highway Administration. Highway Performance Monitoring System Traffic Data for High Volume Routes: best practices and guidelines, http://www.fhwa.dot.gov/policy/ohpi/hpms/fieldmanual/, data dostępu: 30/08/2011.
• [5] 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, data dostępu: 30/08/2011.
• [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] Xia Q., Zhao F., Chen Z., Shen D., Ospina D., 1999, Estimation of Annual Average Daily Traffic for Nonstate Roads in a Florida County. Transportation Research Record, No. 1660, 32-41.
• [8] 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.
• [9] Noland, R.B., 2001, Relationships Between Highway Capacity and Induced Vehicle Travel. Transportation Research Part A: Policy and Practice, 35(1), 47-72.
• [10] Zhong M., Hanson B., 2009. GIS-based travel demand modeling for estimating traffic on low-class roads, Transportation Planning and Technology, Vol. 32, No. 5, October 2009, 423439.
• [11] Sharma S., Lingras P., Xu F., Kilbur P., 2001. Application of Neural Networks to Estimate AADT on Low-Volume Roads. Journal of Transportation Engineering, 426-432.
• [12] Boarnet M., Crane R., 2001, The influence of Land use on travel behavior: specification and estimate strategies. Transportation Research Part A 35, 823-845.
• [13] Johnston R., de la Barra T., 2000, Comprehensive regional modeling for long-range planning: linking integrated urban models and geographic information systems. Transportation Research Part A 34, 125-136.
• [14] Heres-Del-Valle D., Niemeier D., 2011, CO2 emissions: Are land-use changes enough for California to reduce VMT? Specification of a two-part model with instrumental variables. Transportation Research Part B 45, 150–161.
• [15] Mohamad D., Sinha K., Kuczek T., Scholer Ch., 1998, Annual Average Daily Traffic Prediction Model for County Roads. Transportation Research Record, No. 1617, 69-78.
• [16] Arabas J., Wykłady z algorytmów ewolucyjnych, Wydawnictwo Naukowo – Techniczne, wydanie 2, Warszawa 2004.
• [17] Tarko, A., 2011, Research Note 7/24/2011. Estimation of Annual Average Daily Traffic and Vehicle-Miles Traveled on Local Roads in Indiana. LTAP Research Project.
• [18] Goldberg E., Algorytmy genetyczne i ich zastosowanie. Wydawnictwo Naukowo – Techniczne, Warszawa 2003.
• [19] Haupt L., R., Practical genetic algorithms. John Wiley & Sons, New Jersey, 2004
• [20] Holland J., Adaptation in natural and artificial systems. Ann Arbor, University of Michigan Press, 1975.
• [21] Osowski S., Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2006.