Dette indlæg er alene udtryk for skribentens egen holdning.

Carflow-data anvendt til prædiktion

7. november kl. 05:00
Atkins
Ved større anlægsarbejde er det vigtigt at evaluere, hvordan omlægningen påvirker trafikmønstret på de omkringliggende veje. Planlægningen kan foregå ved brug af carflow-data, lyder det fra Johan Hartnack, der er afdelingschef i Atkins, i dette synspunkt. Illustration: Atkins.

Forsyningsselskaberne i Danmark står over for flere større opgraderinger af deres infrastruktur, som nødvendiggør anlægsarbejde med vejlukninger som konsekvens. Ny brug af carflow-data evaluerer omdirigeringsscenarier og minimerer trafikale konsekvenser. 

Når anlægsarbejdet berører større færdselsårer, påvirker det den daglige trafikafvikling og har en socioøkonomisk slagside. Derfor er det vigtigt at evaluere, hvordan anlægsarbejdet kan gennemføres med færrest mulige trafikale konsekvenser: 

  • Hvor længe kan man lukke veje, og hvornår bør det foregå?
  • Hvilken effekt har det at lukke de ramte veje?
  • Hvor skal trafikken ledes hen, mens arbejdet foregår?

Modeller til planlægning

Ved større anlægsarbejde er det vigtigt at evaluere, hvordan omlægningen påvirker trafikmønstret på de omkringliggende veje. Planlægningen kan foregå ved brug af carflow-data. Carflow-data giver historisk indsigt i, hvordan trafikafviklingen er foregået, inden anlægsarbejdet er igangsat og skaber et referencebillede af normal trafikafvikling. Carflow-data kan særligt bruges til at skabe et statistisk billede af sammenhængen mellem hastighed, trafiktæthed samt køretøjsgennemstrømningen på de enkelte veje.   

Hvordan benyttes historiske carflow-data til at forudsige trafik under ændrede trafikale forhold?

Den umiddelbare tanke kunne være at benytte metoder fra maskinlæring (f.eks. neurale netværk) til at prædiktere den ændrede trafiksituation, men udfordringen er at maskinlæringsmodellerne har behov for træningsdata, der reflekterer den fremtidige situation. Med andre ord skal der skal være data til rådighed, som repræsenterer en situation med den lukkede vej/kryds for at kunne sikre en succesfuld forudsigelse. 

Artiklen fortsætter efter annoncen

En anden mulighed er at benytte de føromtalte trafiksimuleringsværktøjer til at konstruere et predictor/corrector-system, som en maskinlæringsproces så kan benytte til at gøre sig sine erfaringer med mulige simulerede udfald af trafikken under de ændrede trafikale forhold. Dette er absolut en mulighed, men er også en metodik, der kræver modelopsætning og kalibrering af detaljerede simuleringsmodel, som trækker på tid og ressourcer. 

Den benyttede tilgang tager udgangspunkt i klassiske antagelser om sammenhængen mellem trafikgennemstrømning, hastighed og tæthed. Sammenhængen antages at følge en parabel, hvor toppunktet beskriver den maksimale gennemstrømning, der kan være på en given vej.

Atkins
Illustration: Atkins.

Flow q regnes som antal køretøjer per tidsenhed. 

Densiteten k er antal biler per længdeenhed. Denne kan approksimeres ved:

Atkins
Illustration: Atkins.

Hvor v er gennemsnitshastigheden i det pågældende tidsinterval.

Ved at udlede par af (ki,qi) fra carflow-data kan kmax og qmax estimeres ved root mean square estimation. Kurven er givet ved:

Atkins
Illustration: Atkins.

Yderligere antages sammenhængen mellem hastighed og trafiktæthed at være affin så hastigheden er størst, når tætheden er minimal, og hastigheden er nul, når den maksimale tæthed er nået.  

Atkins
Illustration: Atkins.

Det kan vises at:

Atkins
Illustration: Atkins.

Hvor Vmax er tophastigheden på den enkelte strækning.

Heraf følger et udtryk for v/vmax

Atkins
Illustration: Atkins.

Fleksibel app til evaluering

Med baggrund i ovenstående har Atkins udviklet en webbaseret light GIS-løsning til at evaluere omdirigeringsscenarier. Applikationen giver mulighed for at evaluere de trafikale konsekvenser af anlægsprojektet og de valg, der er taget mht. trafikomdirigering.

Modellen tager udgangspunkt i den eksisterende trafiksituation ved at trække på historiske carflow-data for området og etablerer en før anlægsprojekt-basis. Andelen af omdirigeret trafik estimeres og aggregeres med den eksisterende trafik. Under hensyntagen til den statistiske etablerede sammenhæng mellem trafikkapacitet og hastighed etableres et opdateret billede af trafiksituationen under anlægsarbejdet. Specielt identificeres de veje, hvor trafikmængden overstiger kapaciteten og dermed, hvor der vil være kødannelse.  

Resultater illustreres på et dynamisk kort, som visualiserer den estimerede trafikfordeling ved anvendelse af de valgte omdirigeringer og veje med kø (sorte veje nedenfor).

Atkins
Visualisering af trafiksituationen ved et anlægsarbejde på Frederiksberg. Illustration: Atkins.

Modellen er et light analyseværktøj til at synliggøre og forstå de væsentlige trafikale udfordringer tidligt i anlægningsprocessen. 

Modellen kan tilpasses andre områder, f.eks. som værktøj til lokal trafikanalyse. Når modellen gør det muligt at fokusere indsatsen, vil den også bidrage til at reducere projekternes samlede omkostninger. At gøre udfordringer transparente allerede tidligt i processen støtter desuden en mere målrettet interessentinddragelse. 

Vil du bidrage til debatten med et synspunkt? Så skriv til vores PRO debatredaktion på pro-sekretariat@ing.dk

Ingen kommentarer endnu.  Start debatten
Debatten
Log ind eller opret en bruger for at deltage i debatten.
settingsDebatindstillinger