MIKROSIMULERING AF CYKLISTER I MYLDRETID

Transkript

1 AUGUST 2012 KØBENHAVNS KOMMUNE MIKROSIMULERING AF CYKLISTER I MYLDRETID RAPPORT

2

3 ADRESSE COWI A/S Parallelvej Kongens Lyngby Danmark TLF FAX WWW cowi.dk AUGUST 2012 KØBENHAVNS KOMMUNE MIKROSIMULERING AF CYKLISTER I MYLDRETID RAPPORT PROJEKTNR. A DOKUMENTNR. A VERSION 2.0 UDGIVELSESDATO UDARBEJDET RSAL/KAVD/RGJE KONTROLLERET SFR GODKENDT RSAL

4

5 MIKROSIMULERING AF CYKLISTER I MYLDRETID 5 INDHOLD 1 Indledning Simulering af cykeltrafik Cykelsimulering i VISSIM Mål Emner (parametre) 11 2 Metodebeskrivelse Generelt Validering af data Metode til analyse af de enkelte parametre Grundlæggende parametre Køretøjsegenskaber Hastighedsfordeling Accelerationsfordeling Parametre vedr. strækninger Følgeafstande Overhalingsparametre Håndtering af adfærd ved indsnævring Håndtering af adfærd ved busstoppesteder Parametre vedr. kryds Håndtering af adfærd i ventezoner Adfærd ved stopstreger Adfærd ved højresving 33 3 Resultater Grundlæggende parametre Køretøjsegenskaber Hastighedsfordeling Accelerationsfordeling Parametre vedr. strækninger Følgeafstande 76

6 6 MIKROSIMULERING AF CYKLISTER I MYLDRETID Overhalingsparametre Input til VISSIM Håndtering af adfærd ved indsnævring Håndtering af adfærd ved busstoppesteder Parametre vedr. kryds Håndtering af adfærd i ventezoner Adfærd ved stopstreger Adfærd ved højresving Konklusion Litteraturliste 114

7 MIKROSIMULERING AF CYKLISTER I MYLDRETID 7 Læsevejledning Denne rapport er delt op i fire grundlæggende kapitler: 1 Introduktion Dette kapitel beskriver behovet der ligger bag analyserne der optræder i dette projekt. Derudover er der en kort beskrivelse af tilgangen til projektet. 2 Metodeafsnit Dette afsnit beskriver grundigt, den metode der er anvendt til at analysere hvert element der indgår i denne rapport. I den forbindelse kan der optræde resultater. Disse er brugt til at fremhæve forståelsen af metoden. 3 Resultatafsnit Dette afsnit beskriver hvordan resultaterne er opnået. For hvert element i denne rapport er den indsamlede data, behandlingen af data og det endelige resultat beskrevet. 4 Konklusion Her opsummeres hvad der er opnået i hvert delresultat, samt et overblik over resultat som en helhed. Denne rapport suppleres af en vejledning for Mikrosimulering af cyklister i myldretiden. Denne er beregnet til brugere af mikrosimuleringsprogrammet VISSIM, der skal mikrosimulere cyklister i København.

8 8 MIKROSIMULERING AF CYKLISTER I MYLDRETID 1 Indledning I forbindelse med projektet "Cykelflow", har Københavns Kommune igangsat en række tiltag og analyser, hvis formål er at analysere mulighederne for at forbedre kapaciteten på cykelstierne i København i myldretiden. Målet er at opnå hurtigere rejsetid på de travle strækninger i København. I løbet af projektet iværksættes der bl.a. fuldskala markforsøg som grønne bølger, forbedring af ventezoner og markering af overhalingsbaner (fast lane/comfort lane). Som en del af dette projekt, ønsker kommunen at undersøge muligheden for at mikrosimulere cyklisters adfærd i København i myldretiden, både på strækninger og i kryds. Denne undersøgelse skal foretages i VISSIM, som er et mikrosimuleringsprogram udviklet af det tyske firma PTV. VISSIM er det mest anvendte mikrosimuleringsprogram i Danmark, og kommunen overvejer selv at anskaffe programmet. I en forundersøgelse til dette projekt har kommunen - i samarbejde med Rambøll og en række eksperter - fundet frem til de væsentligste parametre indenfor mikrosimulering af cyklisters adfærd. Disse parametre undersøges og analyseres i dette projekt, med det formål at finde en optimal metode til at mikrosimulere cyklisters adfærd. Projektet laves i samarbejde med PTV, som er udvikleren af VISSIM. Parametrene er analyseret ud fra registreringer og kalibreret i VISSIM, således at simuleringen afspejler cyklisternes adfærd så virkelighedsnært som muligt. Den opdaterede simuleringsmodel skal anvendes til analyser af cykeltrafik i København i myldretiden med henblik på at kunne lave bedre projektering og vurderinger af fremtidige projekter. Det vurderes, at modellen ligeledes kan anvendes i provinsen med mindre justeringer. Resultaterne af dette projekt er dels denne rapport, som afrapporterer analysearbejdet, og dels en vejledning, der kan bruges i forbindelse med opbygning af mikrosimuleringsmodeller for cyklisters adfærd. Vejledningen indeholder en beskrivelse af parametrene og hvordan de skal bruges, samt det endelige parametersæt.

9 MIKROSIMULERING AF CYKLISTER I MYLDRETID Simulering af cykeltrafik Formålet med at opbygge en mikrosimuleringsmodel er at afbilde den eksisterende (eller planlagte) virkelighed i en detaljeret grad. I en sådan model indgår vejnettets enkelte strækninger og kryds, trafikkens reguleringer samt de enkelte trafikanters individuelle adfærd. Køretøjerne adskiller sig fra hinanden ved de fysiske egenskaber og de tekniske forskelle (længde, hastighed, acceleration mv.), ved variationer af førerens adfærd (køremåde, måde at accelerere, bremsning o.lign.), placering i netværket samt den aktuelle hastighed. Dette muliggør analyser af samspillet mellem trafikafviklingen i forskellige trafikanlæg, på forskellige strækninger og mellem forskellige trafikanter. Cyklister er normalt indlagt i mikrosimuleringsmodeller for at sikre den korrekte kapacitet på vejnettet. Et eksempel på dette er, når biler skal foretage højresving, hvor de har vigepligt for cyklisterne. I en by som København, hvor cyklen af mange bliver brugt som det primære transportmiddel, giver det dog mening at finde en metode, hvorpå mikrosimuleringsmodeller kan bruges til at analysere forholdene for cyklister. Stigende trængsel på cykelstierne og ønsket om forbedret fremkommelighed for cyklister, øger fokus på at optimere kapaciteten på cykelstierne og forbedre rejsetiden for cyklisterne. Dette kan f.eks. gøres punktvis i form af lokale stiudvidelser, optimering af krydsgeometri eller signaljustering, eller som massetiltag i form af grønne bølger for cyklister, ændring i standarder for cykelstier o. lign. Kapacitetsforholdene for cykeltrafik er imidlertid ikke undersøgt nær så grundigt som for biltrafik, og det er ofte uklart, hvor stor gevinst cyklisterne vil opnå ved sådanne tiltag. Mikrosimuleringsmodeller kan være en hjælp, når der skal vælges og prioriteres imellem forskellige muligheder for tiltag, der forbedrer fremkommeligheden på cykelstierne. I dette projekt er der opnået stort kendskab til cyklisters adfærd, som er analyseret i detaljen. Mange års erfaring indenfor mikrosimulering har muliggjort at omsætte denne viden til en mikrosimuleringsmodel, som kan bruges til at analysere virkelighedsnære scenarier. Der foreligger nu et værktøj, som gør det muligt at lave foranalyser af tiltag, der berører cyklister. Dermed kan elementer som kapacitet, rejsetid og forsinkelse analyseres i forbindelse med projekter som krydsombygninger og signaljusteringer på en troværdig måde. Det er dog vigtigt at have for øje, at selvom mikrosimuleringsværktøjet forbedres, kan det aldrig præcist gengive virkeligheden. Det er derfor vigtigt at vurdere løsningerne i en lokal kontekst.

10 10 MIKROSIMULERING AF CYKLISTER I MYLDRETID 1.2 Cykelsimulering i VISSIM VISSIM er et stokastisk, tidsintervalbaseret adfærdssimuleringsprogram, hvor interaktionerne mellem trafikanter modelleres. I modsætning til større makromodeller, hvor trafikstrømmene analyseres, behandles køretøjerne på det enkelte køretøjsniveau. Da VISSIM arbejder på køretøjsniveau, er det muligt at evaluere på køopbygningen i kryds, forsinkelsen op til en stopstreg o. lign. for hvert enkelt køretøj. Derudover kan der også evalueres på strækninger (f.eks. rejsetider) samt i hele netværket (f.eks. total forsinkelse). VISSIM er en stokastisk simuleringsmodel. Det betyder, at gentagne beregninger med samme trafikinput vil variere alt efter en tilfældighedsgenerator, for at opnå en tilnærmelse af den virkelige variation, der findes i trafikken. Trafikanternes adfærd defineres ved en model, der styrer det enkelte køretøjs bevægelsesmønster i forhold til andre køretøjer i netværket, såvel som køretøjets specifikke egenskaber. Det er disse egenskaber, der undersøges i dette projekt for at opnå en mere realistisk simulering af cyklister. En model i VISSIM er defineret af parametre og variabler. Variablerne defineres i det specifikke projekt, og omfatter bl.a. signaltider og trafikmængder. Parametrene ligger fast og kalibreres kun i situationer, hvor der findes empirisk datagrundlag. Det er disse parametre som undersøges og kalibreres i dette projekt. VISSIM har en brugergrænseflade, som oversætter parametre og variabler til en visualisering af netværket og de enkelte køretøjer. Parametrene har hidtil ikke været opdateret til at repræsentere virkelighedens cyklisttrafik i København. Det er målet med dette projekt. Til dette formål har muligheden for at visualisere trafikafviklingen været et vigtigt værktøj i kalibreringsprocessen. Derudover har det været muligt visuelt at finde metoder til at opbygge en realistisk model for cyklister. 1.3 Mål Projektet skal udmunde i en vejledning for mikrosimulering af cykeltrafik. Vejledningen bygger på de erfaringer og observationer, der er gjort i løbet af projektet, og skal sikre at fremtidige cykelmodeller bliver mere realistiske end hidtil. I den forbindelse redegøres der for: Specifikke værdier for relevante VISSIM parametre Teknikker til modelopbygning af cykelspecifikke situationer Skriftlig redegørelse af relevante erfaringer og resultater fundet undervejs i processen. Målet er at myndigheder, rådgivere og andre brugere af VISSIM kan drage nytte af erfaringer og resultater fra dette projekt. Derigennem sikres, at fremtidige cykelsi-

11 MIKROSIMULERING AF CYKLISTER I MYLDRETID 11 muleringer bliver mere realistiske. Derudover kan ikke-vissim specifikke brugere anvende de observationer, der er gjort i forhold til cyklistadfærd i andre projektsammenhænge. 1.4 Emner (parametre) I forbindelse med en forundersøgelse til dette projekt, har Københavns kommune i samarbejde med Rambøll fundet frem til 10 parametre som skal undersøges. Ved at analysere hvert af disse parametre i dybden, er der fundet et bedste bud til en optimal cykelmodel. De 10 parametre er som følger: Grundlæggende parametre Køretøjsegenskaber Hastighedsfordeling Accelerationsfordeling Parametre vedr. strækninger Følgeafstande (car following) Overhalingsparametre (lateral) Håndtering af adfærd ved indsnævring Håndtering af adfærd ved busstop Parametre vedr. kryds Håndtering af adfærd i ventezoner Adfærd ved stopstreger Adfærd ved højresving Parametrene er kalibreret i ovenstående rækkefølge. Dermed repræsenteres resultaterne af de grundlæggende parametre i kalibreringen på strækninger. Ligeledes repræsenteres resultaterne fra de grundlæggende parametre og strækningerne i kalibreringen af parametre vedr. kryds.

12 12 MIKROSIMULERING AF CYKLISTER I MYLDRETID 2 Metodebeskrivelse Inden arbejdet med indsamling af data og gennemførelse af diverse analyser af cyklisterne adfærd er det vigtigt at have en forståelse for, hvordan VISSIM grundliggende er opbygget, samt hvilke muligheder der findes for at justere på adfærdsparametrene. I de efterfølgende afsnit redegøres for, hvordan VISSIM grundliggende er opbygget, samt hvilke baggrundsdata er indsamlet og hvordan, til brug for tilpasning af simuleringen af de 10 parametre/situationer. 2.1 Generelt I VISSIM arbejdes der med følgende tre grundlæggende niveauer i forhold til at beskrive adfærden for køretøjerne: 5 Køretøjsklassen: På dette niveau samles nedenstående niveauer i en overordnet klasse, som eksempelvis kunne hedde "københavner-cyklister". Denne klasse kan bestå af en række forskellige cyklist typer (køretøjstypen). Når modellen opbygges tildeles forskellige forhold som eksempelvis vigepligt, signalstopstreger og rutevalg i forhold til køretøjsklassen. Køretøjsklassen adskiller f.eks. cykler fra biler. 6 Køretøjstypen: På dette niveau tildeles køretøjernes adfærd, som eksempelvis kørselsadfærd, hastighedsprofil mm. Køretøjstypen er således meget central i forhold til at opnå retvisende resultater af en simulering. Der opbygges flere forskellige køretøjstyper som f.eks. almindelige cykler og el-cykler. 7 Køretøjsmodellen: På dette niveau bestemmes køretøjernes fysiske udformning, herunder eksempelvis afstand mellem aksler, bredde og 3D-model. Det er også her cyklisterne tildeles de relevante accelerationskurver. Tabel 2-1 viser sammenhængen mellem de tre grundlæggende niveauer. Når en model opbygges, startes nedefra med køretøjsmodellen og bevæger sig op, for at definere de forskellige trafikanttyper, der ønskes. Køretøjsklassen kan ikke defineres, hvis ikke køretøjsmodellen og køretøjstypen først er defineret.

13 MIKROSIMULERING AF CYKLISTER I MYLDRETID 13 Tabel 2-1 Den grundlæggende opbygning af niveauerne er VISSIMs måde at illustrere køretøjsadfærden. Køretøjsklassen Køretøjstypen - her sammenkobles køretøjsmodellen med adfærd Køretøjsmodel - fysisk udformning af køretøjet KK Cykel KK cykel normal KK cykel lad KK cykel el Herre- og damecykel Ladcykel El-cykel Med udgangspunkt i ovenstående ses overordnet to forskellige tilgange til at løse dette projekt i VISSIM - kort beskrevet, at: 1 Der opbygges én cyklistklasse som kunne hedde "københavner-cyklist". Denne klasse er sammensat af en række forskellige cyklisttyper, som eksempelvis almindelige cyklister, el-cyklister og ladcyklister. I forbindelse med dette projekt vil der kunne blive defineret et antal forskellige typer af "københavnercyklist", som passer til eksempelvis brogaderne, i centrum mm. 2 Der opbygges en række forskellige "københavner-cyklister", som hver især består af almindelige cyklister, el-cyklister, ladcykler. For hver af disse typer registreres karakteristika, som eksempelvis hastighedsprofiler, adfærd ved stopstreger mm. I forbindelse med dette projekt vil der kunne blive defineret en række forskellige cyklisttyper med i nogen grad forskellig adfærd. Der er fordele og ulemper ved begge metoder. De vigtigste er listet i Tabel 2-2 nedenfor.

14 14 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 2-2 Metode 1 Metode 2 Metodiske fordele og ulemper Fordele Ved fremtidige projekter skal antallet af cyklister blot opgøres, som input til simuleringen, og det skal defineres, hvilken vejtype der passer bedst til den simulerede situation - brogade, centrum mm. Ved fremtidige projekter, der skal simuleres, vil det være muligt i detaljer at justere direkte på antallet af cyklister, der eksempelvis svinger til højre på en given lokalitet, fordi signalerne i VISSIM styres i forhold til køretøjsklassen. Ulemper Fremadrettet vil det ikke være muligt direkte at justere på andelen af cyklister, der eksempelvis svinger til højre for rødt, fordi det er indlagt i den enkelte cyklisttype, som indgår med en fast andel af eksempelvis "brogade" i cyklistklassen. Fremadrettet vil det være nødvendigt at tælle de forskellige typer af cyklister eller opstille kvalificerede gæt på sammensætningen. Derefter skal disse indlæses i VISSIM. Dette arbejde vil blive mere ressourcekrævende, fordi input af trafik, ruter mm. skal udarbejdes for eksempelvis tre cyklistklasser. Den efterfølgende procedure til kvalitetskontrol bliver ligeledes mere tidskrævende. Det er tidligt i projektets forløb blevet besluttet at anvende metode 2, da denne er mere i tråd med kommunens ambitionsniveau. Det vil give mere realistiske simuleringer og eventuelle fremtidige justeringer af parametrene vil lettere kunne gennemføres. Hvis det senere viser sig, at simuleringsarbejdet generelt bliver for ressourcekrævende i forhold til at anvende metode 2, kan der blot defineres nogle faste sammensætninger af de forskellige cyklisttyper, hvorved metode 2 reelt bliver til metode 1. Indledningsvis er der foretaget en screening af de 10 udvalgte parametre, med henblik på at klarlægge om nogen var vigtigere end andre og dermed skulle have særlig opmærksomhed i analysearbejdet. Det er vurderet, at de følgende forhold er vigtigst i forhold til at opbygge en realistisk model: Hastigheds- og accelerationsfordeling Overhalingsparametre Generelle forhold vedr. adfærd i/ved kryds I de kommende afsnit gennemgås hver af de 10 parametre i forhold til metode, dataindsamling og resultater af undersøgelserne. Resultatet af analysearbejdet er implementeret i VISSIM version i 32 bit udgaven.

15 MIKROSIMULERING AF CYKLISTER I MYLDRETID Validering af data For at sikre, at arbejdet med opkvalificering af parametrene i VISSIM er validt, er det vigtigt, at der foretages en validering af de gennemførte analyser, og den efterfølgende implementerede justering af VISSIMs parametre. I dette projekt er det valgt at validere resultaterne af kalibreringsprocessen op imod indsamlede trafikdata samt observeret trafikadfærd. Således er resultaterne for alle 10 parametre validerede, ved at gennemføre en sammenligning af resultaterne fra tests i VISSIM med de indsamlede data og den observerede adfærd. Til analyse af flere af parametrene anvendes videooptagelser som grundlag for indsamling af observationer (se bilag C). I forbindelse med optagelser i kryds, blev videoudstyret placeret på en mobilmast, således at situationerne ses "fra oven". Dette har givet præcise målinger af de enkelte parametre, som er blevet brugt til at indlægge præcise data i modellen og til den efterfølgende validering og kontrol. Afslutningsvis er der lavet en samlet vurdering af de foreslåede parametre og en vurdering af effekten på fremtidige cykelsimuleringer. 2.3 Metode til analyse af de enkelte parametre I de efterfølgende afsnit beskrives metoden for opstilling af datagrundlag og implementering af data i VISSIM, detaljeret for de enkelte parametre. I dette projekt er det valgt, at gruppere de 10 parametre i tre overordnede grupper, som er følgende: 1 Grundlæggende parametre 2 Parametre vedr. strækninger 3 Parametre vedr. kryds Dette er gjort af hensyn til, hvordan det er hensigtsmæssigt i forhold til modelleringen i VISSIM og i forhold til de observationer, der er gjort i forbindelse med analyserne. På Figur 2-1 herunder ses en skitse af de forskellige implementerede elementer i modellen, der suppleret med en optimering af de grundlæggende parametre er anvendt til at skabe et mere realistisk billede af cyklisternes færdsel i København.

16 16 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 2-1 Principskitse af elementerne i VISSIM-modellen. 2.4 Grundlæggende parametre De grundlæggende parametre omfatter: Køretøjsegenskaber Hastighedsfordeling Accelerationsfordeling De defineres alle ved at de er fastlagte parametre der ikke bør skulle ændres på i den enkelte simulering. Optimeringen af disse parametre er baseret på litteratur suppleret med resultater af målinger i marken Køretøjsegenskaber Ud fra cykelkataloger og opmålinger af cykler, er der opstillet mål for en gennemsnitlig dansk cykel. I denne forbindelse er det blevet konstateret at standardcyklen i VISSIM ikke stemmer overens med de virkelige mål for en dansk herre standardcykel. Foruden herrecyklen er der fundet mål for en dame-, el- og ladcykel. Der er ikke analyseret på data vedr. knallerter, fordi der ud fra videomaterialet er registreret, at denne gruppe udgør under 1 % af trafikken på cykelstierne i myldretiden, og derfor ingen indflydelse har på adfærd og kapacitet. Der findes allerede en knallert som standard i VISSIM, som kan anvendes, hvis der er behov for dette. Herunder er listet de forskellige typer cykler, der indlægges i en opdateret VISSIM-model:

17 MIKROSIMULERING AF CYKLISTER I MYLDRETID 17 Herrecykel (udarbejdes ny 3D-model) Damecykel (udarbejdes ny 3D-model) Ladcykel (udarbejdes ny 3D-model) Herre Dame El-cykel (udarbejdes ny 3D-model) Det er vurderet, at de følgende standardværdier er relevante for opbygning af 3D cykelmodeller: Længde Foraksel Bagaksel Stellets længde Hjulets diameter Ekstra plads til bagskærm Bredde For ladcykler suppleres med: Kassens bredde Kassens længde De endelige mål er fundet ved opmåling af cykler. Disse er valideret i forhold til information fra cykelkataloger Hastighedsfordeling Denne parameter er en af de helt grundlæggende i forhold til at få simuleret retvisende resultater for cyklister. En hastighedsfordeling til brug i VISSIM baseres på cyklistens ønskede hastighed, dvs. hastigheden ved frit flow. Da cyklisters hastighed direkte påvirkes af faktorer som cyklistens alder og kondition, cykeltypen samt eksterne faktorer som stigninger, vind og vejr, er det meget komplekst at opstille en statistisk korrekt hastighedsfordeling for "københavner cyklister" i samtlige tænkelige situationer. Der er derfor indsamlet hastighedsdata i en periode, hvor vind og vejr ikke påvirkede cyklisterne betydeligt, for at kunne

18 18 MIKROSIMULERING AF CYKLISTER I MYLDRETID repræsentere den mest generaliserede situation. Derudover er data indsamlet på en strækning hvor cyklisterne er i frit flow, og altså ikke påvirkes af faktorer som øvrige cyklister eller lyskryds. Der er opbygget hastighedskurver for hver af de tre nedenstående situationer, opdelt på cykler, el-cykler og ladcykler: ingen hældning på strækningen, nedadgående hældning på strækningen, opadgående hældning på strækningen. Disse er indlæst i VISSIM, med intervalinddelinger der anvender en kumuleret hyppighed som funktion af hastighed. Hastighedsfordelingerne er baseret på følgende intervalinddeling: km/t km/t km/t km/t km/t > 30 km/t Disse intervaller er justeret i forhold til hvad der ifølge resultaterne er relevant for den aktuelle hastighedskurve. Almindelige cykler Ladcykler El-cykler Der er indsamlet data på en flad strækning og en strækning med hældning i København. Informationen er indhentet med slangetællinger over en uge uden særlige vejrforhold der kunne påvirke cyklisterne. Disse data ligger til grund for hastighedskurverne for almindelige cykler. Der foreligger en række tællinger af cyklisters hastighed på forskellige typer af cykelstier, som kommunen har anvendt i forbindelse med andre projekter og publikationer. Heriblandt en tælling fra 25. marts 2010 på Østerbrogade og tælling fra 10. november 2011 på Dr. Louises Bro, hvori ladcykler er registreret. Hastighedskurver for ladcykler er baseret på denne. Andelen af el-cykler på cykelstierne i København vurderes p.t. at være meget lav, men stigende. Da det ikke er muligt umiddelbart at skelne el-cykler fra almindelige cykler, er der gennemført testkørsler med COWIs egen el-cykel, hvor hastighed og lokalitet er registreret med GPS. Dette bruges som baggrund for at levere et bedste bud på hastighedskurver for el-cykler. Figur 2-2 nedenfor viser ruten som er blevet brugt til at indsamle data for el-cykler.

19 MIKROSIMULERING AF CYKLISTER I MYLDRETID 19 Hastigheder opad bakke Figur 2-2 Testkørsel af el-cykel I forhold til at modellere hastigheder på opadgående stigninger, kan den aktuelle hastighedsfordeling for cyklister på en opadgående stigning anvendes. En anden mulighed er at anvende VISSIMs funktion til at tildele en strækning en hældning. På Figur 2-3 ses et skærmbillede fra VISSIM, hvor der ses ændringer i cyklisternes hastighed pga. en indlagt stigning på strækningen. Den aktuelle hastighed afviger fra den ønskede hastighed, fordi der er lagt en stigning ind på strækningen. Figur 2-3 Skærmbillede fra VISSIM, der viser hastighedsændringen op ad en stigning

20 20 MIKROSIMULERING AF CYKLISTER I MYLDRETID Det fremgår at "vdesired" (ønsket hastighed) er 21,5 km/t, mens "v" (aktuel hastighed) er 13,4 km/t. Dette skyldes, at cyklisten kører op ad bakke, hvorved hastigheden reduceres. VISSIM beregner hastighedsreduktionen op ad bakke ud fra sammenhængen mellem vægt og effekt. I dette projekt er der indsamlet data for en stigning på 40. Strækningens længde er 100 meter. Op til dette punkt er der cyklet omkring 260 meter på en strækning med en stigning på 2. Det har ud fra dette været muligt at kalibrere en hastighedsprofil, der ligner den rigtige hastighedsfordeling. Da hastighedsprofilen i dette projekt kun er fundet på en bakke med 40, betyder det, at hastighedsprofilen er begrænset til denne stigning. Derudover påvirker stigningens længde også cyklisternes hastighed, hvilket er unikt for dette projekt. Ved i stedet at anvende metoden, hvor en strækning i VISSIM tildeles en stigning, bliver hastighedsprofilen tilpasset den enkelte stigning. Det er dog kun på stigninger opad, at denne metode kan anvendes. Hastigheder nedad bakke Hastighed i sving Som ved stigningen op ad bakke er der indsamlet data for en nedadgående hældning på 40. Tællingen er foretaget på samme strækning. Det har ud fra dette været muligt at kalibrere en hastighedsprofil, der ligner den rigtige hastighedsfordeling. Hastighedsprofilet er således begrænset til en nedadgående hældning på 40. Hastigheden for cyklister nedad bakke er imidlertid typisk præget af, hvilken hastighed den enkelte tør at køre med, frem for hvilken hastighed den enkelte cyklist kan køre med. Da 40 er en anseelig hældning på en strækning, menes den kalibrerede hastighedsprofil at være et godt bud på den generelle hastighedsfordeling på en nedadgående hældning, da cyklisterne på en mindre stejl hældning alligevel vil accelerere op til den hastighed, som den enkelte tør at køre med. Der er således tale om en maksimal hastighed. Det undersøges desuden ud fra observationer, om der er behov for at nedsætte hastigheden i skarpe sving. Hastighederne i et 90 graders sving undersøges, og på denne baggrund findes en hastighedsfordeling for cyklisterne i et sving Accelerationsfordeling Der er observeret en række videooptagelser af cyklister i kryds. Accelerationen for cyklister er fundet ved at observere opstarten fra 0 km/t. Det skal bemærkes at der hermed måles den ønskede acceleration, som kun den forreste cyklist kan opnå. Dette antages at være hele klumpens acceleration. Ved at måle cyklernes bevægelse i forhold til tid, har det været muligt at producere accelerationskurver. Der er foretaget 40 målinger, hvor de endelige accelerationskurver er et gennemsnit af disse. Decelerationen er beregnet ud fra resultater af testkørsler, der er registreret med GPS. Accelerationskurver for el-cykler er fundet ud fra testkørsler, hvor det har været muligt at beregne accelerationen efter fuldt stop vha. GPS målinger. Derudover er der lavet supplerende målinger for at finde den maximale acceleration og deceleration, ved hurtigst muligt at komme op i fart og derefter bremse hårdt ned. Denne måling er lavet på el-cykel med og uden motoren tændt, da el-cyklen agerer som en almindelig cykel når motoren er slukket.

21 MIKROSIMULERING AF CYKLISTER I MYLDRETID 21 Ud fra observationer af videomaterialet vurderedes det, at ladcykler følger samme accelerationsmønster som almindelige cyklister. Dette er et bedste bud på accelerationen for ladcykler og bør undersøges nærmere. Accelerationen virker i VISSIM som køretøjets kraft, og er derfor en meget centralt parameter. De beregnede accelerationskurver er kalibreret i VISSIM. I kalibreringen er der taget højde for, at accelerationskurverne også kan anvendes på strækninger med stigning. 2.5 Parametre vedr. strækninger De parametre som påvirker cyklisternes adfærd på en fri strækning er: Følgeafstande Overhalingsparametre Indsnævring af cykelsti Busstoppesteder Der er gennemført en række analyser i forbindelse med at forbedre modelleringen af cyklistadfærden på strækninger. Den primære kilde har været besigtigelser og gennemgang af videomateriale (se bilag C). Da følgeafstande, overhalingsparametre og adfærd ved indsnævring af cykelsti alle styres under "Driving Behaviour" i VISSIM, er der en gensidig påvirkning i kalibreringen af disse parametre. For at kunne modellere cyklister i frit flow, såvel som flettende cyklister, har det været nødvendigt at lave to strækningstyper vedr. strækninger: Cykelsti (cyklister i frit flow) Flettestrækning (adfærd ved indsnævring) Der er gennemført en iterativ proces, hvor observationer fra besigtigelser og videomateriale er forsøgt gengivet i VISSIM, og efterfølgende sammenholdt med videomaterialet. Denne proces er gennemløbet mange gange, indtil modellen vurderes at være i overensstemmelse med videomateriale og besigtigelser. Efterfølgende gennemføres en validering i forhold til indsamlet data omkring trafikmængder, som vurderes at være det mest korrekte at validere op imod. Figur 2-4 viser processen i forbindelse med parametre vedr. strækninger. Denne proces har medført forslag til indstillinger af "Driving Behaviour" i VISSIM på de forskellige strækningstyper.

22 22 MIKROSIMULERING AF CYKLISTER I MYLDRETID Analyse af videomateriale Test i VISSIM Sammenligning med video Validering i forhold til trafikmængder Figur 2-4 Kalibreringsprocessen Følgeafstande I VISSIM findes der to muligheder for at modellere følgeafstande; Wiedemann 74 og Wiedemann 99. Begge modeller er tidligere blevet brugt i forbindelse med kalibrering af cykelmodeller. Indledende tests har vist, at Wiedemann 99 er den model, som er bedst egnet til at simulere cyklistforhold, da det er den mest komplekse af de to modeller. I Figur 2-5 og Figur 2-6, er der vist hvilke parametre der kan kalibreres i de respektive modeller. Figur 2-5 Parametre i Wiedemann 74 Figur 2-6 Parametre i Wiedemann 99 Første step i forhold til at foretage justeringer af parametrene i Wiedemann 99, har været et indgående kendskab til modellens enkelte parametre. Dernæst er der foretaget en vurdering af, om den enkelte parameter er relevant i forhold til simulering af cyklister og om parameteren skal justeres op eller ned i værdi i forhold til standardindstillingerne. Denne proces har bevirket, at der er foretaget en gennemgribende justering af parametrene i Wiedemann 99-modellen, hvor der indledningsvis var lagt op til en justering af et mindre antal parametre. I Figur 2-6 ses Wiedemann 99 parametrene, som træder i kræft når cyklisterne interagerer. Hver af disse skal justeres efter cyklisters adfærd og der tages udgangspunkt i parametrenes standardværdier for biler. Nedenfor i Tabel 2-3 er listet en

23 MIKROSIMULERING AF CYKLISTER I MYLDRETID 23 beskrivelse af hver parameter i Wiedemann 99 samt hvilke tanker, der har ligget bag kalibreringerne. Tabel 2-3 Wiedemann 99 parametrene Parameter Beskrivelse Forventning til kalibrering CC0 Afstanden mellem to køretøjer ved standsning Mindre, eftersom cyklister i kø holder tættere end bilister i kø. CC1 Tidsafstand mellem køretøjer i fart Mindre, eftersom afstanden mellem to cyklister i bevægelser er mindre end for biler. CC2 CC3 CC4 CC5 CC6 CC7 Variation i afstanden mellem efterfølgende køretøjer. Grænsen for hvornår "følgeafstande" kommer i spil Kontrollerer negative hastighedsforskelle mellem efterfølgende køretøjer. Kontrollerer positive hastighedsforskelle mellem efterfølgende køretøjer. Hastighedens afhængighed af variationer i distance til forrige køretøj. Acceleration ved variationer i distance til forrige køretøj. Mindre, da cyklister har mere frihed og opfører sig mere individuelt end bilister. Mindre, da cyklister har mere frihed og opfører sig mere individuelt end bilister. Mindre, da cyklister er mindre villige (mindre nødsaget) end bilister til at tilpasse deres hastighed Mindre, da cyklister er mindre villige (mindre nødsaget) end bilister til at tilpasse deres hastighed Mindre, da cyklister er mindre villige (mindre nødsaget) end bilister til at tilpasse deres hastighed Mindre, da cyklister ikke accelererer ligeså hurtigt som bilister. CC8 Ønsket acceleration fra 0 km/t. Mindre, da cyklister ikke accelererer ligeså hurtigt som bilister. CC9 Ønsket acceleration ved 80 km/t. Meget mindre. Der regnes med en lineær acceleration op til 80km/t. Foruden parametrene i Wiedemann 99 har det været nødvendigt at kigge på de følgende elementer: Look ahead distance Bestemmer hvor langt et køretøj kan se fremad og dermed reagere. Look back distance Bestemmer hvor langt et køretøj kan se tilbage og dermed reagere. Smooth closeup behaviour Denne parameter bruges til at justere hvordan cyklister bremser i området op til et statisk objekt (eksempelvis en stopstreg).

24 24 MIKROSIMULERING AF CYKLISTER I MYLDRETID Standstill distance for static obstacles Parameteren er relevant i simuleringer omkring kryds, da den bruges til at justere afstanden mellem holdende cyklister og en stopstreg. I den iterative kalibreringsproces er simuleringen løbende blevet sidestillet med observationer fra videooptagelser. Parametrene er gennemgået enkeltvis. Da de påvirker hinanden indbyrdes, har det været nødvendig iterativt at gå tilbage og lave de nødvendige justeringer. VISSIMs visuelle muligheder er i denne forbindelse blevet brugt til at vurdere, om cyklisterne opfører sig som observeret i videomaterialet. Det har resulteret i et bedste bud på en parametersætning af CC0-CC9, der giver en simulering, der ligner trafikmønstret på videoerne. Følgeafstande er kalibrerede efter de grundlæggende parametre er fastlagte, så konsekvenserne af disse parametre er reflekteret i følgeafstandsparametrene Overhalingsparametre I forbindelse med en optimering af parametrene for cyklisternes adfærd ved overhaling har det været nødvendigt at fastlægge den mest fordelagtige opbygning af cykelstien i VISSIM. To metoder er mulige: 1 Cykelstien opbygges af flere baner ("lanes") alt efter bredden af cykelstien, hvormed en overhaling i VISSIM er forbundet et baneskift ("lane change") 2 Cykelstien opbygges af én bane ("lane") med samme bredde som cykelstien, hvormed en overhaling i VISSIM er forbundet med en lateral bevægelse på/i banen Der er ud fra observationer og tests i VISSIM besluttet, at metode 2 giver den mest realistiske genskabelse af cyklisternes adfærd ved overhaling og giver ligeledes den mest brugervenlige opbygning af simuleringsmodellen. Derfor er det udelukkende metode 2, der er anvendt til at simulere cyklisternes laterale bevægelser på cykelstien. Der er foretaget videoregistreringer på cykelstier med plads til henholdsvis to og tre almindelige cyklister. Til analysen af overhalingsparametre er der brugt samme videoregistreringer som til analysen af følgeafstande. Derudover er der nedskrevet observationer som blev foretaget i forbindelse med videooptagelserne (se bilag C). Da ladcykler har en langsommere hastighedsprofil end almindelige cyklister, foretager de sjældent overhalinger. Ud fra besigtigelser af videomaterialet vurderes det dog at deres adfærd er lig almindelige cyklisters i de tilfælde der foretages overhalinger. Ladcykler behandles derfor sammen med almindelige cyklister. Det har vist sig relevant at opstille parametre for følgende forhold, der er listet i Tabel 2-4:

25 MIKROSIMULERING AF CYKLISTER I MYLDRETID 25 Tabel 2-4 Overhalingsparametre Parameter Beskrivelse Forventning til kalibrering Minimum lateral distance at 0 km/h Minimum lateral distance at 50 km/h Collision time gain Minimum longitudinal speed Time between direction changes Overtake on left Overtake on right Bestemmer den minimale laterale afstand stillestående cyklister vil holde. Bestemmer den minimale laterale afstand cyklister vil holde ved 50km/t. Bestemmer den minimale tid inden sammenstød en cyklist skal kunne vinde før vognbaneskift foretages. Den minimale hastighed hvorved der stadig kan foretages vognbaneskift. Bestemmer hvor lang tid der skal gå mellem vognbaneskift. Bestemmer om cyklisten må overhale udenom. Er relevant da cyklisterne alle kører i samme "lane" i VISSIM. Bestemmer om cyklisten må overhale indenom. Er relevant da cyklisterne alle kører i samme "lane" i VISSIM. Skal være mindre end for biler, da cyklister accepterer en mindre afstand. Skal være mindre end for biler, da cyklister accepterer en mindre afstand. Værdien varierer alt efter strækningstype. Værdien varierer alt efter strækningstype. Skal være mindre end for biler, da cyklister opfører sig mere individuelt end bilister og eksempelvis ligger på hjul. Skal altid være tilladt. Varierer alt efter strækningstype. Diamantformet Derudover har det været nødvendigt at overveje, hvordan cyklisterne opfører sig i køophobninger. Deriblandt om diamantformet køopbygning skal være tilladt, hvilket giver en mere tilfældig baseret køstruktur. Kalibreringen af overhalingsparametrene er sket sideløbende med kalibreringen af følgeafstande, da disse to parametre påvirker hinanden. Overhalingsparametrene er kalibrerede efter hastigheds- og accelerationsfordelingerne er fastlagte, så konsekvenserne af disse parametre er reflekteret i overhalingsparametrene Håndtering af adfærd ved indsnævring Der er kalibreret på VISSIM's indstillinger for "Driving Behaviour" for at give et realistisk billede af flettemanøvrene ved en indsnævring af cykelstien. Hastighedsfordelingen blandt cyklister er stor i forhold til biler. Dette betyder, at cyklister bliver spredt ud over cykelstien, når de får lov til at køre et stykke på en fri strækning - selv på steder med høj trængsel. Indsnævringer påvirker derfor ka-

26 26 MIKROSIMULERING AF CYKLISTER I MYLDRETID paciteten mest, når den ligger i området omkring et kryds. Samtidig vil cyklisterne i disse områder decelerere eller accelerere og kan ikke forventes at opføre sig som på en fri strækning. Der er derfor oprettet en ny strækningstype, der behandler området før en indsnævring på en fri strækning eller nærmere betegnet, når cyklisterne er forholdsvist spredt. Indsnævringer i umiddelbar nærhed af et kryds håndteres under strækningstyperne, der bør anvendes i kryds. Parametrene i VISSIM, der påvirker adfærd ved indsnævring, er kalibrerede efter de grundlæggende parametre er fastlagt, så der er taget højde for konsekvenserne af disse Håndtering af adfærd ved busstoppesteder For at kunne repræsentere den forsinkelse cyklister oplever ved busstoppesteder, er der kalibreret på vigepligtsparametre samt på ønsket hastighed. Cyklisternes forsinkelse afhænger af antallet af buspassagerer samt bussens holdetid. For ikke at komplicere simuleringen yderligere ved at introducere fodgængersimulering, er der benyttet en metode, der kan repræsentere en generel forsinkelse. I forbindelse med projektet er der udarbejdet to metoder til modellering af busstoppestederne. De er som følger: 1 Cyklisterne tildeles en ny, lavere hastighedsfordeling ved busstoppestedet, hvis der holder en bus ved stoppestedet. 2 Ovenstående suppleres med en vigepligt, hvor en andel af cyklisterne stopper helt op og en andel "smutter forbi". Efter stoppestedet tildeles cyklisterne deres "normale" hastighedsfordeling igen. Ved at bruge metode 1 alene vil det være muligt at modellere hastighedsnedsættelser og dermed den gennemsnitlige forsinkelsen i forbindelse med passage af et busstoppested, men det ser ikke helt realistisk ud, da ingen af cyklisterne stopper helt op. Det vurderes, at en kombination af metode 1 og 2 giver den mest realistiske simulering. I Figur 2-7 herunder, er der vist hvordan metode 1 og 2 opbygges i VISSIM.

27 MIKROSIMULERING AF CYKLISTER I MYLDRETID 27 Desired speed decisions Spole Vigepligt Figur 2-7 Metode til opbygning af busholdeplads Der er indlagt en spole i busstoppestedet, som aktiverer hastighedsnedsættelsen. Hastighedsnedsættelsen aktiveres, når spolen har været belagt i 2 sek. og ophæves igen, når bussen forsvinder fra spolen igen. De cyklister, der har fået en ændret hastighed, tildeles deres "normale" hastighed igen efter busstoppestedet. Yderligere er der ved bussens bagende indlagt en vigepligt, hvor en andel af cyklisterne holder. Andelen er styret ud fra køretøjsklasserne. Det er vigtigt at indstille bussens holdetid rigtigt. I virkeligheden vil en bus med lukkede døre ikke påvirke cyklister. Der er derfor en periode i starten og slutningen af bussens holdetid, hvor cyklister ikke holder tilbage. Da dette ikke kan repræsenteres af en vigepligt, skal bussens holdetid i VISSIM være lige så kort som den tid, hvor bussen faktisk påvirker cyklisternes adfærd. Videooptagelser viser at cyklister sætter farten op, hvis det betyder, at de kan nå at komme forbi busstoppestedet inden bussen holder (se bilag C). Det er valgt ikke at repræsentere denne adfærd i simuleringen, da effekten på rejsetid og forsinkelse vil være lille og adfærden vil være kompliceret at repræsentere i en simulering. Metoden beskrevet ovenfor repræsenterer den forsinkelse, der påføres ved et busstoppested. Den mest realistiske simulering opnås dog ved at medtage fodgængere i simuleringen, vigepligten kan således baseres på fodgængerne og ikke på bussen. Dette er dog fravalgt, da fodgængere medfører for stor kompleksitet i forhold til den påvirkning busstoppesteder har på kapaciteten. Desuden ville fodgængersimulering udelukke de brugere, som ikke har adgang til VISSIMs fodgængermodul VISWALK (en betydelig dyrere licens).

28 28 MIKROSIMULERING AF CYKLISTER I MYLDRETID 2.6 Parametre vedr. kryds De parametre som berører cyklisters adfærd i og omkring kryds er: Adfærd i ventezoner Adfærd ved stopstreger Adfærd ved højresving Der er gennemført en række analyser i forbindelse med at forbedre modelleringen af cyklistadfærden op til, efter og i kryds. Den primære kilde til indgangsdata, har været besigtigelser og gennemgang af videomateriale (se bilag C). Ved kalibreringen af parametre i og omkring kryds har det været nødvendigt at kalibrere på mange af de samme parametre som på en fri strækning. Det er derfor nødvendigt at lave nye strækningstyper til opbygning af kryds. De omfatter: Krydsstrækning Afkortet cykelsti Udligningsstrækning Processen i forhold til at foretage justeringer af parametrene i VISSIMs "Driving Behavior", har været den samme som ved justeringen af de foregående parametre. Der har været gennemført en iterativ proces, hvor observationer fra besigtigelser og videomateriale er forsøgt gengivet i VISSIM og efterfølgende sammenholdt med videomaterialet. Denne proces er gennemløbet mange gange, indtil modellen vurderes at være i overensstemmelse med videomateriale og besigtigelser. Efterfølgende gennemføres en validering i forhold til indsamlet data omkring trafikmængder, som vurderes at være det mest korrekte at validere op imod. Figur 2-8 viser processen i forbindelse med at fremtage parametersæt og simuleringsmetoder for strækninger vedr. kryds. Analyse af videomateriale Test i VISSIM Sammenligning med video Validering i forhold til trafikmængder Figur 2-8 Kalibreringsprocessen Definition af ventezone Håndtering af adfærd i ventezoner Ventezonen er defineret som det areal der benyttes af venstresvingende cyklister i signalanlæg. Der er principielt 2 forskellige typer af ventezoner, som afhænger af den plads der er til rådighed mellem fodgængerfeltet og cykelstien. Hvis afstanden er lille, anvendes en del af fodgængerfeltet som ventezone og hvis der er god plads,

29 MIKROSIMULERING AF CYKLISTER I MYLDRETID 29 holder cyklisterne ud til kanten af cykelstien. På Figur 2-9 er begge typer af ventezoner i krydset Gothersgade/Vester Farimagsgade illustreret med rødt. Figur 2-9 Ventezoner i krydset Gothersgade/Vester Farimagsgade Cyklisternes adfærd registreres fra videooptagelser i forskellige ventezoner (se Bilag C). Det klarlægges, hvordan cyklisterne opholder sig i disse ventezoner, i hvilket omfang disse cyklister krydser signalet før tid, samt hvordan ventezonerne påvirker de øvrige trafikanter. Der opbygges små simuleringsmodeller over de forskellige typer af ventezoner, som kalibreres ud fra de indsamlede data. Som supplement til de "rigtige" signaler skal der indlægges nogle fiktive signaler, som kan hjælpe til at regulere adfærden, der kan ses på Figur 2-10 nedenfor.

30 30 MIKROSIMULERING AF CYKLISTER I MYLDRETID Fiktive stopstreger, som holder cyklisterne på plads i ventezonen Figur 2-10 Fiktive signaler til regulering af cyklisternes adfærd i ventezonen Analysen afdækker følgende forhold: Cyklernes placering i ventezonen. Dette skal ses i forhold til cykelbanen og et evt. fodgængerfelt. I analysen skelnes der mellem meget og lidt plads mellem cykelbanen og fodgængerfeltet, hvor lidt plads er mindre 1,5 m. Omfang af tidligt opstart fra ventezonen. Dette omfatter ligeudkørende cyklister, der placerer sig i ventezonen, samt i hvilket omfang cyklister forlader ventezonen før grønt. Påvirkning på øvrige trafikstrømme. Der redegøres for, hvordan cyklister i ventezoner påvirker trafikstrømme, afviklingen af biler og andre cyklister. Da ventezonen kan påvirke andre trafikanter som fodgængere og højresvingende bilister, opbygges modellen så ventezonerne kan påvirke resten af modellen og derved påvirke kapaciteten for de øvrige trafikanter Adfærd ved stopstreger Analysen af adfærden ved stopstreger er baseret på besigtigelse og observationer fra videomateriale (se bilag C). I analysen besvares nedenstående forhold: Adfærd ved stopstregen Overtrædelse af stopstreger ved rødt signal. I hvilket omfang sker det, og er det afhængig af lokaliteten? Højresving fra rødt. Påvirkes dette af opmarchbanens udformning? Tidlig opstart for grønt. Påvirkes dette af fodgængere og biler? Adfærd inden stopstregen Afstandsreduktion nær signaler. Under "Driving Behaviour" i VISSIM skal følgende kalibreres: Reduction factor

31 MIKROSIMULERING AF CYKLISTER I MYLDRETID 31 Start upstream of stop line End downstream of stop line Adfærd på separat cykelsti inden stopstregen. Her er cyklister adskilt fra andre trafikanter. Adfærd i cykelbane inden stopstregen. Her interagerer cyklist delvist med andre trafikanter. Adfærd i højresvingsbane/afkortet cykelsti inden stopstregen. Her interagerer cyklister i høj grad med andre trafikanter. Ovenstående analyseresultater er indarbejdet i eksempler opstillet i VISSIM. Der er foretaget en kalibrering af parametrene, så modellerne afspejler registreringerne. Cyklisttyperne i VISSIM tildeles forskellige adfærdsparametre, som giver dem forskellig adfærd ved stoppestreger. Således kan der f.eks. bruges almindelige stoplinjer/signaler for cyklister, som kører i henhold til færdselsloven, mens der suppleres med fiktive signaler for at gengive en realistisk adfærd for de cyklister, som "siver" frem for den reelle stopstreg. Adfærden er observeret ud fra videoregistreringer (se bilag C). Separat cykelsti Figur 2-11 viser et udsnit fra Københavns Kommunes video af opbygning af kø ved Søtorvet. Figur 2-11 Køopbygning ved Søtorvet. Video af Københavns Kommune, 3. maj Ud fra videomaterialet kan der laves to generelle observationer: 1 Cyklisterne fordeler sig ud over hele cykelstiens bredde og placerer sig hvor der er bedst plads.

32 32 MIKROSIMULERING AF CYKLISTER I MYLDRETID 2 Cyklisterne tilpasser sig omgivelserne. De følger strømmen og venter med at accelerere op til den ønskede hastighed. På en normal cykelsti, vil cyklisterne placere sig efter deres hastighed. De vil også kun overhale udenom. For at simulere den ovenstående situation så realistisk som muligt har det derfor været nødvendigt at oprette en særlig strækningstype for området op til og efter en stopstreg. Denne strækning efterfølges af en udligningsstrækning, hvor der sættes højere krav til at cyklisterne holder til højre. Udligningsstrækningen fungerer som en nødvendig overgangsstrækning fra adfærden ved den lille spredning af cyklisterne umiddelbart efter et kryds til adfærden ved den større spredning på den frie strækning. Afkortet cykelsti Med en afkortet cykelsti menes situationer, hvor cyklister må dele vejbane med højresvingende bilister i det sidste stykke op til stopstregen. Figur 2-12 viser køopbygningen ved en afkortet cykelsti. Figur 2-12 Køopbygning ved Gothersgade Figuren viser, hvordan cyklister holder både indenom og udenom de højresvingende bilister. Der er taget højde for begge typer adfærd i simuleringen. Der er oprettet en ny strækningstype i VISSIM, der repræsenterer adfærden ved en afkortet cykelsti. Den afkortede cykelsti efterfølges af samme udligningsstrækning som ved almindelige stopstreger umiddelbart efter krydset.

33 MIKROSIMULERING AF CYKLISTER I MYLDRETID Adfærd ved højresving På baggrund af videomateriale og observationer i forskellige krydstyper, registreres andelen af cyklister, der svinger til højre for rødt. Denne gruppe behandles sammen med gruppen af ligeudkørende, der gør brug af ventezonen. Til cyklister i ventezonen oprettes en fiktiv stopstreg. De højresvingende drejer inden den fiktive stopstreg, og kører derfor videre, trods det røde signal. Denne opbygning er vist i Figur 2-13 nedenfor. Det er vigtigt, at cyklisterne opdeles i to køretøjsklasser for at repræsentere denne adfærd, da signaler i VISSIM styres ud fra køretøjsklasserne. Dette medfører, at den ene køretøjsklasse ikke registrerer signalet ved stopstregen. De ligeudkørende i denne klasse stopper i stedet for signalet efter ventezonen, mens de højresvingende i klassen kan fortsætte uden stop. Fiktiv stopstreg, som ligger efter højresvinget Højresvingslinket Figur 2-13 Opbygning af stopstreger, der tillader højresving for rødt Der er observeret en del cyklister, der bruger fortovet til højresving i kryds med lange kødannelser. Det er valgt ikke at repræsentere denne adfærd, da kompleksiteten i modelleringsmetoden er høj i forhold til påvirkningen på kapacitet, rejsetid og forsinkelse. Der er dog beskrevet en mulig metode til modelleringen af denne adfærd i vejledningen til opbygningen af simuleringerne for cyklister i VISSIM.

34 34 MIKROSIMULERING AF CYKLISTER I MYLDRETID 3 Resultater I de efterfølgende afsnit beskrives de indsamlede data til brug for de enkelte parametre. Yderligere er der for hver parameter beskrevet, hvordan resultaterne overføres til VISSIM-modellen og hvordan resultaterne er validerede. 3.1 Grundlæggende parametre Køretøjsegenskaber Køretøjsegenskaberne beskriver køretøjets fysiske udformning. De sikrer en realistisk simulering. Indsamlet data Tilgængelige data for mål af danske standardcykler varierer efter det undersøgte mærke. De mest tilgængelige data omfatter størrelse af stel og hjul. Da dette ikke er tilstrækkeligt til at opbygge en ny 3D model, er målene blevet sammenlignet med COWIs egne cykler. Eftersom målene stemte nogenlunde overens, ligger målinger af COWIs egne cykler til grund for opbygningen af nye 3D modeller. Tabel 3-1 viser målene af COWIs cykler. Tabel 3-1 Mål for danske standard cykler Herre cykel Dame cykel El-cykel Ladcykel Længde Front axle Rear axle Stel Hjul Ekstra plads til bagskærm Bredde Kassens bredde Kassens længde

35 MIKROSIMULERING AF CYKLISTER I MYLDRETID 35 Målene for disse cykler afviger fra default-værdierne i VISSIM, som ses i Figur 3-1. Målene er videresendt til PTV, som har leveret 3D modeller for herre-, dame-, el- og ladcykler. Figur 3-1 VISSIMs default værdier for en cykels geometri Validering Adskillige hjemmesider, der sælger danske standardcykler, er gennemgået for at få en idé om standardmålene for danske cykler. Ikke alle nødvendige mål var tilgængelige på hjemmesiderne og datamængderne varierer. De mest tilgængelige nøgletal var stellets længde og hjulets diameter. Disse blev derfor sammenholdt med COWIs egne cykler og det kunne konstateres, at de var sammenlignelige med standardmålene. Målinger af COWIs egne cykler er derfor brugt som baggrund for nye 3D cykelmodeller. Input til VISSIM De følgende 3D cykelmodeller, vist i Figur 3-2-Figur 3-6, kan indlæses i VISSIM og bruges til forskellige køretøjstyper. 3D modellen indeholder både de visuelle og dimensionale aspekter af hver cykel. For at opnå den korrekte afbildning af 3D modellerne, skal de tildeles katogerien "Car" i stedet for "Bike" under køretøjstyper. Denne kategorisering har ingen indflydelse på simuleringens resultater, blot visualiseringen af 3D modellerne.

36 36 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-2 Herrecykel Figur 3-3 Damecykel Figur 3-4 El-cykel Figur 3-5 Ladcykel - Herre Figur 3-6 Ladcykel - Dame

37 MIKROSIMULERING AF CYKLISTER I MYLDRETID 37 Det skal bemærkes, at den fysiske forskel på de normale herre- og damecykler er meget lille. For ladcykler er der ingen fysisk forskel mellem herre og dame modellen Hastighedsfordeling Hastighedsfordelingerne sikrer en realistisk hastighedsspredning for cyklerne. Flad strækning Indsamlet data Data for cyklister på en flad strækning blev indsamlet i uge 24, 2012 på Nørre Allé, ved slangetællinger, der målte antal cyklister samt hastighed. Ud fra de indsamlede data blev der indledningsvist fundet nøgletal for hastighederne for tirsdag i indsamlingsugen. Tabel 3-2 redegør for disse. Tabel 3-2 Nøgletal for hastighederne for cyklister på en flad strækning, tirsdag Tirsdag Hele døgnet Tirsdag 7:30-9:30 Tirsdag 15:30-17:30 Gennemsnit 22,24 22,94 23,34 Standard Variation 4,20 4,22 4,37 Maks. 39,90 35,40 39,90 Min. 7,40 13,10 10,20 n Ud fra disse tal blev det vurderet nødvendigt at lave en separat hastighedsfordeling for myldretidstrafikken, da hastigheden i disse perioder ligger lidt højere. For alle hverdage i ugen gælder nøgletallene i Tabel 3-3. Tabel 3-3 Nøgletal for hastighederne for cyklister på en flad strækning over alle hverdage i en uge Hverdage Hele døgn Hverdage 7:30-9:30 Hverdage 15:30-17:30 Gennemsnit 22,23 23,22 23,12 Standard variation 4,20 4,23 4,34 Maks. 47,10 38,70 47,10 Min. 5,30 11,70 5,30 n I VISSIM angives hastighedsfordelingen i intervaller. Tabel 3-4 viser intervalopdelingen af de målte hastigheder i myldretiderne samt de kumulative procentsatser.

38 38 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-4 Interval Intervalinddeling for hastigheder for cyklister på en flad strækning i morgenog eftermiddagsmyldretiden Myldretid - morgen og eftermiddag Hyppighed [antal cyklister] Kumulativ % ,05% ,59% ,17% ,17% ,08% ,05% ,33% ,00% Den minimale registrerede hastighed er 5 km/t, og den maksimale 47 km/t. Disse afgrænsninger er repræsenteret i Figur 3-7, der afspejler resultaterne fra Tabel Hastighedsfordeling i myldretiden Normal cykel på flad strækning 2000 Antal cyklister Km/t Figur 3-7 Antal cyklister pr. hastighedsinterval på flad strækning Hastighedsfordelingen ligner tilnærmelsesvis en normalfordeling, dog med en vægt mod de højere hastigheder. De kumulative procentsatser kan omdannes til en kurve, der kan implementeres i VISSIM. I forbindelse med hastighedsfordelingerne, er det valgt at ikke tage højde for intervaller, hvor mindre end 1 % af cyklisterne er repræsenteret. For denne hastighedsfordeling betyder det, at hastighedsspredningen ligger på km/t. Figur 3-8 nedenfor viser de kumulative procentsatser ved hver hastighed. Denne graf er i samme format som hastighedskurver i VISSIM og kan derfor bruges direkte.

39 MIKROSIMULERING AF CYKLISTER I MYLDRETID 39 Kumulativ % 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Hastighedsfordeling Normal cykel på strækning u. hældning Km/t Figur 3-8 Hastighedsfordeling for normale cykler på flad strækning Hældning nedad Ligeledes kan der analyseres på nøgletal for slangetællinger på Frederiksborgvej, der blev foretaget fra den 31. maj til 6. juni, Frederiksborgvej har en overordnet hældning på ca. 20. Den øverste del af bakken, hvor tællingen er foretaget, har en hældning på ca. 40. Højdekort over strækningen som stigningerne er beregnet ud fra kan ses i Bilag A. Tabel 3-5 og Tabel 3-6 nedenfor viser beskrivende nøgletal samt intervalopdelingen af data for cyklister der kører ned ad bakken på Frederiksborgvej. Tabel 3-5 Nøgletal for hastigheden for cyklister på en strækning med hældning nedad Hverdage Hele døgn Hverdage 7:30-9:30 Hverdage 15:30-17:30 Gennemsnit 26,07 26,72 26,61 Standard variation 4,73 4,51 4,94 Maks. 48,10 43,70 46,90 Min. 4,60 5,90 11,50 n I VISSIM angives hastighedsfordelingen i intervaller. Tabel 3-46 viser intervalopdelingen af de målte hastigheder i myldretiden samt de kumulative procentsatser.

40 40 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-6 Interval Intervalinddeling for hastigheden for cyklister på en strækning med hældning nedad i morgen- og eftermiddagsmyldretiden Myldretid - morgen og eftermiddag Hyppighed [antal cyklister] Kumulativ % ,18% ,87% ,65% ,65% ,31% ,64% ,26% ,63% ,00% Det er tydeligt, at hastigheden stiger betydeligt i forhold til cyklister på en flad strækning. Figur 3-9 illustrerer tendensen, som viser en mere markant vægt mod de højere hastigheder. Hastighedsspredningen har dog ikke ændret sig markant. Den ligger på 6-47 km/t. Antal cyklister Hastighedsfordeling Strækning med hældning nedad Km/t Figur 3-9 Antal cyklister pr. hastighedsinterval på strækning med hældning nedad Når de intervaller der udgør mindre end én procent af cyklisterne fjernes, resulterer det i grafen på Figur 3-10, som kan implementeres direkte i VISSIM.

41 MIKROSIMULERING AF CYKLISTER I MYLDRETID % 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Hastighedsfordeling Normal cykel på strækning m. hældning nedad Figur 3-10 Hastighedsfordeling for almindelig cykler nedad bakke Hældning opad For cyklister på Frederiksborgvej med hældning opad gælder de nøgletal, der kan ses i Tabel 3-7. Tabel 3-7 Nøgletal for hastigheden for cyklister på en strækning med hældning opad Hverdage Hele døgn Hverdage 7:30-9:30 Hverdage 15:30-17:30 Gennemsnit 14,03 14,93 13,95 Standard variation 4,48 4,16 4,48 Maks. 46,3 45,2 39,4 Min. 3,5 4,6 4,8 n I modsætning til hastigheder på en lige strækning, eller ned ad bakke, er der ikke en udpræget tendens til en højere hastighed i myldretiden. Dette kan skyldes den fysiske udfordring det indebærer at køre op ad bakke. Tabel 3-8 nedenfor viser, hvordan hastigheden vægtes mod de lavere hastigheder i forhold til de to ovenstående fordelinger. Tabel 3-8 Interval Intervalinddeling for hastigheden for cyklister på en strækning med hældning opad i morgen- og eftermiddagsmyldretiden Myldretid - morgen og eftermiddag Hyppighed [Antal cyklister] Kumulativ % ,54% ,99% ,98% ,90%

42 42 MIKROSIMULERING AF CYKLISTER I MYLDRETID ,19% ,41% ,00% Hastighedsspredning er på 5-45 km/t, hvilket ikke er en markant ændring i forhold til de ovenstående resultater. Figur 3-11 viser dog tydeligt hældningens effekt på resultaterne Hastighedsfordeling Normal cykel på strækning m. hældning opad 1000 Antal cyklister Km/t Figur 3-11 Antal cyklister pr. hastighedsinterval på strækning med hældning opad For strækninger med hældning opad, skal følgende hastighedsfordeling i VISSIM anvendes (Figur 3-12). Intervaller der udgør mindre end én procent er fjernet.

43 MIKROSIMULERING AF CYKLISTER I MYLDRETID 43 Kumulativ % 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Hastighedsfordeling Normal cykel på strækning m. hældning opad Km/t Figur 3-12 Hastighedsfordeling for almindelig cykler op ad bakke Ladcykler Hastighedskurverne for ladcykler er baseret på en tælling foretaget af Københavns Kommune 25. marts 2010 på Østerbrogade. Da dette er en ældre og mindre tælling (hvoraf ladcykler udgør ca. 3 %), er resultaterne verificeret i forhold til, hvordan hastighedsmønstret ser ud i de øvrige tællinger, og det vurderes at være realistisk. Der er en lille andel i det laveste interval. Derefter stiger fordelingen i intervallet km/t for så falde i de efterfølgende intervaller. Dette mønster ligner det, som sås for almindelige cykler på flad strækning, dog (som forventet) mere vægtet mod lavere hastigheder. Tællingen er foretaget på en flad strækning. Tabel 3-9 og Tabel 3-10 viser nøgletal og intervalinddelingen for ladcykler. Tabel 3-9 Nøgletal for hastigheden for ladcykler 25. marts 2010, kl Gennemsnit 14,96 Standard variation 3,61 Maks. 29,00 Min. 10,00 n 52 Tabel 3-10 Intervalinddeling for hastigheden for ladcykler Interval 25. marts 2010, kl Hyppighed [Antal cyklister] Kumulativ % ,77% ,92% ,38% ,15% ,08%

44 44 MIKROSIMULERING AF CYKLISTER I MYLDRETID ,00% Intervalinddelingen for ladcyklister tyder på en mindre spredning for denne gruppe. Dette må skyldes de tunge og mindre fleksible cykler, der pålægger cyklisten en fysisk hindring. Derudover skal der tages hensyn til sikkerheden, da ladcykler er tungere og dermed sværere at bremse. Den kumulative fordeling for ladcyklers hastighed kan ses i Figur Hastighedsfordeling Ladcykel på flad strækning Antal ladcykler Km/t Figur 3-13 Antal ladcykler pr. hastighedsinterval på flad strækning Hastighedsspredningen er på km/t og alle intervaller udgør mere end én procent af tællingen. Det resulterer i nedenstående hastighedsfordeling som kan indtastes i VISSIM (Error! Reference source not found.error! Reference source not found.).

45 MIKROSIMULERING AF CYKLISTER I MYLDRETID % Hastighedsfordeling Ladcykel på flad strækning 80% Kumulativ & 60% 40% 20% 0% Km/t Figur 3-14 Hastighedsfordeling for ladcykler på flad strækning Der foreligger ikke en tælling for ladcykler på strækninger med hældning. Der henvises til at bruge ovenstående resultat på sådanne strækninger. På strækninger med hældning opad kan VISSIMs funktion for at indlægge en stigning anvendes. El-cykler Der foreligger ikke en tælling for el-cykler. Som baggrund for at udvikle en hastighedskurve, er der analyseret på hastighedsvariationen af testkørsler med COWIs el-cykel på Nørre Allé. El-cyklens motor hjælper til, indtil cyklisten opnår en hastighed over 25 km/t. I praksis viste det sig dog, at den først slår fra ved omkring km/t. Når motoren slår fra, fungerer el-cyklen som en almindelig cykel der udelukkende hjælpes frem ad cyklistens egen pedalkraft. El-cykler er dog relativt store og tunge, hvilket betyder at de fleste cyklister vil holde sig omkring 25 km/t. Ud fra erfaringer med testkørsler vurderes det, at en el-cyklist vil køre over 25 km/t, hvor motoren slår fra, men sjældent over 30 km/t, da el-cyklen er tung. El-cyklens motor betyder, at eksterne faktorer som stigninger påvirker hastigheden mindre end for almindelige cykler. Figur 3-15 viser hastighedsvariationerne for elcykler på flad strækning, samt på strækninger med hældning. Hastighederne ligger som forventet over 25 km/t, hvor motoren slår fra. Der er ikke en markant forskel i hastigheden på strækningstyperne. Dog er hastighedsvariationen mere stabil på strækninger med hældning nedad, hvilket skyldes at hældningen hjælper til med at holde farten, når motoren slår fra.

46 46 MIKROSIMULERING AF CYKLISTER I MYLDRETID Hastighedsfordeling El-cykler Km/t Flad strækning Strækning med hældning nedad Strækning med hældning opad Sekunder Figur 3-15 Hastighedsvariationer for el-cykler Når hyppigheden aflæses, er forskellen i hastighedsprofilerne på den flade strækning og strækningen med hældning opad minimal. Faktisk er den procentvise andel i det laveste interval med registrerede hastigheder højest på den flade strækning. Dette tyder på, at motoren hjælper så meget, at hastighedsprofilen er den samme på en flad strækning som op ad bakke. Det er derfor valgt at lade registreringerne på den flade strækning repræsentere begge strækningstyper. Hastighedsspredningen på en flad strækning er på km/t. På strækningen med hældning nedad er der kun registreret hastigheder i det højeste interval. Hastighedsspredningen er på km/t. Tabel 3-11 viser de registrerede hastigheder. Tabel 3-11 Hastighedsfordelinger for el-cykler Interval Flad strækning Strækning med hældning nedad Strækning med hældning opad Hyppighed Kumulativ Hyppighed Kumulativ Hyppighed Kumulativ ,00% 0 0,00% 0 0,00% ,29% 0 0,00% 12 21,05% ,00% ,00% ,00% n Den begrænsede datamængde indebærer få relevante intervaller. Der vil under alle omstændigheder ikke være ligeså stor variation i hastigheder på en el-cykel.

47 MIKROSIMULERING AF CYKLISTER I MYLDRETID 47 De nedenstående grafer i Figur 3-16 og Figur 3-17 viser hastighedsfordelingerne for el-cykler, som de skal indtastes i VISSIM. 100% Hastighedsfordeling El-cykel på flad strækning og op ad bakke 80% Kumulativ % 60% 40% 20% 0% Km/t Figur 3-16 Hastighedsfordeling for el-cykler på flad strækning og opad bakke 100% Hastighedsfordeling El-cykel på strækning med hældning nedad 80% Kumulativ % 60% 40% 20% 0% Km/t Figur 3-17 Hastighedsfordeling for el-cykler nedad bakke Hastighed i sving Det er analyseret, om cyklisternes hastighed i skarpe sving reduceres. Ud fra besigtigelser og egne erfaringer er det konstateret at hastigheden nedsættes. Ud fra videomateriale (se Bilag C) er hastighedsnedsættelsen bestemt ved analyse af cyklister i frit flow, som kører gennem en skarp kurve som eksempelvis ved højresving i et signalanlæg. Resultatet af analysen er gengivet i Tabel 3-12.

48 48 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-12 Hastighedsfordeling i sving Interval Hyppighed Kumulativ % ,00% ,75% ,00% ,38% ,00% Hastighedsspredningen i sving er 5-17 km/t. Nedenstående graf i Figur 3-18 viser, hvordan hastighedsfordelingen skal indtastes i VISSIM. 120% 100% Hastighedsfordeling -i skarpe sving Kumulativ % 80% 60% 40% 20% 0% Km/t Figur 3-18 Hastighedsfordeling i skarpe sving Validering Hastighedskurverne er direkte resultater af målinger i marken. Disse vil altid kunne forbedres igennem flere målinger, der gør resultaterne mere statistisk korrekte. For el-cykler og ladcykler vil dette kræve manuelle målinger, da en slangetælling ikke kan skelne mellem cykeltyper. Derudover er der ganske få el-cykler i København. Ovenstående resultater har resulteret i et bedste bud på realistiske hastighedsfordelinger. For almindelige cykler på en flad strækning er de sammenlignet med tidligere målinger foretaget af Københavns Kommune, som kan ses i Tabel 3-13:

49 MIKROSIMULERING AF CYKLISTER I MYLDRETID 49 Tabel 3-13 Gennemsnitlige hastigheder fra tidligere målinger Sted Dato Gns. hastighed (km/t) n Dr. Louises bro ,1 406 Langebro ,7 592 Øster Søgade ,6 137 Nørrebrogade ,4 901 Med en gennemsnitlig hastighed på 22,23 km/t over hele ugen, ligger resultaterne af hastighedsmålingerne foretaget i dette projekt tæt op ad tidligere målinger. Default-værdierne i VISSIM indeholder få hastighedskurver, som er lave nok til at være relevante for cyklister. Nedenstående figur viser et udsnit af default hastighedskurver. Figur 3-19 Default hastighedskurver i VISSIM Hver af disse hastighedsfordelinger er en linear relation mellem en min. og en maks. hastighed. Hastighedsfordelingerne er ikke kalibrerede efter cyklister. Input til VISSIM I VISSIM optræder hastighedskurver som en kumuleret hyppighed af hvert interval. De kumulative procentsatser, som er vist ovenfor, er brugt til at danne hastighedskurver, der kan bruges direkte i VISSIM. Almindelige cykler De nedenstående figurer og tabeller viser hastighedskurverne for cyklister implementeret i VISSIM. Figur 3-20 viser hastighedsfordelingen for normale cykler på en flad strækning, som den er indtastet i VISSIM. Tabel 3-14 viser procentsatserne ved slutningen af hvert interval.

50 50 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-20 Hastighedsfordeling i VISSIM for almindelige cykler på flad strækning Tabel 3-14 Hastighedsfordeling for normale cykler på en flad strækning i VISSIM Hastighed (Km/t) Kumulativ % 14 0% 18 9% 22 44% 26 77% 30 93% % Figur 3-21 viser hastighedsfordelingen for normale cykler på en strækning med hældning nedad implementeret i VISSIM. Tabel 3-15 viser procentsatserne ved slutningen af hvert interval.

51 MIKROSIMULERING AF CYKLISTER I MYLDRETID 51 Figur 3-21 Hastighedsfordeling for almindelige cykler på strækning med hældning nedad Tabel 3-15 Hastighedsfordeling for normale cykler på en strækning med hældning nedad Hastighed (Km/t) Kumulativ % 14 0% 18 4% 22 15% 26 43% 30 79% 35 96% % Figur 3-22 viser hastighedsfordelingen opad bakke implementeret i VISSIM. Tabel 3-16 viser procentsatserne ved slutningen af hvert interval.

52 52 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-22 Hastighedsfordeling i VISSIM for almindelige cykler opad bakke Tabel 3-16 Hastighedsfordeling for normale cykler på en strækning med hældning opad Hastighed (Km/t) Kumulativ % 5 0% 10 12% 14 53% 18 83% 22 95% 26 98% % Disse hastighedsfordelinger kan implementeres og bruges direkte i VISSIM. Hastighedsfordelingerne på strækning med hældning er dog beregnet ud fra en bakke med en stigning på 40. Ønskes en hastighedsfordeling på en strækning med en anden hældning, er det muligt at indlægge en strækning med hældning opad i VISSIM. Der vil i så fald reguleres for stigningens effekt på hastigheden med udgangspunkt i hastighedsfordelingen på en flad strækning.

53 MIKROSIMULERING AF CYKLISTER I MYLDRETID 53 Figur 3-23 viser, hvordan der er indlagt en stigning på 20, i "link"-menuen under fanebladet "Other". Figur 3-23 Link i VISSIM med en stigning på 2 (bemærk at der anvendes % i VISSIM) Ladcykler viser hastighedskurven for ladcykler, som den skal indtastes i VISSIM. Tabel 3-17 viser de tilsvarende kumulative procentsatser. Figur 3-24 Hastighedsfordeling for ladcykler på flad strækning

54 54 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-17 Hastighedsfordeling for ladcykler på en flad strækning Hastighed (Km/t) Kumulativ % 10 6% 14 53% 18 90% 22 96% 26 98% % Da der ikke foreligger en tælling for ladcyklister på en strækning med hældning, henvises der til at anvende VISSIMs funktion for at påvirke hastigheder op ad bakke (se Figur 3-23). På strækninger med hældning nedad anbefales det at anvende hastighedsfordelingen ovenfor. Dette skal ses i lyset af at hastigheden for cyklister, der kører nedad bakke, typisk er mindre præget af hvad der kan køres, frem for hvad der tør køres. Ladcykler er generelt tunge og sværere at manøvrere end en almindelige cykler, og derfor findes det validt at antage (af mangel på bedre), at hastighedsfordelingen på en nedadgående hældning næppe er markant anderledes end hastighedsfordelingen på en flad strækning.

55 MIKROSIMULERING AF CYKLISTER I MYLDRETID 55 El-cykler Figur 3-25 og Figur 3-26 nedenfor viser hastighedsfordelingen for el-cykler på en flad strækning og strækning med hældning opad. Tabel 3-18 viser de kumulative procentsatser for en flad strækning. Figur 3-25 Hastighedsfordeling for el-cykler på flad strækning og strækning med hældning opad. Tabel 3-18 Procentsatserne ved slutning af hvert interval. Hastighed (Km/t) Kumulativ % 22 0% 26 24% % På strækninger med hældning nedad viste resultaterne at hastighederne alle ligger i samme interval. Det resulterer i nedenstående lineære graf mellem den laveste og højeste registrerede hastighed.

56 56 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-26 Hastighedsfordeling for el-cykler på strækning med hældning nedad Hastighed i sving Nedenstående Figur 3-27 viser hastighedsfordelingen i sving. Resultatet er baseret på et sving med 90 o. Tabel 3-19 viser de tilhørende kumulative procentsatser ved slutningen af hvert interval.

57 MIKROSIMULERING AF CYKLISTER I MYLDRETID 57 Figur 3-27 Hastighedsfordeling i sving Tabel 3-19 Hastighedsfordeling i sving Hastighed (Km/t) Kumulativ % 5 0,00% 8 19% 12 50% 16 84% % Accelerationsfordeling Accelerationsfordelingerne sikrer en realistisk ændring i hastigheden for cyklerne fra eksempelvis et rødt signal i et kryds. Ønsket acceleration for normale cykler Indsamlet data Acceleration for normale cykler er vurderet ud fra videooptagelser i kryds, hvor cyklisternes acceleration fra 0 km/t kan aflæses. Det er primært den første cyklist i køen, der er lavet målinger på, da denne ikke er hæmmet af andre evt. langsommere cyklister. Analyserne viser, at der er forholdsvis stor spredning på resultaterne,

58 58 MIKROSIMULERING AF CYKLISTER YKLISTER I MYLDRETID hvilket primært skal findes i forskellige ønsker til acceleration og forskellig fysik ved den enkelte cyklist. Accelerationsberegningerne er baseret på krydset Nørre Farimagsgade / GothersGother gade. Der er lavet målinger af, hvor hurtigt cyklisten forflytter sig si fra stoplinjen til hvert af de markerede punkter i Figur 3-28 nedenfor. Der er lavet målinger på 40 cyklister. På baggrund af disse data er der fundet et gennemsnit, hvorpå den endelige accelerationskurve er baseret. Figur 3-28 Distancer i krydset Nørre Farimagsgade / Gothersgade Figur 3-29 viser resultaterne af de 40 målinger samt gennemsnittet. Som forventet viser gennemsnittet en initial høj acceleration, som stilner af i takt med at hastighehastigh den øges. Projekt dokumenter/mikrosimulering dokumenter af cyklister - rapport - endelig.docx

59 MIKROSIMULERING AF CYKLISTER I MYLDRETID 59 Acceleration for almindelige cykler 40 målinger samt gennemsnittet Gennemsnitlig acceleration 5,00 4,00 Acceleration 3,00 2,00 1,00 0,00-1, Meter Figur 3-29 Accelerationer for 40 målinger samt gennemsnittet Foruden accelerationen er cyklistens hastighed ved hvert punkt beregnet. Tabel 3-20 nedenfor viser den gennemsnitlige hastighed og acceleration ved hvert målepunkt. Tabel 3-20 Gennemsnitlig hastighed og acceleration ud fra 40 målinger Målepunkt (meter) Hastighed km/t Acceleration m/s 2 0,0 0,00 0,00 3,6 9,66 1,83 14,5 11,70 0,18 22,5 12,89 0,18 26,0 13,25 0,14 Figur 3-30 viser hastighedens udvikling, der som forventet stiger hurtigt, hvorefter den begynder at jævne ud.

60 60 MIKROSIMULERING AF CYKLISTER I MYLDRETID Km/t 14,00 12,00 10,00 8,00 6,00 4,00 2,00 0,00 Acceleration for almindelige cykler Flad strækning 0 3,6 14,5 22,5 26 Meter Figur 3-30 Hastighed i forhold til forflytning ved acceleration Figur 3-31 illustrerer, hvordan cyklisterne accelererer i starten for at komme i gang. Efter de er nået op på små 10 km/t stilner accelerationen dog hurtigt af og når et ganske stabilt niveau, hvor accelerationsniveauet falder stille og roligt. Det forrige afsnit viste, at den gennemsnitlige hastighed for en københavner-cyklist ligger på ca. 22 km/t. Cyklisterne er altså ikke færdige med accelerationen, men den begynder at aftage og er allerede ganske lav ved 13 km/t. Det antages derfor, at accelerationen langsomt vil aftage, indtil den ønskede hastighed er nået. m/s 2 2,00 1,80 1,60 1,40 1,20 1,00 0,80 0,60 0,40 0,20 0,00 0,00 9,66 11,70 12,89 13,25 Km/t Figur 3-31 Acceleration i forhold til hastighed Figur 3-31 er i samme format som accelerationskurver i VISSIM. I VISSIM er det accelerationerne der afgør den kraft de enkelte køretøjer har. Dette kommer særligt til udtryk på stigninger, hvor køretøjer med små accelerationer mister hastighed. Der er foretaget en kalibrering af accelerationen i forhold til de målte hastigheder

61 MIKROSIMULERING AF CYKLISTER I MYLDRETID 61 for cyklisterne på stigningen. Kalibreringen har medvirket en mindre justering af accelerationen, som den er målt/beregnet ud fra videoregistreringerne. I kalibreringen indgik også en estimering af accelerationen op til 35 km/t. Figur 3-32 nedenfor viser den endelige accelerationskurve i VISSIM for almindelige cyklister. Accelerationen er 0 m/s 2 ved 60 km/t, da det ikke vurderes realistisk at cyklister når op på denne hastighed i en almindelig cykelsimulering. Figur 3-32 Den kalibrerede accelerationskurve Ønsket deceleration for normale cykler Den ønskede deceleration for almindelige cykler er fundet vha. testkørsler på COWIs egen el-cykel, hvor motoren var slukket. Med motoren slukket fungerer elcyklen som en almindelig cykel, dog lidt tungere. Det vurderes dog, at el-cyklens vægt har en begrænset effekt på decelerationen. Under testkørslen blev der foretaget GPS målinger af tre testkørsler på den samme flade strækning. Tabel 3-21 og Figur 3-33 på næste side viser decelerationen beregnet ud fra data fra testkørslerne.

62 62 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-21 Deceleration beregnet ud fra testkørsler Hastighed (km/t) Deceleration (m/s 2 ) 0-2, , , , , ,232 0,000-0,500 Deceleration for almindelige cykler ,000-1,500-2,000 Ønsket deceleration (m/s2) -2,500-3,000-3,500 Km/t Figur 3-33 Decelerationen for almindelige cykler som en funktion af hastighed Ovenstående figur er i samme format som decelerationskurver i VISSIM. Det har dog været nødvendigt at kalibrere på disse resultater, så kurven kan tage højde for højere hastigheder end registreret i dette projekt. Derudover blev det fundet nødvendigt at øge decelerationen, da lave decelerationer kan medføre at cyklisterne ikke stopper i tide. Kalibreringen resulterede i decelerationskurven, som ses i nedenstående Figur Decelerationen kan svinge ned til og op til de to omkringliggende linjer.

63 MIKROSIMULERING AF CYKLISTER I MYLDRETID 63 Ønsket acceleration og deceleration for el-cykler Figur 3-34 Decelerationsfordelingen for almindelige cykler efter kalibrering For el-cykler er accelerationen fundet ud fra en testkørsel med COWIs egen elcykel, hvor en GPS har registreret tid, hastighed og lokalitet hvert sekund. Tabel 3-22 nedenfor viser de områder, hvorfra der er brugt resultater for acceleration og deceleration. Tabel 3-22 Lokaliteter for målinger af acceleration og deceleration på el-cykel Flad strækning Strækning med hældning nedad Strækning med hældning opad Acceleration Nørre Allé Lyngbyvej (Gentoftegade - Fuglegårdsvej) Lyngbyvej (Tuborgvej - Boldklubben 1903) Stigning Deceleration Nørre Allé Lyngbyvej (Teglstrupvej - Emdrupvej) Lyngbyvej (bakken op til Rovsingsgade) For at finde accelerationen for el-cykler på en flad strækning er der brugt målinger fra Nørre Allé, hvor cyklisten har holdt for rødt og derefter er kommet op i den øn-

64 64 MIKROSIMULERING AF CYKLISTER I MYLDRETID skede hastighed. Figur 3-35 og Figur 3-36 viser henholdsvis hastighed i forhold til forflytning og acceleration i forhold til hastighed. Acceleration for el-cykel Flad strækning Km/t Meter Figur 3-35 Hastigheden i forhold til forflytning ved acceleration Acceleration for el-cykel Flad strækning 1,5 1 m/s 2 0,5 0-0,5 Km/t Figur 3-36 Acceleration i forhold til hastighed Ud fra den ovenstående figur har det været muligt at aflæse accelerationen efter hastighed, så der kan frembringes en accelerationskurve til indlæsning i VISSIM. Tilsvarende har det været muligt at måle deceleration for el-cykler på en flad strækning, ligeledes på Nørre Allé. Figur 3-37 og Figur 3-38 viser kurver for deceleration.

65 MIKROSIMULERING AF CYKLISTER I MYLDRETID 65 Deceleration for el-cykel Flad strækning Km/t Meter Figur 3-37 Hastigheden i forhold til forflytning ved opbremsning Deceleration for el-cykel Flad strækning 0,5 0 m/s 2-0,5-1 -1,5-2 Km/t Figur 3-38 Deceleration i forhold til hastighed Ud fra Figur 3-38 er det muligt at frembringe en graf som kan implementeres i VISSIM. Accelerationskurver i VISSIM er defineret ved acceleration som en funktion af hastighed. Hastighederne er intervalinddelt i forhold til København Kommunes ønsker. Tabel 3-23 nedenfor viser de ønskede accelerationer og decelerationer for el-cykler på en flad strækning. De tilsvarende kurver kan ses i Figur 3-39.

66 66 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-23 Ønsket acceleration og deceleration for el-cykel på flad strækning Hastighed (km/t) Ønsket acceleration (m/s 2 ) Ønsket deceleration (m/s 2 ) 0 0,556-1, ,197-1, ,528-1, ,917-1, ,694-0, ,333-0,056 m/s 2 2 1,5 1 0,5 0-0,5-1 -1,5-2 Ønsket acceleration/deceleration Elcykel på flad strækning Km/t Ønsket acceleration (m/s2) Ønsket deceleration (m/s2) Figur 3-39 Acceleration og deceleration for el-cykler på flad strækning Eftersom motoren ikke hjælper en bremsende el-cyklist, er det dog antaget realistisk at anvende decelerationskurven for almindelige cyklister for el-cyklister. Der er ligeledes fremtaget accelerationskurver for el-cykler på en strækning med hældning nedad. Figur 3-40 og Figur 3-41 viser henholdsvis acceleration og deceleration på disse strækninger.

67 MIKROSIMULERING AF CYKLISTER I MYLDRETID 67 Acceleration for el-cykler Strækning med hældning nedad Km/t Meter Figur 3-40 Hastighed i forhold til forflytning på strækning med hældning nedad Deceleration for el-cykel Strækning med hældning nedad Km/t Meter Figur 3-41 Hastighed i forhold til forflytning ved op bremsning på strækning med hældning nedad Tabel 3-24 viser den ønskede acceleration og deceleration på strækninger med hældning nedad. De tilsvarende kurver er vist i Figur 3-42.

68 68 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-24 Ønsket acceleration og deceleration for el-cykel på strækning med hældning nedad Hastighed (km/t) Ønsket acceleration (m/s 2 ) Ønsket deceleration (m/s 2 ) 0 0,889-0, ,361-1, , ,053-0, ,667-0, ,139-0,167 2 Ønsket acceleration/deceleration Elcykel strækning med hældning nedad 1,5 1 m/s 2 0,5 0-0, Ønsket acceleration (m/s2) Ønsket deceleration (m/s2) -1-1,5 Km/t Figur 3-42 Acceleration og deceleration for el-cykler på strækning med hældning nedad Figur 3-43 og Figur 3-44 viser acceleration og deceleration på strækninger med hældning opad.

69 MIKROSIMULERING AF CYKLISTER I MYLDRETID 69 Km/t Acceleration for elcykel Strækning med hældning opad Meter Figur 3-43 Hastighed i forhold til forflytning på strækning med hældning opad Km/t Deceleration el-cykel Strækning med hældning opad Meter Figur 3-44 Hastighed i forhold til forflytning ved op bremsning på strækning med hældning opad Den ønskede acceleration og deceleration for el-cykler på strækninger med hældning opad er vist i Tabel De tilsvarende kurver er vist i Figur 3-45.

70 70 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-25 Ønsket acceleration og deceleration for el-cykel på strækning med hældning opad Hastighed (km/t) Ønsket acceleration (m/s2) Ønsket deceleration (m/s2) 0 0,444-0, ,000-0, ,280-0, ,972-0, ,556-0, ,139-0,028 1,500 Ønsket acceleration/deceleration Elcykel på strækning med hældning opad 1,000 m/s 2 0,500 0,000-0, Ønsket acceleration (m/s2) Ønsket deceleration (m/s2) -1,000 Km/t Figur 3-45 Acceleration og deceleration for el-cykler på strækning med hældning opad. Disse accelerationer kan indlæses på strækninger med hældninger. De er dog kun repræsentative på strækninger med en hældning på 10, og decelerationen skal kalibreres i forhold til, at cyklisternes har den korrekte adfærd i VISSIM. Alternativt kan der indlægges en stigning på strækningen i VISSIM og da anvendes accelerationerne for en flad strækning (se Figur 3-23). Ønsket acceleration for ladcykler Maksimal acceleration og deceleration I forbindelse med analyser af videomaterialet indsamlet til dette projekt er det vurderet, at accelerationskurver og decelerationskurver for almindelige cykler også er gældende for ladcykler. Der er lavet en supplerende måling på el-cykel med motoren tændt og motoren slukket. En el-cykel med slukket motor agerer som en normal cykel. Disse er lavet for at finde den maksimale acceleration og deceleration. Under testkørslen er cyklisten kommet hurtigt op i fart og har bremset hårdt ned på en flad strækning. Der er lavet tre testkørsler på samme strækning både med og uden motor. Den maksimale acceleration og deceleration er et gennemsnit af resultaterne fra de tre testkørsler. Tabel 3-26 viser den maksimale acceleration og deceleration.

71 MIKROSIMULERING AF CYKLISTER I MYLDRETID 71 Tabel 3-26 Maksimal acceleration og deceleration på el-cykel Hastighed (km/t) Acceleration (m/s 2 ) Motoren tændt Deceleration (m/s 2 ) Acceleration (m/s 2 ) Motoren slukket Deceleration (m/s 2 ) 0 0,750-2,907 0,398-2, ,556-2,608 1,324-3, ,639-2,309 1,278-2, ,165-1,909 0,683-2, ,896-1,509 0,389-1, ,047-0,102 0,046-0,232 Den maksimale acceleration med motoren slukket overstiger ikke den maksimale acceleration i den kalibrerede accelerationskurve for almindelige cyklister. Denne kan ses i Tabel 3-27 og er på 1,8 m/s 2. Figur 3-46 nedenfor viser de maksimale accelerations- og decelerationskurver, som resultat af testkørslerne. 2,000 Maksimal acceleration og deceleration m/s 2 1,000 0,000-1,000-2, Acceleration (m/s2) med motoren tændt Deceleration (m/s2) med motoren tændt Acceleration (m/s2) med motoren slukket -3,000 Deceleration (m/s2) med motoren slukket -4,000 km/t Figur 3-46 Målte accelerationer og decelerationer Samme maksimal og ønsket acceleration og deceleration I VISSIM arbejdes der med en maksimal og en ønsket acceleration og deceleration. Da accelerationer og decelerationer er målt/beregnet, antages de at repræsentere de ønskede. For f.eks. biler vil der være forskel på maksimal og ønsket acceleration, og det vil ligeledes være muligt at måle/beregne disse. For cykler viser analyserne, at der dels er stor spredning på accelerationerne, og at målingerne ikke nødvendigvis repræsenterer de maksimale accelerationer og decelerationer. Derfor er der valgt at anvende samme accelerationer dels for alle cyklisttyperne, og dels også i maksimal og ønsket acceleration.

72 72 MIKROSIMULERING AF CYKLISTER I MYLDRETID Validering Ifølge Faghri og Egyháziová (1999) ligger accelerationen for en cyklist på 1,52 m/s 2. Dette ligger tæt op ad de beregnede resultater. Decelerationen vurderer de til at være på 2,93 m/s 2, hvilket er næsten identisk med den beregnede deceleration for normale cykler. Foruden kryds Gothersgade/Nørre Farimagsgade, blev der beregnet acceleration ved søtorvet og i krydset Østerbrogade/Jagtvej. Resultaterne af disse analyser viste samme tendenser. Resultaterne er fundet på basis af markmålinger. Accelerationsberegninger er dog meget følsomme. Ved beregninger baseret på observationer af hastighed og distance ud fra videomateriale, er det nødvendigt med en grundig undersøgelse af resultaterne. Der er derfor lavet en kalibrering af disse kurver i VISSIM, hvor der bl.a. er sammenlignet hvor mange cyklister, der når at passere stopstregen i et kryds i forhold til videomateriale. Denne kalibrering har sikret en accelerationskurve, som kan afspejle adfærden fra videoregistreringerne. Der findes en default accelerationsfordeling for cyklister i VISSIM som ses i Figur Figur 3-47 VISSIMs default accelerationskurve for cyklister

73 MIKROSIMULERING AF CYKLISTER I MYLDRETID 73 Den ovenstående accelerationsfordeling er ikke baseret på markmålinger og er den som normalt anvendes til biler. Resultaterne i dette projekt sikrer nødvendigvis en mere realistisk og troværdig simulering af cyklisterne. Input til VISSIM I VISSIM er accelerationskurver opgivet i hastighed som en funktion af accelerationen. Ud fra de ovenstående resultater har det været muligt at finde en accelerationskurve, der er repræsentativ for alle cyklisttyper. Den beregnede accelerationskurve er kalibreret til at kunne bruges på flade strækninger, såvel som på strækninger med hældning opad. Det er vurderet realistisk også at bruge nedenstående kurve på strækninger med hældning nedad (Figur 3-48). Figur 3-48 Accelerationsfordeling for cyklister Tabel 3-27 nedenfor viser hastighedsintervaller og accelerationerne for hvert af punkterne i ovenstående figur.

74 74 MIKROSIMULERING AF CYKLISTER I MYLDRETID Tabel 3-27 Kalibrerede hastighedsintervaller og accelerationer Hastighed (km/t) Acceleration (m/s 2 ) 0,0 0,4 2,6 1,2 3,7 1,6 5,1 1,8 6,7 1,6 8,0 1,3 13,2 0,4 18,5 0,3 22,2 0,3 25,9 0,3 29,7 0,2 60,0 0,0 Tillige er det vurderet realistisk at anvende decelerationskurven vist i Figur 3-49 for samtlige typer cyklister på samtlige typer strækning. Dette er også baseret på, at kurven er kalibreret til i VISSIM, således at de får den rigtige adfærd ved eksempelvis stopstreger og vigepligt. Tabel 3-28 viser accelerationen ved de bestemte hastigheder.

75 MIKROSIMULERING AF CYKLISTER I MYLDRETID 75 Figur 3-49 Decelerationsfordeling for cyklister Tabel 3-28 Kalibrerede hastighedsintervaller og decelerationer Hastighed (km/t) Deceleration (m/s 2 ) 0,0-3,0 5,0-4,0 20,0-2,0 60,0 0,0 De følgende afsnit vil gennemgå resultaterne for parametre vedr. strækninger. Disse parametre indstilles under driving behavior. De grundlæggende parametre fra afsnit 3.1 er brugt som grundlag for disse parametre. 3.2 Parametre vedr. strækninger Dette afsnit berører parametre vedr. strækninger og er baseret på resultaterne fra afsnit 3.1.

76 76 MIKROSIMULERING AF CYKLISTER I MYLDRETID Følgeafstande Følgeafstande sikrer en realistisk spredning af cyklisterne på cykelstien og dermed også en realistisk kapacitet. Parametrene i dette afsnit omhandler følgeafstande på strækninger. I kryds sker der ændringer igennem andre parametre. Disse redegøres i afsnit 3.3. Indsamlet data Følgeafstande mellem cyklister er vurderet ud fra videooptagelser foretaget i myldretiden på travle cykelstier. COWI har foretaget videooptagelser på de følgende strækninger: Nørrebrogade ved Assistens Kirkegård (normal cykelsti) Nørrebrogade ved Ravnsborggade (bred cykelsti) Gl. Kongevej ud for nr. 72 (normal cykelsti) Derudover er Københavns Kommunes videooptagelse af cyklister på Grønningen brugt til analysen af følgeafstande (se bilag C). Alle disse videooptagelser er relevante for kalibrering af følgeafstande på en fri strækning. Videoerne viser, at der selv på travle cykelstier er en stor spredning af cyklister. Ved analysen af følgeafstande er det derfor kun interessant at kigge på klumper af cyklister, hvilket hovedsageligt opstår op til eller efter et kryds. Ved klumper af cyklister i frit flow vurderes det, at de normalt holder en afstand på 1-3 meter. Op til kryds hvor cyklisterne sænker hastigheden mindskes følgeafstanden, men sjældent til mere end 0,75 meter. Kalibreringen af den normale cykelsti for cyklister i frit flow resulterer i parametre, der er gældende for alle strækningstyper. Derudover er der variationer i brugen af: Smooth closeup behaviour Standstill distance for static obstacles Sammenligning af observationer og simulering Validering De to nedenstående figurer viser eksempler på følgeafstande fra markmålingerne lavet i forbindelse med dette projekt. De er alle taget af cyklister, der kører omkring deres ønskede hastigheder, dvs. de ikke længere accelererer for at komme op i højere fart. Figur 3-50 viser følgeafstande på en normal cykelsti på Nørrebrogade. Her kører cyklisterne omkring deres ønskede hastigheder og holder god afstand. Cyklisterne længere tilbage i billedet ser umiddelbart ud til at holde tæt afstand, men der skal gøres opmærksom på at kameraets vinkel gør det svært at vurdere afstande, før de er i starten af billedet.

77 MIKROSIMULERING AF CYKLISTER I MYLDRETID 77 Figur 3-51 viser en situation med en kort afstand imellem cyklisterne. Dette er en af de kortest observerede følgeafstande. Generelt kan det siges, at der er en stor variation i hvor stor afstand cyklisterne holder. Det afhænger af, hvor meget trængsel der er på cykelstien og om de har i sinde at overhale. Figur 3-50 Følgeafstande på normal cykelsti

78 78 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-51 Tæt følgeafstand på normal cykelsti Figurerne nedenfor viser udsnit fra simuleringen af cyklister på en fri strækning, hvor cyklisterne spreder sig ud over cykelstien. Dette stemmer overens med observationer i marken, hvor der kun indimellem kommer klynger af cyklister, hvor følgeafstande kommer i spil. Figur 3-52 viser ret store afstande mellem cyklister på en fri strækning. I det viste tilfælde er parametrene for følgeafstande kommet i spil, men cyklisterne har ikke nået grænsen for hvor tæt på hinanden de er villige til at cykle. I denne simulering er default værdien for cyklernes størrelser brugt. Det betyder at der fra afstanden skal trækkes længden af default cyklen, hvilken er 1,445 meter. Det betyder at de fire cyklister holder en afstand på mellem 3,4 og 5,9 meter.

79 MIKROSIMULERING AF CYKLISTER I MYLDRETID 79 3,4m 4,5m 5,9 m Figur 3-52 Følgeafstande på en 3 meter bred cykelsti i VISSIM I Figur 3-53 er der vist et eksempel på cyklister, der kører tæt på hinanden. Den bageste cyklist overhaler umiddelbart efter denne situation, hvilket også tyder på, at dette nærmer sig den mindste acceptable følgeafstand. Dette stemmer også overens med observationer i marken, hvor det vurderedes, at den absolut mindste følgeafstand på en fri strækning var på 0,75-1,0 meter.

80 80 MIKROSIMULERING AF CYKLISTER I MYLDRETID 1,0m Figur 3-53 Følgeafstand på en 2 meter bred cykelsti Default værdierne under fanebladet "following" i VISSIM for cyklister er næsten de samme som er gældende for biler. Det medfører større følgeafstande og er ikke repræsentativ for cyklister ifølge resultaterne i dette projekt. Der har derfor været gennemgået en omfattende kalibrering af overhalingsparametrene. Kalibreringen har taget udgangspunkt i cykelmodeller lavet af PTV. Disse er derefter blevet justeret i forhold til resultaterne fundet i København. Kalibrering af CC0-CC9 En korrekt indstilling af "Standstill Distance" (CC0) og "Headway Time" (CC1) er essentiel, for at sikre en korrekt afstand mellem køretøjer. Særligt "Headway Time" påvirker cykelstiens kapacitet, da denne styrer følgeafstanden, når køretøjer er i bevægelse.

81 MIKROSIMULERING AF CYKLISTER I MYLDRETID 81 "Treshold for Entering "Following" (CC3) bestemmer hvornår følgeafstande kommer i spil og "Speed dependency og Osciliation" (CC6) bestemmer hvornår Sikkerhedsafstande et køretøj begynder ved kryds at tilpasse sin hastighed efter det foranliggende køretøj. Disse parametre sikrer at de Følgeafstande på simulerede cyklister forskellige strækningstyper tilpasser sig omgivelserne i en højere grad end ved standardindstillingerne, og dermed opnås en mere realistisk simulering.kalibrering af øvrige parametre "Look ahead distance" og "Look back distance" påvirker hvor langt frem/tilbage cyklisten i simuleringen kan se på cykelstien og dermed reagere på det han/hun ser. "Observed vehicles" skal sættes til den maksimale værdi på 10, da dette angiver, hvor mange elementer cyklisten kan observere ad gangen. Det hænder, at begrænsningen på 10 observerede elementer ad gangen i modellen er utilstrækkelig, hvormed der kan forekomme uhensigtsmæssig adfærd fra enkelte cyklister i situationer med mange cyklister. Under fanen "Signal Control" er "Reduction factor" sat til 0,8 frem for 0,6 ved biler. Dette skyldes, at hastighedsforskellene på en cykel nødvendigvis er mindre end for en bil, og således reduceres sikkerhedsafstanden ved et kryds også tilsvarende mindre for cyklisterne i forhold til en fri strækning. Kalibreringen af følgeafstande er foretaget på alle strækningstyper, der er oprettet i forbindelse med dette projekt: Cykelsti Flettestrækning Krydsstrækning Udligningsstrækning Ventezone Afkortet cykelsti (Cyk) Afkortet cykelsti (Kt) Resultaterne af kalibreringen redegøres i nedenstående afsnit. Input til VISSIM Figur 3-54 viser resultatet af kalibreringsprocessen for en cykelsti med cyklister i frit flow.

82 82 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-54 Parametersættet for følgeafstande på almindelige cykelstier I hvert enkelt tilfælde kan der være særlige behov for små justeringer på de enkelte parametre, i forhold til adfærden i det område der ønskes simuleret, men de viste indstillinger kan generelt benyttes til simulering af cyklister i hele København og eventuelt i hele Danmark. Justering af parameteren CC1 eller "sikkerhedsafstanden" er dog den parameter, der vil have størst effekt på kapaciteten af cykelstien. De ovenstående parameterindstillinger er gældende for en cykelsti med cyklister i frit flow, dvs. strækningstypen der i dette projekt er betegnet "Cykelsti". Kalibreringsprocessen viste, at parametersættet for CC0-CC9 er gældende for alle strækningstyper lavet til cyklister, da der ikke var variationer i adfærden omkring følgeafstande. Dog er der variationer i "smooth closup behavior" og "standstill distance for static obstacles" i forhold til ovenstående figur. Disse variationer repræsenterer forskellen i adfærd op til stopstreger på de forskellige strækningstyper. Figur 3-55-Figur 3-57 nedenfor, viser indstillingerne på "smooth closup behavior" og "standstill distance for static obstacles" for hver strækningstype. Figur 3-55 Indstillinger for "Cykelsti" og "Udligningsstrækning

83 MIKROSIMULERING AF CYKLISTER I MYLDRETID 83 Figur 3-56 Indstillinger for "Flettestrækning" Figur 3-57 Indstillinger for "Krydsstrækning", "Ventezone" og "Afkortet cykelsti (Cyk)" Foruden parametrene under "Following" fanebladet, er der lavet små ændringer under "Signal Control" fanebladet (sefigur 3-58). Parametrene er gældende for alle strækningstyper til cyklister. Figur 3-58 Parametersættet for "Signal Control" på almindelige cykelstier Der skal gøres opmærksom på, at strækningstypen "Afkortet cykelsti (Kt)" er lavet for biler, der deler højresvingsbane med cyklister. De ovenstående parametersæt er derfor ikke gældende på denne strækningstype. Indstillinger for "Afkortet cykelsti (Kt)" er redegjort i afsnit 3.3.2, som omhandler adfærd ved stopstreger Overhalingsparametre Overhalingsparametre sikrer en realistisk adfærd ved cyklisternes laterale bevægelser på cykelstien.

84 84 MIKROSIMULERING AF CYKLISTER I MYLDRETID Indsamlet data I forbindelse med fastsættelse af overhalingsparametre, er der foretaget videoregistreringer på de følgende strækninger: Nørrebrogade ved Assistentens Kirkegård (normal cykelsti på 2,2 m.) Nørrebrogade ved Ravnsborggade (bred cykelsti) Gl. Kongevej ud for nr. 72 (normal cykelsti på 2 m.) Videooptagelserne er alle foretaget i myldretiden. Københavns Kommunes optagelser af cyklister på Grønningen er ligeledes blevet analyseret. Analyserne af videoerne viser, at der er plads til to cyklister (deriblandt én ladcykel og én almindelig cykel) ved siden af hinanden på de normale cykelstier. På den brede cykelsti er der plads til tre cyklister. Videooptagelserne viser alle, at cyklisterne overhaler fast lane / slow lane princippet. Dvs. cyklisterne holder ind til højre, hvis de ikke er i færd med at overhale. Videoregistreringerne viser dog at solo-cyklister på en bred cykelsti holder stor afstand til fortovet og dermed cykler nærmere midten af cykelstien, hvilket kan påvirke kapaciteten. En cyklist midt på cykelstien betyder, at der kun er plads til én overhalende cyklist. Denne adfærd kan ikke repræsenteres i en simulering, da cyklisterne altid vil forsøge at rette sig ind efter parametersætningen. Parametersætningen må altså repræsentere den mest almindelige adfærd. Det er derfor nødvendigt altid at holde cyklisterne i højre side. Dette påvirker dog ikke fremkommeligheden. Det vigtigste er at opnå den korrekte kapacitet på cykelstien. Simulerede cyklister forsøger konstant at opnå deres ønskede hastighed og acceleration i stedet for at tilpasse sig omgivelserne. Det betyder, at de simulerede cyklister konstant forsøgte at overhale, så der var en stor flakken mellem vognbanerne. Det var derfor nødvendigt at indlægge restriktioner på, hvornår og hvor ofte de var tilladte at skifte bane. Det resulterede i en virkelighedsnær simulering, hvor der kun overhales når nødvendigt. Validering I Bilag B ses en figur over hvor mange cyklister, der er plads til ved siden af hinanden, alt efter cykelstiens bredde. Disse stemmer overens med resultaterne fra videooptagelserne. Figur 3-59 nedenfor viser, hvordan der er plads til tre cyklister ved siden af hinanden på en bred cykelsti.

85 MIKROSIMULERING AF CYKLISTER I MYLDRETID 85 Figur 3-59 Plads til tre cylister på en bred cykelsti Indlægges samme cykelstibredde i VISSIM er der ligeledes plads til tre cyklister. Dette er illustreret i Figur 3-60 nedenfor, der er taget fra en simulering i VISSIM med de gældende overhalingsparametre. Figur 3-60 Plads til tre cyklister på en bred cykelsti (3 m.) i VISSIM Figur 3-61 viser en normal cykelsti med plads til to cyklister.

86 86 MIKROSIMULERING AF CYKLISTER I MYLDRETID Figur 3-61 Normal cykelstibredde med plads til to cyklister Indlæses samme cykelstibredde i VISSIM, er der ligeledes plads til to cyklister. Dette er illustreret i Figur 3-62 nedenfor, der er taget fra en simulering i VISSIM.

87 MIKROSIMULERING AF CYKLISTER I MYLDRETID 87 Figur 3-62 Plads til to cyklister på en normal cykelstibredde (2,2 m.) i VISSIM Bruges default indstillingerne i VISSIM, observeres en konstant flakken i cyklisternes adfærd. Dette er ikke realistisk. Kalibreringen af overhalingsparametrene har sikret en mere realistisk og troværdig simulering. Parametrene under fanen "Lateral" er dem der styrer cyklisternes generelle placering på cykelstien. "Desired position at free flow" er sat til "Right", da cyklister typisk holder til højre på cykelstien, når de har nået deres ønskede hastighed, hvilket betyder at der overhales "on left" under "Overtake on same lane". Parameteren "Collision time gain" er essentiel i forhold til, hvornår en cyklist vil foretage en overhaling og dermed bevæge sig væk fra den højre side af cykelstien. Hvis denne parameter øges, vil cyklisterne være mindre tilbøjelige til at overhale, da en overhaling kun foretages, hvis "Collision time" forøges til den satte værdi ved en overhaling. Parameteren "Minimum longitudinal speed" er sat til lige under den lavest mulige hastighed for cyklisterne i modellen, hvilket er 10 km/t for ladcyklerne. Ved denne indstilling er det ikke muligt for cyklisten at foretage et vognbaneskift før hastigheden er minimum 9,9 km/t, og cyklisten med en højere ønsket fart end 10 km/t bliver således ikke "fanget" bag en cyklist med lavere ønsket fart. Denne parameter er mindre vigtig på strækningstypen "Cykelsti", da cyklisterne generelt har en høje-

88 88 MIKROSIMULERING AF CYKLISTER I MYLDRETID re hastighed end 9,9 km/t. Det er blot vigtigt, at den ikke sættes til en højere værdi end den lavest mulige ønskede hastighed for en cyklist i simuleringen. Parameteren "Time between direction changes" bestemmer, hvor lang tid der skal gå imellem hver lateral bevægelse på cykelstien. Parameteren bør primært benyttes til at få simuleringen til at se mere realistisk ud, da eksempelvis en overhaling næppe fortrydes lige efter den er påbegyndt, selvom forholdene ændrer sig. Ved en ønsket reducering i antallet af overhalinger bør parameteren "Collision time gain" dog benyttes frem for denne. Parametrene under "Min. lateral distance" bestemmer, hvor tæt cyklisterne kan overhale hinanden, hvilket således også kan have en effekt på antallet af overhalinger på strækningen ud fra bredden af cykelstien Input til VISSIM Figur 3-63 viser parametersættet for de laterale bevægelser på en cykelsti med cyklister i frit flow. Dvs. strækningstypen "Cykelsti". Figur 3-63 Overhalingsparametre på en cykelsti Parametersættet er ændret for de følgende situationer: Håndtering af adfærd i ventezoner (se afsnit 3.3.1) Adfærd ved stopstreger (se afsnit 3.3.2) Håndtering af adfærd ved overgangen fra et kryds til en fri strækning (se afsnit 3.3.2) Håndtering af adfærd ved indsnævring (se afsnit 3.2.4)

89 MIKROSIMULERING AF CYKLISTER I MYLDRETID 89 Ændringerne i parametersættet er angivet i de følgende afsnit, som beskriver, hvordan adfærden i hver situation skal modelleres Håndtering af adfærd ved indsnævring Adfærd ved indsnævring af cykelstien sikrer en realistisk simulering af flettemanøvrene umiddelbart inden indsnævringen på begyndes. Indsamlet data Til analysen af adfærd ved indsnævring er der foretaget videooptagelser på Nørrebrogade, hvor cykelstien indsnævres fra bred (ca. 4 meter) til normal (ca. 2 meter). Det betyder, at cykelstien går fra at have plads til tre normale cyklister til to normale cyklister. Der er foretaget optagelser i morgenmyldretiden ind mod byen og væk fra byen i eftermiddagsmyldretiden. Videoregistreringerne viser, at indsnævringen har en begrænset påvirkning på kapaciteten af cyklister i frit flow. Observationer noteret ved videooptagelserne peger på, at enkelte cyklister har en mere aggressiv adfærd end bilister. Grundet deres øgede frihed er de mere villige til at tage risiko end bilister. De bruger den fulde længde af den brede del af cykelstien og er villige til at bremse hårdt ned, hvis det bliver nødvendigt. Generelt er cyklisterne dog samarbejdsvillige og fletningen fungerer forholdsvis problemfrit. Validering På en strækning hvor cyklister er i frit flow er der sjældent en konflikt ved indsnævringer. Grundet den store spredning i hastighedsfordelingen kører cyklister sjældent i klynger, når de er kommet i frit flow. Indsnævringer med en cyklistadfærd ud fra default værdierne i VISSIM medfører en konstant flakken i cyklisternes adfærd, hvor de skifter mellem at overhale og holde til højre. Denne adfærd er urealistisk. Der er oprettet en ny strækningstype til at håndtere adfærden ved en indsnævring. Kalibreringen viste, at parametrene for følgeafstande på strækningstypen "Cykelsti" (se afsnit 3.2.1) kunne bruges til at beskrive adfærden ved en indsnævring. Dog er det nødvendig at bruge "smooth closeup behavior", som sikrer at cyklister tilpasser sin hastighed i tilfælde, hvor cyklister foran har været nødt til at stoppe. Den vigtige forskel mellem den almindelige cykelsti og flettestrækningen, findes i "collision time gain" under fanebladet "Lateral" i Driving Behavior (se Figur 3-64). Denne er sat op, så cyklister i den inderste bane ikke begynder at overhale op til en indsnævring. Input til VISSIM Til at håndtere adfærd ved en indsnævring, er lavet en ny strækningstype; Flettestrækning. Figur 3-64 og Figur 3-65 herunder viser, hvordan parametrene under "Driving Behaviour" skal indstilles på denne strækningstype.

90 90 MIKROSIMULERING AF CYKLISTER I MYLDRETID "Collision time gain" ændres i forhold til strækningstypen "Cykelsti". Figur 3-64 Parametre for lateral på flettestrækning Parametrene for følgeafstande skal være lig med dem for "Cykelsti", blot skal "smooth closeup behavior" være aktiv. "Smooth closeup behavior" ændres i forhold til strækningstypen "Cykelsti". Figur 3-65 "Smooth closeup behavior" skal være aktiv under parametrene for følgeafstande Håndtering af adfærd ved busstoppesteder Adfærden ved busstoppesteder sikrer, at cyklisterne der skal passere et stoppested med en holdende bus opnår en realistisk forsinkelse pga. passagerer, der stiger af og på.

91 MIKROSIMULERING AF CYKLISTER I MYLDRETID 91 Indsamlet data Der er foretaget videoregistreringer af busstoppesteder på Nørrebrogade ved Solitudevej og på Tagensvej ved Rigshospitalet (se bilag C). Alle videooptagelser er foretaget i myldretiden. Ud fra observeringer i marken og gennemgang af videomaterialet er der gjort de følgende observeringer: Der er to reaktioner på en holdende bus i) En snigende adfærd, hvor cyklisten kommer ned i fart men undgår at stoppe helt. Disse cyklister kan være ret aggressive og tvinge buspassager til at holde tilbage for dem ii) Cyklisten stopper helt, før bussens bagerste dør. Cyklisterne følger ofte den første cyklists adfærd. Dvs. hvis den første cyklist stopper helt, er der god chance for at de efterfølgende cyklister også stopper. Cyklister sætter hastigheden ned, hvis de observerer en holdende bus, selv hvis der ikke kommer passagerer ud. Det har ikke været muligt at fastlægge en hastighedsfordeling for cyklisterne, der sniger sig forbi stoppestedet, da dette afhænger af antallet af passagerer samt cyklistens aggressivitet. Det bør således fastlægges i den enkelte situation, Validering Metoden til simulering af busstoppesteder, skal repræsentere den gennemsnitlige forsinkelse ved et busstoppested. Det er fravalgt at medtage fodgængere i simuleringen. I stedet repræsenteres buspassagerernes påvirkning på cyklister gennem bussen holdetid. Der opnås dog simuleringer, som medtager den gennemsnitlige påvirkning på fremkommeligheden. Resultaternes pålidelighed beror dog på de indsamlede baggrundsdata. Metoden sikrer en simulering, der repræsenterer busstoppestedets påvirkning på fremkommelighed og rejsetid, forudsat at der er lavet analyser af bussens holdetid. Input til VISSIM Der skal indlægges en vigepligt i modellen, der repræsenterer de cyklister, der stopper helt for buspassagerer. Derudover skal der indlægges en hastighedsbegrænsning som repræsenterer de cyklister, der sniger sig igennem buspassagererne. En detektor på busholdepladsen skal aktiveres, når der kommer en bus. Dette kræ-

92 92 MIKROSIMULERING AF CYKLISTER I MYLDRETID ver en simpel VAP programmering 1. Et eksempel på en sådan ses i Figur 3-66 nedenfor. Figur 3-66 VAP programmering til brug ved busstoppested Detektoren som aktiverer VAP programmet skal ligge, hvor bussens bagende vil være. Dermed aktiveres den, når bussen holder ind, og afsluttes, når bussen er ved at køre væk. Når busstoppestedet er passeret, skal hastigheden sættes op til de almindelige hastighedsfordelinger, vha. en ny hastighedsbegrænsning. Figur 3-67 viser opbygningen af hastigheder og detektorer. Detektor Hastighedsbegrænsning som sætter hastigheden op til normal Hastighedsbegrænsing som akriveres af detektoren via VAP-programmet Figur 3-67 Opbygning af adfærd busstoppested 1 VAP står for "Vehicle Actuated Signal Control", og muliggør hensynstagen til den aktuelle trafik. Der indlægges en detektor som aktiveres af et køretøj. Når detektoren aktiveres kommunikeres dette videre til et signal eller, som i dette tilfælde, en vigepligt.