Rejsetidsvariabilitet på veje. Vejdirektoratet og Transport DTU Trafikdage 2017

Transkript

1 Rejsetidsvariabilitet på veje Vejdirektoratet og Transport DTU Trafikdage 2017

2 Baggrund Rejsetidsvariabilitet -> mulighed for at forudsige rejsetider Risiko for forsinkelse <> tage for tidligt af sted En væsentlig effekt ved f.eks. udvidelser af motorveje Eksisterende trafikmodeller kan ikke beregne variabilitet P.t. anvendes forsinkelse som proxy Værdisætning (+50 %) baseret på et ældre internationalt studie

3 Koncept Anvende GPS-baserede rejsetider til at analysere sammenhængen ml. forsinkelse og variabilitet (spredning). Fordele: Data (ikke kun snithastigheder) er til rådighed Forholdsvis simpel tilgang (uden trafikniveau og kapacitet) Forsinkelse kan beregnes af eksisterende trafikmodeller

4 Koncept Ønsker en simpel model! Formålet er ikke en model, der kan forudsige rejsetiden på en specifik strækning givet forudsætninger om trafikmængder og strækningens udformning... Vi ønsker en model, der forudsiger rejsetidsvariabiliteten som funktion af den gennemsnitlige forsinkelse for en bestemt vejtype (eks. 4-sporet motorvej). Skal anvendes på output fra LTM.

5 Koncept Vi måler rejsetidsvariabilitet som forskellen mellem rejsetidens 90% og 50% fraktiler Gns.rejsetid = 24,4 Variabilitet = 27,3-24,1 = 3,2 Gns.rejsetid = 26,4 Variabilitet = 30,7-25,9 = 4,8

6 Data Vi anvender GPS-data fra Vejdirektoratets flåde fra 2014 og Målsætning: Så vidt muligt landsdækkende data - det rutenummererede vejnet (undersøge generelle sammenhænge) Definere strækninger så vi undgår tilbagestuvning mellem strækninger (komplicerer analysen)

7 Data Hermes leverede rejsetider på køretøjsniveau: Ca strækninger (med to kørselsretninger) 8,7 mio rejsetidsmålinger (3,1 mio fra 2014 og 5,6 mio fra 2015) Hver observation svarer til et (køretøj, strækning, retning, tidspunkt) Strækningsopdeling: Hvert enkelt adm. vejnummer behandlet individuelt Opdeling på steder med lav varians Lastbiler så vidt muligt markeret (knap halvdelen af obs)

8 Analysen - databehandling Databehandling: Vi bruger data for formodede personbiler (4,8 mio obs) Nødvendigt at sortere data fra manuelt da der stadig er lastbil-lignende køretøjer tilbage For hver (strækning, retning, tidsbånd) beregnes: Gns. Rejsetid pr. km. Gns. Forsinkelse pr. km. = Gns. Rejsetid Free flow rejsetid Variabilitet pr. km. = 90% fraktil 50% fraktil Fjerner datapunkter baseret på <20 obs. Analyserer almindelige hverdage. N Definerer vejtype på baggrund af adm. vejnumre (<100: motorveje) Definerer antal spor som gns. antal spor over hele strækningen

9 Analysen Ikke-parametriske regressioner viser faktiske sammenhænge i data Regression af ln(variabilitet) på ln(gns.forsinkelse) Grå område: 95% konfidensinterval Positiv sammenhæng

10 Analysen

11 Analysen

12 Analysen - resultater Der er en tydelig positiv sammenhæng mellem variabilitet og gns. forsinkelse Vejtype og antal spor betyder noget men konklusionen er ikke entydig Der lægges lidt mere arbejde i definitionen af vejtype og antal spor Strækningslængde har også betydning skal håndteres

13 Sammenligning med nuværende metode Motorveje med 4+ spor Grov sammenligning: Ny metode er oversat fra fraktilafstand til standardafvigelse pga. værdisætning Værdisætning: Reliability ratio =1 Ikke helt pålidelig for store forsinkelsesværdier!

14 Sammenligning med nuværende metode Øvrige statsveje med 2 spor

15 Sammenfatning God statistisk sammenhæng mellem forsinkelse og spredning Resultaterne ligger i nærheden af den eksisterende metode, bortset fra ved høj trængsel Udfordringer: Forklaring på forskelle for vejtyper og antal spor Forholdsvis få strækninger med høj trængsel Mangler byveje og svingbevægelser Oversættelse til turniveau Referencehastighed fortsat problematisk

16 Videre muligheder Flere lignende analyser: Bedre data (bl.a. lastbilsdetektering) Omfatte byveje og svingbevægelser Andet mål for variabilitet Andre muligheder: Inddrage trafik og kapacitet Gå direkte til spredning Analyser af uheld/hændelser