Green Paths Copenhagen

Transkript

1 Green Paths Copenhagen Tackling Urban Mobility Challenges using Google Data Green Wave Cycle Routes Bus Rapid Transfer Adaptation of flooding avoidance Allan Olsen, DTU Management Engineering

2 Francisco Pereira Full Professor (DTU) James Richardson Allan Olsen Head of Innovation Slide 1

3 Anvendelser af Trafik data ITS Trends Indsamling af Trafik Data Case: Signal Prioritering på Vesterbrogade ved brug af Google Data Slide 2

4 Strategisk Taktisk ICT* *ICT = Information and Communication Technologies Operationel Slide 3

5 Slide 4

6 Installeret på/under/i vejen - Pneumatic Road Tube - Piezoelectric cable - Inductive Loop - Magnetic Field Sensor Installeret nær vejen - Electromagnetiske bølger - Microwave, infrared, visible light - Video Image Detection - Lydbølger - Akustisk, ultrasonic - Probing - Bluetooth, WIFI, RFID Slide 5

7 A B Installeret nær vejen - Probing - Bluetooth - WIFI - RFID - ANPR Slide 6

8 Global Positioning System Mobil Kommunikation Slide 7

9 Source: Ford Motors, 2050 Blueprint for Mobility Slide 8

10 People Process Internet of Everything Data Things Slide 9

11 Transportform Enhed Indsamler / Data Ejer Fodgænger, løber, cykel Motorcykel, bil, lastbil Mobiltelefon Onboard Unit Mobiltelefon RunKeeper, Endomondo Garmin, TomTom, Here, Waze etc Dele Bil Onboard Unit DriveNow Taxa Onboard Unit 3x34, DanTaxi Kollektiv Transport NFC Rejsekort Plus: Minus: Todo: Brugere indsamler data on the road Kritisk Masse dækning Silo opdeling! Sammenkobling på tværs af siloer Sammenkobling ved rejser på tværs af transportformer Slide 10

12 Slide 11

13 Slide 12

14 Better Cities Lukket forløb mellem Google og byer + forskningsinstitutioner (2015) DTU Transport + Kbh kommune med series of pilot projects with our partners to find ways to minimize traffic congestion, speed up journeys, improve safety, and reduce the amount of money spent on infrastructure. Urban Mobility Semi-lukket forløb Transport DTU deltager med adskillige projekter Baseret på Google Cloud Platform Datalab+BigQuery Slide 13

15 We only share aggregate, anonymized snapshots of historical traffic statistics with these institutions, including average traffic speed relative traffic volumes traffic trajectory patterns These statistics are derived from aggregate Location History data that our users have proactively chosen to share with us (and which they can switch off again at any time). To ensure that no individual user s journey can be identified, we only share representative models of aggregate data employing a technique called differential privacy, which intentionally adds noise to the data in a way that maintains both users' privacy and the data's accuracy. Kilde: Slide 14

16 Funding: EIT Climate KiC Nordic Projekt: Grøn bølge for cyklister på Vesterbrogade Problemstiller: Københavns kommune ITS afdelingen Formål: Fjerne barrierer for cyklister Grøn bølge for cyklister giver højere hastighed + færre stops Højere hastighed + færre stops => flere vil cykle (også over 10 km) Flere cykler => miljø gevinst! Forskningspørgsmål Kan crowd sourced trafik data fra Google erstatte dyre kamera/tube trafiktællinger? Slide 15

17 Step 1 Kamera Tælling Data Behandling Mikro Simulering Grøn bølge optimering Step 2 Google Data Data Behandling Mikro Simulering Grøn bølge optimering Slide 16

18 Mikrosimuleringsmodel (Vissim) Slide 17

19 Google underestimerer sensor flow observationer. Men en konstant korrektionsfaktor kan anvendes til at korrigere for den systematiske bias. Køretøjer Cykler Konstant skaleringsfaktor Konstant skaleringsfaktor Slide 18

20 Googles hastighedsestimater har større variation og mindre korrelation end intensiteten. Køretøjer Cykler Ingen systematisk bias i data Ingen systematisk bias i data Slide 19

21 Rejsetidsvariation i juni 2015 for at køre igennem hele teststrækningen på Vesterbrogade (1.86 km) Køretøjer Cykler Forventet rejsetid varierer fra 15 km/t = 7,4 min 30 km/t = 3,72 min Forventet rejsetid varierer fra 5 km/t = 22 min 20 km/t = 5,6 min Slide 20

22 Daglig hastighedsvariation for at køre igennem hele teststrækningen på Vesterbrogade (1.86 km) Køretøjer Cykler Forventet rejsetid varierer fra 15 km/t = 7,4 min 30 km/t = 3,72 min Forventet rejsetid varierer fra 5 km/t = 22 min 20 km/t = 5,6 min Slide 21

23 Base Signal System Optimized Signal System Slide 22

24 Effekten af de optimerede grøn bølge timings simuleres vha. den kalibrerede baseline mikrosimulationsmodel Rejsetid og antal stop for cyklister sammenlignes i baseline og optimerede timings Cyklister Travel Time West -> East 4,9 % Travel Time East -> West 6,8 % Stops (Network wide) 1,7 % Delays (Network wide) 4,1 % Slide 23

25 Crowd Sourced Trafik Data fra Google tilbyder data fra en stor brugergruppe på tværs af transport former og landegrænser Data analyse for Vesterbrogade projektet viser, at Googles datakvalitet for intensitet og hastighed har nået niveauer, der kan være acceptabelt for trafikale optimeringsproblemer Særligt inden for de mest trafikerede timer i løbet af dagen synes der at være acceptabel korrespondance mellem Google sample og ground truth Der er brug for mere viden om sammenhæng mellem bias og område Det synes muligt at kalibrere en mikrosimuleringsmodel i bymæssig område med data fra Google Afventer Google. Ikke afgjort om data bliver tilgængelig i fremtiden Slide 24