ANVENDELSE AF MIKRO- SIMULERINGSMODELLER

Transkript

1 VEJREGEL TRAFIKTEKNIK ANVENDELSE AF MIKRO- SIMULERINGSMODELLER Juni 2010 Vejregelrådet

2 2

3 FORORD Vejregelgruppen om geometrisk udformning af veje og stier i åbent land nedsatte i 2007 en ad-hoc gruppe til at behandle grundlaget for beregninger med mikrosimulering. Ad-hoc gruppen fik følgende kommissorium: Som følge af den store udbredelse af mikrosimuleringsmodeller ønskes en vurdering af, hvordan de grundlæggende situationer i trafikafviklingen, som bl.a. omhandles i vejregelforslag for kapacitet og serviceniveau, behandles i disse modeller, og hvordan de foreskrevne parametre i vejregelforslaget kommer til udtryk ved mikrosimulering. Ad-hoc gruppen skal udarbejde forslag til anbefalinger for brug af mikrosimuleringsmodeller, idet der både tænkes på den generelle gennemførelse af simuleringsopgaver og på kalibrering og parametersætning af modeller. Ad-hoc gruppen har haft følgende sammensætning: Rasmus Albrink, Cowi a/s Simon Birkebæk, Via Trafik Søren Frost, Cowi a/s Poul Greibe, Trafitec Stig V Jeppesen, Grontmij Carl Bro Søren Olesen, Rambøll Mathias Sdun, Cowi a/s Rolf Sode-Carlsen, Rambøll Henning Sørensen, Vejdirektoratet Ad-hoc gruppen startede arbejdet i november Der er foretaget et litteraturstudium, fremlagt arbejdsgruppens egen viden og erfaring, samt inddraget resultater af modelafprøvninger, som gruppens medlemmer har gennemført. Det har af hensyn til forbrug af tid og ressourcer været nødvendigt at begrænse hæftet til at omfatte det nuværende indhold. Man kunne naturligvis altid ønske sig en endnu mere uddybende modelbeskrivelse og behandling af parametersætning, men dette ville kræve yderligere tests, udførelse af trafikmålinger oa. Man kan håbe, at der senere bliver lejlighed til at dyrke områder, hvis brugen af hæftet viser behov for det. Da endvidere modelværktøjer til mikrosimulering til stadighed videreudvikles, og brug og viden om dem øges, må det forudses, at der fremover opstår behov for ajourføring af vejreglen. 3

4 4

5 INDHOLDSFORTEGNELSE FORORD 3 1. INDLEDNING Baggrund Indholdet af dette hæfte Forholdet til andre vejregler Formål Læsevejledning 9 2. MIKROSIMULERING Model Muligheder og problemer ved mikrosimulering Definition af parameter og variabel Procedure for løsning af opgave Elementer i opbygning af mikrosimuleringsmodel Modellens resultater UDFØRELSE AF ANALYSE VED MIKROSIMULERING Valg af modeltype Behov for observationer og data for virkelig trafikafvikling Indlægning af trafik i modellen, statisk og dynamisk assignment Geografisk afgrænsning af modellen Tidsmæssig afgrænsning af modellen Kalibrering af modellen Validering Dokumentation Tolkning af resultater Rapportering af opgave KONTROL AF SIMULERINGSOPGAVE Systematisk kontrol Kontrolliste KALIBRERING AF MIKROSIMULERINGSMODEL Følsomhed og kvalitet Trafikale situationer og modelparametre Kalibrering af større modeller Kalibrering af mindre modeller 38 5

6 6. SÆTNING AF PARAMETERVÆRDIER Generelt Assignment, statisk og dynamisk Adfærd ved car following Adfærd ved skift af kørespor (Lane Change) Parametre for vigepligt Parametre for trafikafvikling i signalregulerede kryds Parametre for køretøjs- og føreregenskaber Specielle parametre 63 BILAG 70 Bilag 1. Nomenklatur 70 Bilag 2. Målte ønskede hastigheder 72 Bilag 3. Målte ønskede accelerationer og decelerationer 76 Bilag 4. Sammenligning af beregningsresultater for vigepligt ved Vissim og DanKap 77 Bilag 5. Passagetider ved signalregulerede kryds 80 Bilag 6. Kvalificering af trafikafvikling 81 Bilag 7. Forslag til kontrolliste 82 6

7 1. INDLEDNING 1.1 Baggrund Fig Mikrosimulering af trafik er afbildning af virkelighedens vejnet og trafikafvikling i en detaljeret model. Ved mikrosimulering afbildes den eksisterende eller planlagte virkelighed i en detaljeret model. I mikrosimuleringsmodeller af trafikafvikling indgår vejnettets enkelte strækninger og kryds, trafikkens reguleringer og regler, samt de enkelte trafikanter med nøjagtig placering, egenskaber, status mv. Mikrosimulering har siden omkring år 2002 været en hastigt voksende måde at analysere trafikafvikling på. Imidlertid har vejregler, der omhandler beregning af kapacitet- og serviceniveau, hidtil forudsat, at den anvendte modeltype er på trafikstrømsniveau, dvs. en såkaldt makroskopisk model. Mikrosimuleringsværktøjer, som anvendes i Danmark, er næsten altid udviklet i udlandet, og de er derfor typisk født med delmodeller og parametre, som afspejler forsøg og måleresultater foretaget i hjemlandet. Dette er en af årsagerne til, at der er et særligt behov for at forholde sig kritisk til den oprindelige defaultopsætning af værktøjets modeller og parametre. Der er ligeledes behov for, at man vurderer, hvordan analyser med mikrosimuleringsmodeller generelt set gennemføres fra en opgaves start til dens afslutning. Ved den daglige løsning af opgaver mangler imidlertid ofte ressourcer og tid for disse overvejelser. I denne anledning har vejregelgruppen om geometrisk udformning af veje og stier i åbent land vurderet, at der er behov for et beskrevet grundlag for anvendelse af mikrosimuleringsmodeller. Ved at råde over et sådant grundlag muliggøres også en bedre dokumentation af opgaveløsninger ved hjælp af denne type modeller, og opgavestilleren vil have bedre mulighed for at kende grundlaget for løsninger og anbefalinger. 7

8 1.2 Indholdet af dette hæfte Dette hæfte indeholder Vejregelforslag for anvendelse af mikrosimuleringsmodeller. Der indgår en generel anvisning om anvendelse af mikrosimuleringsmodeller til analyse af vejtrafik, samt mere detaljerede anvisninger om kalibrering og parametersætning af mikrosimuleringsmodeller. Der er indsat forslag til læsevejledning i afsnit 1.5. Anvisningerne i dette hæfte har alle status som vejledninger, som det anbefales bliver fulgt. Vejregelforslaget forsøger at belyse en række vigtige parametre i mikrosimuleringsmodeller og at knytte forbindelse mellem parametrene, som anvendes i mikrosimuleringsmodeller, og de grundlæggende parametre, som har været estimeret til brug i de traditionelle kapacitetsmodeller. Endvidere gives en række anbefalinger om selve processen for opgaveløsning, når det overvejes at gøre brug af en mikrosimuleringsmodel ved trafiktekniske opgaver. Den foreliggende udgave af hæftet fokuserer på simulering af motortrafik og ikke på for eksempel fodgænger- og cykeltrafik, og heller ikke forhold i busterminaler, betalingsanlæg eller lignende. Det bør bemærkes, at selvom ad-hoc gruppens opgave har været at behandle mikrosimuleringsmodeller generelt, så har det ikke kunnet undgås, at behandlingen af mikrosimuleringsmodeller bærer stærkt præg af ét simuleringsværktøj, Vissim fra det tyske firma PTV AG. Dette modelværktøj har de senere år næsten været det eneste anvendte blandt rådgivere og vejbestyrelser i Danmark, og det er derfor hovedsagelig Vissim-baserede modeller, som der i Danmark er erfaring med. Dette gælder også for medlemmerne af ad-hoc gruppen. Så længe situationen med Vissim som dominerende mikromodelværktøj er gældende, vurderes det imidlertid, at vejregelforslagets anvendelighed øges ved netop at have stærke referencer til Vissim. 1.3 Forholdet til andre vejregler Hæftet knytter sig til Vejregelforslag for kapacitet og serviceniveau. Denne vejregel indeholder forslag til parametre ved kapacitetsberegning og beregning af serviceniveau, og den er i vid udstrækning baseret på forskning og undersøgelser af trafikafvikling i Danmark. Som nævnt i afsnit 1.1 har det imidlertid her været forudsat, at analysen er makroskopisk, dvs. på trafikstrømsniveau, og det er på dette grundlag, at brug af model og parametre til beregning af fri strækning og kryds er anbefalet i den hidtidige vejregel. 1.4 Formål Kort fortalt er formålet med nærværende vejregel at medvirke til en vellykket gennemførelse af analyser ved hjælp af mikrosimuleringsmodeller. Der 8

9 forstås herved, at opgavestilleren er blevet rådgivet bedst muligt i henhold til sine behov og ressourcer, og at modelbyggeren har løst opgaven rationelt. Vejreglen giver både mere overordnede procesmæssige anvisninger og mere detaljerede anvisninger om kalibrering, validering og parametersætning. Vejreglen skal herved hjælpe modelbyggeren og samtidig give grundlag for en bedre afklaring mellem modelbygger og opgavestiller. Vejreglen skal også gøre det lettere at kvalitetssikre og dokumentere en model, der anvendes til en simuleringsopgave. Målgruppen for vejreglen er således både opgavestiller (fx projektleder eller opgaveansvarlig hos en vejbestyrelse) og opgaveløser eller modelbygger (fx rådgiver eller specialist i rådgivende firma), men de mere specifikke og modeltekniske afsnit er naturligvis primært rettet mod opgaveløsere. Vejreglen kan dog på ingen måde erstatte behovet for, at udvikleren af en mikrosimuleringsmodel selv har en stor trafikteknisk indsigt, og at den pågældende besidder en teoretisk og praktisk forståelse for den situation, som skal modelleres. 1.5 Læsevejledning Som nævnt er denne vejregel både rettet mod opgavestiller, som i forbindelse med et projekt ønsker en trafikal situation belyst, og mod opgaveløser, som rådgiver med hensyn til anvendelse af model, opbygger model samt gennemfører de fornødne analyser ved hjælp af modellen. Opgavestiller vil typisk have behov for en generel information om opgaveløsning ved hjælp af simuleringsmodeller for herved bedre at kunne indgå i dialog om løsning af opgaven og for bedre at kunne tolke resultater. Opgaveløser kan derimod have behov for forholdsvis specifik information om kalibrering og parametersætning i en model. I den del af vejreglen, der specielt henvender sig til opgaveløser, bærer stoffet i høj grad præg af simuleringsværktøjet Vissim. Hensigten har som nævnt været at bibringe konkret information om parametre mv. Derimod er stoffet, der hovedsagelig henvender sig til opgavestilleren, næsten uafhængigt af hvilket mikrosimuleringsværktøj, der anvendes. Opgavestiller Opgavestilleren henvises specielt til kapitel 2 og 3. Kapitel 2 redegør for mikrosimuleringsmodeller, modellernes anvendelse og den overordnede fremgangsmåde ved løsning af opgaver ved mikrosimulering. Kapitel 3 beskriver mere detaljeret processen ved analyse af trafikafvikling ved mikrosimulering. Endvidere anbefales opgavestiller at læse kapitel 4 med bilag 7 om kontrol af simuleringsopgave. Kapitlerne 5 og 6 om kalibrering og parametersætning vil normalt ikke have interesse for opgavestiller, men kapitlernes indledende afsnit kan eventuelt læses. 9

10 Opgaveløser Nomenklatur For opgaveløseren vil indholdet i kapitel 2 og det meste af kapitel 3 formodentlig være kendt stof. Opgaveløsere anbefales derimod at læse og forholde sig til den foreslåede kontrolprocedure i kapitel 4 og bilag 7. I kapitel 5 er der givet anvisning på kalibrering og i kapitel 6 om sætning af parameterværdier, og disse kapitler er særlig rettet mod opgaveløser. Med hensyn til den anvendte terminologi henvises til listen over nomenklatur i bilag 1. 10

11 2. MIKROSIMULERING 2.1 Model Mikro-/makroskopisk analyse Ved de traditionelle makroskopiske kapacitetsmodeller til trafikafvikling betragtes hele trafikstrømme samlet, og såvel input som output i modellen gælder for trafikstrømme som helhed. Ved mikrosimulering af trafik simuleres derimod de enkelte trafikanters bevægelse gennem et vejnet. Køretøjer incl. fører kan adskille sig fra hinanden ved køretøjernes fysiske og tekniske forskelle (fx længde, maksimal hastighed, accelerationsegenskaber), karakteristika ved førere (fx køremåde, hvordan der acceleres, og hvilken hastighed, der ønskes kørt med), og hvor i netværket køretøjerne aktuelt befinder sig, deres rute i vejnettet og deres individuelle hastighed. Vigtige karakteristika ved en mikro- og makroskopisk analyse af trafikafvikling på vejstrækning fremgår af figur 2.1. Trafikdata: Mikroskopisk analyse: Makroskopisk analyse: Trafikstrøm Tidsafstande mellem biler i sekunder Trafikintensitet, biler pr. time Hastighed Individuelle hastigheder Gennemsnitshastigheder Tæthed Individuelle afstande mellem biler i meter Densitet, biler pr. spor-kilometer Fig Karakteristika ved mikro- og makroskopiske modeller til analyse af trafikafvikling. Ved de mikroskopiske modeller afbildes i en trafikstrøm de enkelte køretøjers bevægelse i form af deres individuelle hastigheder og afstande til andre køretøjer. Ved de makroskopiske modeller karakteriseres en trafikstrøm ved trafikintensiteten over en beregningsperiode, fx en spidstime, og ved fri strækning en fælles gennemsnitshastighed og densitet (trafiktæthed) for beregningsperioden. For makromodellerne foreligger resultatet normalt i form af lister for middelværdier over beregningsperioden. For mikromodellerne er det som regel også muligt at få visualiseret trafiksituationerne samt at få beregnet en række andre statistiske værdier for valgte variable. Car-following En central del af en mikrosimuleringsmodel er en delmodel for carfollowing, som er en adfærdsmæssig model til at styre køretøjets bevægelse i forhold til andre køretøjer, bl.a. vedr. hastighed, acceleration, bremsning og afstand til forankørende køretøjer. Endvidere er der indbygget en logik til valg og skift af kørespor og en adfærdsmæssig model baseret på kritisk interval (i Vissim kaldet gap time) til at styre de enkelte køretøjers indkørsel i eller krydsning af en overordnet trafikstrøm. Herudover er der typisk model- 11

12 ler til styring af signalanlæg, fx tids- eller trafikstyrede anlæg. Endvidere indeholder en mikrosimuleringsmodel mulighed for fleksibelt at udvælge og opsamle data til analyse, fx vedr. køretider, kølængder, snithastigheder og forsinkelser, hvoraf der kan beregnes såvel middelværdi som variation. Stokastisk model Mikrosimuleringsmodeller er næsten altid stokastiske modeller, dvs. at der i modellen er indbygget en generator til udtræk af tilfældige tal, hvis sandsynlighed følger de sandsynlighedsfordelinger, som er lagt ind i modellen. Udfaldet af gentagne beregninger med samme model og samme input varierer derfor, hvis det tal, som tilfældigtalsgeneratoren starter på, varierer. Man kan sige, at dette svarer meget godt til virkelighedens trafikafvikling, hvor tilfældige dag-til-dag forskelle gør sig gældende. For at opnå et indblik i en gennemsnitlig eller typisk situation skal man derfor repetere en simulering et antal gange med forskellige sekvenser af tilfældige tal, ligesom man for den virkelige trafik ofte bør indhente observationer for flere dages trafikafvikling for at kunne danne sig et generelt billede af hastighed, forsinkelse og kødannelse på stedet. I modsætning hertil er makroskopiske modeller næsten altid deterministiske. En sådan model er kendetegnet ved, at alle beregninger er fastlagt ud fra begyndelsesbetingelserne og de indlagte modeller og sammenhænge, og man får ved en beregning med samme input altid samme resultat, som regel i form af middelværdien for den variabel, som analyseres. Specielt ved de stokastiske modeller muliggøres opbygning af meget omfattende og detaljerede modeller. Man kan derfor ofte analysere samspillet mellem trafikafvikling i forskellige trafikanlæg (kryds, strækninger), på forskellige delstrækninger og mellem forskellige trafikanter. Endvidere kan signalprogrammer i trafikstyrede signalanlæg samt tilhørende detektorplaceringer simuleres meget virkelighedstro. Endelig muliggøres ved stokastiske mikromodeller som regel en visualisering af trafikafviklingen. Herved har modelbyggeren en vis kontrolmulighed af modellens virkemåde, og modtageren af resultater får bedre mulighed for at tage stilling til den analyserede situation. På denne måde kan en analyse for eksempel undervejs justeres og bedre målrettes mod den problemstilling, som ønskes vurderet. 2.2 Muligheder og problemer ved mikrosimulering Anvendelse Mikrosimulering af trafik anvendes til detaljeret analyse af trafikkens afvikling på vejstrækninger og i kryds eller til analyse af forhold, som normalt ikke indgår i de makroskopiske modeller. Dette gælder eksempelvist i forbindelse med beregning af virkningen af trafikafvikling i ét vejanlæg (delstrækning, kryds) på trafikafvikling i omgivende dele af vejnettet, for herved at kunne analysere et afgrænset vejnet samlet, 12

13 undersøgelse af signalprogrammer og detektorplacering i signalregulerede kryds med trafikstyring, analyse af vej- og trafikmæssige forhold, som ikke indgår i de makroskopiske modelværktøjer, der er til rådighed, undersøgelse af konsekvensen af varierende trafiktilstrømning i løbet af den betragtede spidsperiode, ønske om kendskab til hele fordelingen af resultater for bestemte størrelser (fraktiler i fordelingen af fx rejsetider, kølængder, snithastigheder) og ikke kun til middelværdi, ønske om visualisering af trafikafviklingen, analyse af overbelastede situationer, hvor makroskopiske modeller ofte ikke giver pålidelige resultater, og hvor det tillige ofte vil være hensigtsmæssigt med mere information end blot middelværdier, som normalt er den eneste type resultat, som makroskopiske modeller leverer. Resultaternes troværdighed Med en stor detaljeringsgrad indgår også mange parametre, og der kræves mange data i modellen, specielt i tilfælde med opbygning af store mikrosimuleringsmodeller. Det er derfor normalt forbundet med et væsentligt større arbejde at gennemføre en analyse med en mikrosimuleringsmodel end med en makromodel. Man kan dog ved mikrosimuleringen vælge en større eller mindre detaljeringsgrad afhængigt af den aktuelle opgave, og herved kan ressourceindsatsen i nogen grad afpasses til opgaven. En mikrosimuleringsmodel kan således være særdeles nyttig til at løse opgaver om trafikafvikling, men for at resultaterne er troværdige, kræver det, at modellens opbygning og kalibrering er i orden. Input for trafik skal også tilstrækkelig godt svare til den situation, som skal analyseres. Hvis nogle af disse forhold ikke er opfyldt, vil simuleringen give upræcise eller fejlagtige resultater og vil dermed kunne medvirke til forkerte beslutninger. De mange indstillingsmuligheder i form af valg af parameterværdier og deres ofte komplekse virkning i forskellige delmodeller kan udgøre et problem ved udarbejdelse af mikrosimuleringsmodeller. Problemet kan også være, at der til modelværktøjer ikke altid leveres en tilstrækkelig dokumentation af de indgående modeller, procedurer og parametre. Det kræver derfor erfaring at opstille og kalibrere modeller, som tilstrækkelig godt afbilder en ønsket situation. Det skal for eksempel sikres, at der i modellen genereres den korrekte maksimale trafik gennem en flaskehals, at sammenfletning af trafikstrømme foregår virkelighedstro, at kødannelse og forsinkelse i krydstilfarter er rigtige i forhold til krydsets belastning, og at trafikkens hastighed på en strækning afhænger af trafikintensiteten på samme måde som i virkeligheden. Til prognosen for den trafik, der skal indgå i en analyse, kan der ligeledes være knyttet en stor usikkerhed. Dette bør tages i betragtning, når resultater af modellen tolkes og anvendes ved besvarelse af en opgave. Problemet med indstilling af modellen er mindre i en makromodel som fx DanKap, hvor indstillingsmulighederne er betydelig færre og normalt mere 13

14 gennemskuelige. Men man skal være opmærksom på, at også de makroskopiske modeller kun vil give rigtige resultater, hvis deres parametre er indstillet til at afspejle trafik og vej på stedet for analysen. Således kan man formodentlig betragte vejregelparametersættet i DanKap som repræsenterende normale danske forhold, og hvis man er usikker på, om disse parametre gælder for aktuelle forhold i en analyse, skal der også her ses kritisk på parametersætning og gennemføres en kalibrering og validering. Der er i afsnit 3.1 indsat en liste over forhold i en opgave, som især kunne tale for anvendelse af mikro- kontra makroskopisk analyse. 2.3 Definition af parameter og variabel Parametre En mikrosimuleringsmodel består af delmodeller, som hver anvender en række parametre. Parametrene kan fx styre trafikantadfærd, fx vedr. vigepligt, ønsket hastighed, ønsket acceleration, ønsket deceleration, afstand til forankørende og skift af kørespor. køretøjsegenskaber, fx vedr. accelerations- og bremseevne, dimensioner, fordelinger af lastbilers vægt/effekt-forhold, specielle parametre i forbindelse med afvikling af simuleringer, fx tidsstep, startværdi for tilfældige tal, antallet af repetitioner, der udføres for hver situation. Parametrene kan betragtes som forholdsvis faste data, dog i forskellig grad. Nogle parametre bør revurderes ved hvert projekt, andre er mere generelle, og visse parametre bør man faktisk slet ikke ændre på i forhold til modelværktøjets default-indstilling, med mindre man har et særdeles dybtgående kendskab til modellens virkemåde. Variable De data, der er meget specifikke for et projekt, eller som typisk ændres i forbindelse med projektet, fx trafikintensiteter og signaltider, vil i denne vejregel blive benævnt variable. 2.4 Procedure for løsning af opgave En trafikanalyseopgave vil normalt blive løst efter en proces, som beskrives nedenfor, og som i en simplificeret form er vist på fig En opgave initieres typisk ved, at opgavestiller (fx projektleder i en vejbestyrelse) har behov for at kende til trafikafviklingen ved en fremtidig trafik og/eller ved et planlagt vejanlæg. Opgavestilleren udarbejder et oplæg for opgaven og specificerer behovet for resultater samt de data og ressourcer, som kan indgå i opgaveløsningen. Oplægget forelægges opgaveløseren (fx specialist i rådgivende firma), som vurderer oplægget og rådgiver med hensyn til måden at løse opgaven. 14

15 Fig Typisk proces ved gennemførelse af trafiksimuleringsopgave. Ved * er markeret forskellige tilbagekoblingsmuligheder i processen afhængigt af afprøvningens eller kontrollens udfald. 15

16 Resultatet af den indledende rådgivning kan være, at opgaven mest hensigtsmæssigt løses ved hjælp af en mikrosimuleringsmodel. En anden mulighed er, at opgaveløser peger på en anden modeltype, fx en makroskopisk model, eller vurderer at opgavens type, ønske om resultater og de afsatte ressourcer ikke passer sammen, og at opgaven derfor bør redefineres. Hvis det besluttes at opbygge og anvende en mikrosimuleringsmodel, skal opgavestiller og opgaveløser indledningsvist aftale grundlaget for modelopbygningen og anvendelsen, bl.a. vedr. modellens geografiske afgrænsning, behovet for data og omfanget af beregninger i form af scenarier, hvilke år og hvilke timer på året, der beregnes for. Når dette er afklaret, kan opgaveløseren påbegynde opbygningen af modellen på basis af sit modelværktøj, fx Vissim. Den færdigbyggede model skal gennemgå en kalibrering med henblik på at få modellens enkelte parametre justeret bedst muligt. Herefter afprøves og valideres den kalibrerede model samlet, hvorved modellen afprøves på en virkelig situation. Som det fremgår af figur 2.2, vil et utilfredsstillende resultatet af validering og afprøvning medføre en fornyet kalibreringsindsats, eller det kan medføre, at man må længere tilbage i processen med fornyet modelopbygning eller eventuelt indhentning af nødvendige supplerende data. Teoretisk set kan man risikere, at afbildning af en given situation ikke kan gennemføres med den opbyggede mikrosimuleringsmodel. Dette vil vise sig ved, at modellen ikke kan kalibreres tilfredsstillende, eller at kalibreringen ikke kan gøre modellen generelt anvendelig inden for opgavens afgrænsning. Der vil derved forekomme fejlagtige resultater ved simulering af nogle af de situationer, som opgaven omfatter. Man må herefter konkludere, at modellen ikke er i stand til at afbilde de ønskede trafikale situationer og deres samspil. I nogle tilfælde kan man revidere modelopbygningen med sit mikrosimuleringsværktøj, men i sjældne tilfælde må man konkludere, at værktøjet ikke er egnet for den pågældende type opgave. En tilfredsstillende afprøvning og validering betyder, at opgaveløser kan forberede og gennemføre selve simuleringen af de situationer, som er beskrevet i opgavespecifikationen. Det nødvendige antal repetitioner af simuleringen skal herunder vurderes eller beregnes. Der gennemføres en kontrol af simuleringerne, og skulle der trods den kalibrerede og validerede model alligevel optræde situationer eller resultater, som mistænkes for at være fejlagtige eller være for upræcise, må årsagen findes. Der kan derfor også her blive tale om, at man må længere tilbage i processen og revidere model eller kalibrering, se fig Den sidste del af processen består i, at opgaveløser udarbejder en rapportering af opgaven. Rapporten er det produkt, som opgavestiller får leveret, og rapporten skal derfor præcist beskrive forudsætninger, afgrænsninger, den indgående trafik og alle relevante resultater. Modellen skal endvidere doku- 16

17 menteres med henblik på eventuel senere brug, resultatanvendelse, og for at angive opgavestillers og løsers aftalte grundlag for opgaven. Dokumentationen udarbejdes normalt løbende, men samles til sidst. Opgaven afsluttes ved at opgavestiller får forelagt rapporten. 2.5 Elementer i opbygning af mikrosimuleringsmodel Selve opbygningen af en mikrosimuleringsmodel vil typisk indeholde følgende elementer: a. Fastsættelse af overordnede simulationsparametre, herunder starten for det viste tidspunkt under simuleringen, hver repetitions varighed i antal sekunder, beregningsinterval ved opdatering af positioner o.a. b. Indlæggelse af de enkelte køretøjstypers karakteristika, herunder fordelingen af ønsket hastighed, typebetegnelse o.a. c. Trafikkens sammensætning med hensyn til køretøjstyperne fastlægges. d. Indlæsning af baggrundskort eller ortofoto samt en præcis skalering, dvs. forholdet mellem en afstand i modellen på baggrundskort eller ortofoto og den tilsvarende afstand i virkeligheden. e. Fastsættelse og indtegning af delstrækninger og de forbindelser mellem delstrækninger, som det skal være muligt at afvikle trafik på (i Vissim hhv. links og connectors ). f. Ved statisk assignment: Indlægning af middeltrafikintensitet på strækninger ved modellens ydre afgrænsning, trafikintensitet for let trafik samt svingende/ligeudkørende trafiks andele af den samlede trafik ved kryds. Ved dynamisk assignment: Fastsættelse af ruter for trafikken baseret på opstilling af OD-matricer. g. Indlægning af vigepligter med fastlæggelse af prioriteter, stedet for vigepligten samt nedsat hastighed som følge af geometrien. h. Signalregulering med tids- eller trafikstyring, signalgrupper, eventuelle detektorer, svingendes vigepligt mv. i. Fastlæggelse af resultatopsamling (fx bestemme snit for hastighedsmåling, delstrækninger hvor der måles rejsetider, eller delstrækninger hvor der tælles antal biler i kø), opsætning for output mv. j. Gennemførelse af simuleringen. k. Kontrol af simulering og resultater. 2.6 Modellens resultater Mikrosimuleringsmodeller giver generelt set en stor fleksibilitet i dannelse af output. Dette gælder både valg af resultatvariable i form af fx rejsetider og kølængder, og i valg af statistisk behandling, fx i form af middelværdi, 17

18 spredning, median og andre fraktiler i fordelingen af en variabel, som kan udtrækkes fra modellen. Eksempler på valg af output er snithastigheder på brugerdefinerede steder, rejsetider mellem to brugerdefinerede punkter, kølængder i udvalgte tilfarter, forsinkelser, eller trafikintensiteten et bestemt sted i forskellige tidsintervaller. Modellen opsamler data, som kan efterbehandles i et andet værktøj, fx i et regneark. Resultater fra de gennemførte repetitioner af modellen kan samles her, og statistisk analyse kan gennemføres. Man skal imidlertid være opmærksom på særlige forhold, der er knyttet til resultater fra en mikrosimuleringsmodel i forhold til de traditionelle makroskopiske kapacitetsmodeller. Dette gælder bl.a., at der ved mikrosimuleringsmodellen ikke direkte beregnes kapacitet og belastningsgrad for strækninger og krydstilfarter. Derimod har mikrosimuleringsmodeller generelt set en stor styrke og fleksibilitet i beregning af rejsehastighed, forsinkelse og kølængde. Der henvises til afsnit 3.9 om tolkning af resultater. 18

19 3. UDFØRELSE AF ANALYSE VED MIKROSIMULERING 3.1 Valg af modeltype Ved planlægning af en opgaves udførelse skal opgavestiller og opgaveløser sammen blive enige om mål, midler og fremgangsmåde. Nogle af de første overvejelser, man bør gøre, er hvilken modeltype det vil være mest hensigtsmæssigt at anvende. Man bør typisk overveje at anvende mikrosimulering, når: - Flere strækninger eller kryds skal evalueres samlet, - der er fuld klarhed over vejanlæggets udformning - der er tale om speciel udformning af strækning eller kryds, - der rådes over gode og detaljerede trafikdata, - der er brug for fleksibelt at kunne vælge resultatvariable eller statistisk behandling, - der er behov for detaljeret vurdering af detektorplacering og signalprogram i trafikstyrede signalanlæg, - der er særligt behov for at analysere trafikafvikling under overbelastede forhold. makroskopisk model, når: - Der skal evalueres en isoleret vejstrækning eller et isoleret kryds, - vejanlægget kun er skitsemæssigt fastlagt, - vejstrækningen eller krydset er udformet på traditionel måde, - trafik foreligger i form af aggregerede data og/eller grove estimater, - der kun er behov for resultater som middelhastighed, middelforsinkelse eller belastningsgrad, - der efterspørges et første bud eller hurtigt svar. Resultatet af disse overvejelser og vurdering af hvilke af punkterne, der vejer tungest, bidrager til at afgøre, om det overhovedet er en mikrosimuleringsmodel, der er mest hensigtsmæssig at anvende til at løse opgaven, eller om opgaven måske lige så godt og i hvert fald hurtigere og billigere kan løses ved en makromodel baseret på fx DanKap. Eventuelt kunne man indledningsvist gennemføre beregninger med en makroskopisk model (DanKap) og herved opnå et skøn over omfanget af trafikafviklingsproblemer, samt af hvor og hvornår problemerne for trafikafviklingen især optræder. Dette kunne muligvis afdække behovet for brug af mikrosimulering og målrette arbejdet til de kritiske steder. 3.2 Behov for observationer og data for virkelig trafikafvikling Større eller mindre dele af grundlaget for input af trafikdata i selve simuleringen kan være baseret på observationer fx i form af observerede svingstrømme i kryds, der fremskrives til et fremtidigt år, eller data for fx daglige spidstimers andel af årsdøgntrafikken, konstaterede retningsfordelinger i en spidstime, målt variation af trafikintensiteten over en spidstime o.a. 19

20 I hvor høj grad der kan gøres brug af eksisterende data, afhænger af den konkrete opgave. Hvis der for eksempel er tale om ombygning af et eksisterende kryds, og der ikke vurderes at forekomme andre ændringer i vejnet og omgivelser, så kan en nuværende trafik være et godt udgangspunkt for fastlæggelse af trafikken i modellen, eventuelt i form af fremskrevne intensiteter for de enkelte svingstrømme i den dimensionerende time. Hvis der omvendt er tale om et projekt i et vejnet, der endnu ikke eksisterer, eller hvis fremtidige ændringer i vejnettet og omgivelser væsentligt påvirker trafikken, så kan der ikke umiddelbart indhentes brugbare trafikdata. I sådanne tilfælde er grundlaget for fastsættelse af trafikken ofte en estimeret årsdøgn- eller hverdagsdøgntrafik, som herefter skal nedbrydes til trafik i et kort tidsinterval, fx spidstime, som projektet skal vurderes på grundlag af. Opgaven går typisk ud på at estimere en retningsfordeling for den betragtede spidstime, og at estimere spidstimens andel af års- eller hverdagsdøgntrafikken. Dimensionerende time Ved dimensionering af veje er det almindeligt at tage udgangspunkt i trafikbelastningen i årets 30. eller 100. største time, men man kan vælge at bruge andre dimensionerende timer. Vejregelforslag for kapacitet og serviceniveau samt Vejdirektoratets vejledning i trafiktællinger indeholder anvisninger om, hvordan aggregerede trafiktal kan bruges til at fastsætte trafikdata til brug i modeller for dimensionering af vejanlæg på et kapacitetsmæssigt grundlag. Data til kalibrering Observationer og data fra virkelighedens trafikafvikling anvendes ligeledes til at kalibrere og validere mikrosimuleringsmodellen. Anvendelse af data til brug for kalibrering og validering omtales i afsnit 3.6 og 3.7 og gennemgås nærmere i afsnit 5.2. Data til kalibrering og validering skal så vidt muligt repræsentere det vejanlæg, som modellen skal afspejle. Dette kan imidlertid være uopnåeligt, fordi modeller ofte benyttes til at analysere planlagte og ikke-eksisterende vejanlæg. Man er derfor i mange tilfælde henvist til at kalibrere og validere modellen på data, der stammer fra andre sammenlignelige vejanlæg. I sådanne tilfælde kan der eventuelt tages udgangspunkt i en parametersætning, som der er erfaring med passer for lignende tilfælde. Trafikvariation Det skal påpeges, at den virkelige og observerbare trafik er præget af såvel systematiske som tilfældige variationer. De systematiske variationer er de erkendte tendenser for fx trafikkens variation over årets uger, over døgn i ugen, over døgnets timer, og inden for en spidstime, hvor trafikken vokser, kulminerer i fx et 5- eller 15-minutinterval, og herefter aftager. Også vejrligets påvirkning af motor- og cykeltrafik og større arrangementers virkning på trafikken kan karakteriseres som systematiske ændringer af tra- 20

21 fikkens omfang. Ved indhentning af trafikdata må man undgå tilfælde, hvor trafikken systematisk afviger fra det normale niveau eller fra den situation, som der fokuseres på. Hvis der anvendes kryds- eller strækningstællinger, bør de talte perioder vurderes i henhold til trafikkens normale fordeling over uge og år. Hensigten er at undgå utilsigtet brug af trafiktal, der fx repræsenterer en særlig trafiksvag periode af året. Fremgangsmåden er, at man indhenter viden om trafikkens fordeling over uger og år, typisk i form af opregningsfaktorer, som foreligger i Vejledning til trafiktællinger og i Vejregelforslag for kapacitet og serviceniveau (se kapitel 7 reference 2 og 3) for ugehverdagsdøgn. Herefter kan opregningsfaktorerne bruges til at korrigere tællingerne til at repræsentere den ønskede trafikbelastning. De tilfældige variationer er dag-til-dag variationer, der ikke umiddelbart er nogen forklaring på. De tilfældige variationer i trafikken kan der kun tages højde for ved at gennemføre gentagne observationer af den samme trafikale situation. Man skal her være opmærksom på, at krydstællinger ofte kun er udført for én enkelt morgen- og eftermiddagsspidsperiode, og at der derfor kan være forbundet en særlig usikkerhed til sådanne trafiktal. Hvis der omvendt foreligger adskillige observationer af en variabel, må det besluttes, hvilken værdi der skal anvendes, fx middelværdien, den største værdi eller en værdi repræsenterende en given fraktil. Kapacitetsefterspørgsel Den talte trafik svarer til den faktisk afviklede trafik over det pågældende tællesnit. Såfremt trafikdata skal anvendes til at vurdere en udbygning i forhold til det nuværende vejanlæg, skal der skabes et mål for den reelle efterspørgsel efter kapacitet. Efterspørgslen opgøres først og fremmest som den faktisk afviklede trafik plus en eventuelt øget kølængde i tilfarten eller foran flaskehalsen i løbet af det talte tidsinterval. Derfor bør krydstællinger indbefatte tælling af kølængder, og den faktisk afviklede trafik skal korrigeres for de observerede kølængdeændringer. Efterspørgslen efter kapacitet kan også omfatte trafik, som hidtil har valgt andre ruter, men som efter en kapacitetsudvidelse tiltrækkes af vejanlægget og derfor tilgår trafikbelastningen. Omfanget af mertrafik, som en kapacitetsforøgelse vil medføre, kan estimeres ved hjælp af en trafikmodel. 3.3 Indlægning af trafik i modellen, statisk og dynamisk assignment Der foreligger to forskellige metoder til at indlæse trafik i en mikrosimuleringsmodel, - statisk og dynamisk assignment. Grundlæggende er der ikke forskel i de resultater, der kommer ud af modellen, hvad enten der anvendes statisk eller dynamisk assignment, såfremt trafikken allokeres ens ved de to metoder. Ved dynamisk assignment kan, udover at indlæses trafik, også fordeles trafik i et netværk, hvorved simuleringsmodellen bliver en lille trafikmodel. Hvilken type assignment, der bør anvendes, afhænger i høj grad af 21

22 den konkrete opgave og det datagrundlag, der er til rådighed i forbindelse med løsning af opgaven. Det er dog tit sådan, at statisk assignment anvendes ved mindre simuleringsopgaver, hvor der foreligger krydstællinger for de pågældende kryds. Statisk assignment kan dog i visse situationer give en urealistisk kørselsadfærd. Dynamisk assignment kan med fordel anvendes ved større simuleringsopgaver, hvor der måske i forvejen er gennemført trafikmodelberegninger, eller hvor der allerede eksisterer en trafikmodel for området, hvorved der foreligger matricer. Yderligere er det kun med dynamisk assignment, at der for eksempel ved modelværktøjet Vissim kan foretages vejvalg i forhold til den trafikale belastning, hvis der er en eller flere alternative ruter, flersporede strækninger eller tilfartsspor i kryds. Ved dynamisk assignment kan man ligeledes analysere effekten af ombygning af ét kryds på belastningen af andre kryds i modellen. Statisk og dynamisk assignment omtales nærmere i afsnit Geografisk afgrænsning af modellen Ved et stigende antal kryds og strækninger, der skal medtages i en model, øges databehov og modeludviklingsomkostninger. I de fleste mikrosimuleringsmodeller genereres trafikken i modellens grænser tilfældigt ved en Poisson-proces. Ofte følger køretøjernes ankomster imidlertid ikke en sådan proces i praksis, fordi manglende overhalingsmulighed, signalregulerede kryds o.a. kan medføre en gruppedannelse af trafikken. Endvidere kan manglende kapacitet på omgivende strækninger og i kryds medføre en dosering af trafikken mod de analyserede vejanlæg. Endelig er det vigtigt, at der ikke forekommer tilbagestuvning ud af modellen. Derfor kan det i nogle tilfælde være nødvendigt at inddrage omgivende kryds og veje i modellen, selv om disse ikke skal indgå i selve analysen. Man bør således kritisk vurdere, om de nærmeste kryds - eller dele af sådanne kryds - og veje bør inkluderes i modellen, specielt under hensyntagen til den nævnte mulige dosering og gruppedannelse fra fx signalregulerede kryds. Nabokryds bør dog kun indlægges, hvis dette er særlig påkrævet, fordi det vil komplicere og fordyre modellen. Hvis det skønnes nødvendigt at indlægge nabokryds i modellen, kan man overveje at modellere sådanne kryds på en mere enkel måde med henblik på hovedssagelig at opnå den ønskede effekt som fx gruppedannelse eller dosering af trafikken. 3.5 Tidsmæssig afgrænsning af modellen Beregningsperioden Ved både makro- og mikroskopiske modeller indgår effekten af den tilfældigt forekommende variation af trafikken over den analyserede tidsperiode, 22

23 fx en spidstime eller et spidskvarter. Der forekommer imidlertid normalt også en systematisk variation af trafikken i løbet af tidsperioden, som analysen omfatter, fx opbygning af en 15 eller 5 minutters spids og efterfølgende aftagende trafik i løbet af spidsperioden. I mange makroskopiske modeller, som fx DanKap, kan der imidlertid ikke indlægges en systematisk variation af trafikken over beregningsperioden. Det er heller ikke muligt i fx DanKap at overtage en opbygget kø fra det foranliggende tidsinterval. I en mikroskopisk simulationsmodel som Vissim kan trafikkens middelintensitet derimod indlægges i korte delintervaller à fx 15 min eller kortere, hvorved det er muligt at tage højde for effekten af varierende trafik over en spidsperiode på en time eller mere. Man skal være opmærksom på, at fremskrivning af trafik i forhold til en registreret trafik i en udgangssituation kan betyde, at tidsrummet med kødannelse øges. For at opnå den bedste sammenligning af resultater kan det derfor være hensigtsmæssigt også i udgangssituationen at betragte et så stort tidsrum, som vil være nødvendigt for korrekt at vurdere situationen med mest trafik. Indsvingningstid Sluttid Ved fastsættelse af starttidspunktet for simuleringen skal man være opmærksom på en indsvingningstid. Indsvingningstiden er den tid, det i modellen tager at opbygge starten på situationen, som skal analyseres. Som tommelfingerregel omfatter indsvingningen som minimum de første køretøjers gennemkørsel af modellen, men indsvingningstiden kan være længere. Dette er for eksempel ofte tilfældet, hvis der allerede før en analyseret spidstime ville være kødannelse ét eller flere steder i modellen, såfremt den forudgående tid var medtaget. Det kan herved være hensigtsmæssigt at starte simuleringen for eksempel 15 eller 30 min før. Man skal være påpasselig med ikke at inkludere data fra indsvingningstiden i statistik på simuleringens resultater. Sluttiden skal være ved afslutningen af den betragtede spidsperiode, men hvis der fra analysen skal udtrækkes information om et totalt forsinkelsesvolumen, må sluttiden for simuleringen sættes så sent, at kødannelserne ikke længere eksisterer. Man bør også bemærke, at for overbelastede situationer vil de største kødannelser forekomme senere end tidspunktet med mest trafik ind i modellen og først aftage, når trafiktilstrømningen mod en overbelastet del af vejnettet er faldet til dennes kapacitet. 3.6 Kalibrering af modellen Inden en opbygget model tages i brug, skal modellen kalibreres. Ved kalibrering forstås processen, hvor det forsøges at tilpasse modellen til virkeligheden bedst muligt ved at justere modellens parametre. Kalibreringen tager udgangspunkt i de data, man har til rådighed ud fra observationer af fx trafikmængder, kølængder, hastighedsmålinger mm. Der er således i de fleste tilfælde tale om data, der i aggregeret form udtrykker mangfoldigheden i trafikanternes adfærd. Men for selve den grundlæggende 23

24 adfærd for de enkelte trafikanter foreligger der normalt ikke data, og de observerbare data kan ofte ikke direkte sammenholdes med modelparametre, fx i delmodeller for carfollowing, modeller for køresporskift eller modeller for flettemanøvrer. Dertil kommer, at det er vanskeligt isoleret at undersøge de parametre, der er knyttet til de respektive delmodeller, da disse modeller ofte interagerer for at nå det endelige resultat. Kalibreringsprocessen er derfor en iterativ proces, hvor modelbyggeren gradvist justerer de enkelte dele af modellen ind, så der opnås bedst mulig overensstemmelse med observationerne for den virkelige trafik. Til kalibreringen udvælges hovedsagelig de parametre, som modelbyggeren er usikker på indstillingen af i tilknytning til den aktuelle situation. Som udgangspunkt for kalibreringen kan anvendes værdier, som modelbyggeren tidligere har anvendt i andre lignende situationer, eller de anbefalede standardværdier i denne vejregel, se kapitel 6. Hvis ingen af disse muligheder foreligger, må der tages udgangspunkt i modelværktøjets defaultværdier for parametrene. Metoder til kalibrering af en mikrosimuleringsmodel beskrives i kapitel Validering Ved validering af en model undersøges, hvor godt modellen passer med den observerede virkelighed. Der er således tale om det samlede systems korrekthed i en observerbar situation, hvorimod kalibreringen omfatter de enkelte parametres korrekthed isoleret set. Validering skal gennemføres uafhængigt af kalibreringen og dermed for situationer, der ikke også har været anvendt til kalibrering. En validering går ud på i modellen at genskabe en virkelighedssituation, som der rådes over målinger for. Validering skal anses som en kontrol af en model, men en umiddelbart tilfredsstillende validering er ikke en tilstrækkelig betingelse for en korrekt model. Hvis kalibreringen ikke er i orden, vil ændringer i variable, fx i trafikintensiteter, i forhold til udgangssituationen medføre fejlagtige resultater. Ved validering kan fx undersøges om den korrekte trafikintensitet genereres ved modellens afgrænsning, om model og virkelighed har nogenlunde samme kølængder i tilfarter til kryds, om hastighedsmålinger i virkeligheden svarer til hastigheder samme sted i modellen, om køresporsbenyttelsen er nogenlunde den samme i model og virkelighed, hvis der rådes over trafikdata opdelt på kørespor. 24

25 3.8 Dokumentation Dokumentationen skal tjene som beskrivelse af det tekniske grundlag for model og simuleringer. I forbindelse med rapportering af en opgave udarbejdes dokumentation for den anvendte model og dens brug til løsning af opgaven. Formålet med at dokumentere opgaven er at opgavestiller og modelbygger herved har et nedskrevet grundlag for opgavens løsning, hvoraf det fremgår, hvad man har været enige om vedrørende datagrundlag, parametersætning, afgrænsning mv., og derved dokumenteres det, at der er tale om en gensidig forståelse for opgavens indhold og løsning, at opgavestiller undgår tvivl om grundlaget for analysen og dermed resultaters anvendelighed, og hvordan resultaterne bør tolkes, at modelbygger senere kan genskabe modellen, eller senere vende tilbage og konstatere hvordan tidligere opgaver er løst. Dokumentationen kan indgå som afsnit i selve den udarbejdede rapport over opgaven, som bilag til rapporten eller som et særskilt notat, der henvises til i rapporteringen af opgaven. I dokumentationen bør det fremgå, at anvisningerne i denne vejregel overordnet set har været fulgt, hvis dette er tilfældet. Men det er specielt vigtigt at anføre, hvis der er gjort fravigelser, hvilke der er tale om og hvorfor. Ved anvendelse af dokumentationen bør man således kunne genskabe parametersætningen i modellen. Dokumentationen skal endvidere kort beskrive og eventuelt argumentere for den valgte geografiske og tidsmæssige afgrænsning af modellen jf. afsnit 3.4 og 3.5. Der skal i dokumentationen redegøres for det tilstræbte kvalitetsniveau, og hvad resultaterne kan bruges til, se afsnit 5.1. Endvidere skal den udførte kalibrering og validering kort beskrives som anført i afsnit 3.6, 3.7 og kapitel 5. Det skal ligeledes fremgå, hvilke eventuelle svagheder modellen besidder som følge af manglende viden, manglende data, manglende ressourcer eller andet. Generelt set bør dokumentationen muliggøre, at simuleringen kan genskabes ved indlæsning af analysens variable. Dokumentationen kan også vedlægges en udfyldt kontrolliste, se kapitel 4. 25

26 3.9 Tolkning af resultater Kapacitet og belastningsgrad I en mikroskopisk model får man ikke - som i en makromodel - en beregnet kapacitet i en krydstilfart eller på fri strækning, og man får ikke beregnet en belastningsgrad for en trafikstrøm i tilfarten eller på strækningen. Man kan således heller ikke umiddelbart konstatere restkapaciteten eller graden af overbelastning i et vejanlæg. For at kunne vurdere kapacitet og belastningsgrad er det typisk nødvendigt at ændre trafikintensiteten i modellen, indtil kapacitetsgrænsen optræder. Et tegn på, at kapacitetsgrænsen er nået, er, at der dannes kø i tilfarten eller foran strækningen, der udgør flaskehalsen, og at kølængden har en tendens til at øges med tiden, indtil trafikintensiteten eventuelt aftager. Trafikbelastningen kan ligeledes vurderes på grundlag af fastsatte kriterier, fx den belastning, hvor middelforsinkelsen for en trafikstrøm skifter fra en værdi, der anses som tilfredsstillende, til en utilfredsstillende værdi. Ved vurdering af kapacitet og forsinkelse i modeller, hvor flere vejanlæg i form af kryds og delstrækninger indgår, skal man imidlertid være opmærksom på, at manglende kapacitet ét sted i modellen kan dosere trafikken mod andre dele af modellen. Det kan i sådanne tilfælde være vanskeligt at afgøre de enkelte anlægs kapacitet, og det kan være nødvendigt modelmæssigt at eliminere flaskehalse for at kunne analysere kapacitetsforhold andre steder Forsinkelse, rejsetid og kølængde Forsinkelse og rejsetid er vigtige størrelser til vurdering af fremkommelighed og serviceniveau for trafikanterne. Som nævnt giver mikrosimuleringsmodeller normalt gode muligheder for at definere strækninger, hvor disse størrelser måles. Man skal dog som for kapacitetsforholdene være opmærksom på samspillet mellem dele af vejnettet i modellen, hvor fx overbelastning ét sted kan medføre svagere belastning andre steder med heraf følgende konsekvenser for forsinkelse de enkelte steder. Ved måling af forsinkelse og rejsetid skal man være opmærksom på en køs mulige udstrækning ved fastlæggelse af snittene, imellem hvilke rejsetiden måles. Man vil ofte være interesseret i, hvor hyppigt en kølængde overskrider en kritisk længde, fx fra et rampekryds til motorvejens gennemgående spor, fra stop- eller vigelinje i kryds til enden af svingspor, eller kø der medfører tilbageblokering fra ét kryds til et andet. Sådanne resultater kan umiddelbart opnås i en typisk mikrosimuleringsmodel. 26

27 3.9.3 Fordeling af resultater fra modellen Som nævnt i afsnit 2.1 er mikrosimuleringsmodeller næsten altid stokastiske modeller, hvor en kørsel af modellen kun giver ét (tilfældigt) udfald for trafikafviklingen i den betragtede beregningsperiode. Et indblik i de generelle vilkår for trafikafviklingen i beregningsperioden opnås derfor kun ved at repetere kørsel af modellen på et uændret sæt af variable, men ved anvendelse af forskellige sekvenser af tilfældige tal. Man får derfor ikke umiddelbart et resultat i form af for eksempel middelforsinkelse, gennemsnitlig kølængde og belastningsgrad, som man får ved brug af makroskopiske kapacitetsmodeller, som normalt er deterministiske modeller eller såkaldte middelværdi-modeller. Ved de stokastiske modeller er det nødvendigt ud fra udfaldet i hver repetition at estimere de størrelser, som man ønsker at kende til. Til en beregnet værdi, fx middelværdi for rejsetid for en trafiksstrøm i løbet af beregningsperioden, vil der altid være en usikkerhed, som skyldes, at man kun har gennemført et begrænset antal repetitioner. Men ved at øge antallet af repetitioner, reduceres denne usikkerhed. Derudover er der ved modelanvendelse naturligvis altid en systematisk usikkerhed i resultatet som følge af, at de indgående parametre og delmodeller ikke kan bringes til at svare fuldkommen til virkeligheden. Ved en makroskopisk model får man som resultat normalt kun middelværdier. I modsætning hertil har en stokastisk model en stor fordel ved, at man kan opnå et indblik i hele variationen (fordelingen) af de betragtede resultatvariable, og for eksempel konstatere i hvor stor en del af tiden i beregningsperioden kølængden overskrider en kritisk længde, eller hvor længe rejsetiden mellem to punkter er større end en given tid. Gentagne kørsler med modellen bør derfor give en fordeling af resultatets variable, som svarer til virkeligheden og ikke kun give en middelværdi eller median for variablene, der ligger tæt på virkelighedens tilsvarende værdier. For at dette kan være tilfældet, skal de parameterfordelinger, der indlægges i modellen, være korrekte, og alt, der i virkelighedens verden er forbundet med en usikkerhed, eller hvor der forekommer en korrelation, skal også simuleres med delmodeller, der er stokastiske, og hvor korrelationen medtages. Det er således nødvendigt med et nøjere kendskab til mikrosimuleringsværktøjet, kalibrering og parametersætning, for at kunne vurdere korrektheden i fx fraktiler, som estimeres på grundlag af en model Vurdering af trafikafvikling efter mikrosimuleringsmodellens resultater Løsning af opgaver ved hjælp af en mikrosimuleringsmodel indebærer en vurdering af resultatet i tilknytning til det aktuelle projekt, fx om beregnet værdi for en tilfarts trafikintensitet, middelforsinkelse eller x%-fraktil for kølængde er acceptabel for projektet, eller om en anden løsning bør overvejes. 27

28 Der foreligger ingen danske retningslinjer for krav til fx belastningsgrad, trafiktæthed eller middelforsinkelse. Vurderingen må foretages individuelt for projekter afhængigt af det enkelte projekts størrelse, art, hvilken af årets timer beregningen er gennemført for, og hvilket år beregningen repræsenterer i forhold til fx anlæggets åbningsår. Endvidere afhænger vurderingen af, hvor stor usikkerhed, der er knyttet til trafikdata. Det skal dog nævnes, at en hyppigt anvendt praksis har været at dimensionere et trafikanlæg til en kapacitetsudnyttelse på 70% ved den af årets timer og det fremtidige år, som ligger til grund for dimensioneringen. Men i mange tilfælde har man også valgt at afvige fra dette. Serviceniveau I Vejregelforslag for kapacitet og serviceniveauet er serviceniveauet beskrevet ved nedenstående variable Belastningsgraden (kapacitetsudnyttelsen) og middelrejsehastigheden for strækninger. Middelforsinkelsen for tilfart i kryds. Det anbefales i Vejregelforslag for kapacitet og serviceniveau, at værdien af disse variable anvendes direkte til at formidle serviceniveauet. I en del udenlandske kilder, bl.a. Highway Capacity Manual 2000, HCM, er der defineret en rubricering af serviceniveauer i klasser A F, således at man ud fra beregnede værdier for fx forsinkelse kan kvalificere eller rubricere trafikafviklingsforholdene, se bilag 6. I HCM er det som i det danske vejregelforslag middelforsinkelsen, der danner grundlaget for serviceniveau ved kryds, men andre indikatorer, der ligger til grund for rubriceringen af serviceniveau på strækning. Ved aftale mellem opgavestiller og opgaveløser kan man således eventuelt anvende HCM eller andre kilder som udgangspunkt for kvalificering af trafikafvikling i kryds. Der har også i Danmark været gjort tiltag til indførelse af rubricering og kvalificering af beregnet middelforsinkelse for krydstilfarter. I tabel B6.3 i bilag 6 er vist et forslag, hvor udgangspunktet for intervalfastlæggelsen har været spidstimetrafik, og hvor de indarbejdede niveaubetegnelser A F fra HCM har været brugt. Forslaget er ikke formelt behandlet eller vedtaget, men ved aftale mellem opgavestiller og opgaveløser kan man eventuelt anvende dette skema eller en justering af det, hvis man ønsker at kvalificere og formidle et beregningsresultat med disse betegnelser. Endelig kan der henvises til trængselsdefinitioner i Projekt Trængsel Her tages udgangspunkt i aktuel rejsehastighed og aktuel trafiktæthed i forhold til hhv. fri rejsehastighed og maksimal trafiktæthed. Fri rejsehastighed er den rejsehastighed, der er tilfældet ved lav trafikbelastning, og maksimal trafiktæthed er den største tæthed, som i praksis kan opnås på strækningen. Trængselsdefinitionerne fremgår af tabel 3.1. For bygader anvendes ikke kriteriet knyttet til trafiktætheden. 28

29 Aktuel rejsehastighed i forhold til fri rejsehastighed Aktuel trafiktæthed i forhold til maksimal trafiktæthed Ubetydelig 80 % 20 % Begyndende 80 % > 20 % Stor > 40 % og < 80 % > 33 % og < 60 % Kritisk 40 % 60 % Tabel 3.1. Trængselsdefinitioner i henhold til Projekt Trængsel. Erfaringsmæssige retningslinjer Uanset ovenstående kan følgende erfaringsbaserede retningslinjer eventuelt også indgå i en vurdering af simuleringsresultater: 1. Trafikbelastningen i forhold til kapaciteten for strækning og krydstilfart. Ved en stor kapacitetsudnyttelse på over ca. 85% vil en fremtidig trafikstigning hurtigt medføre en stærkt øget forsinkelse eller nedgang i strækningshastighed. Såfremt beregningen er gennemført for en uopdelt spidstime, skal man være opmærksom på, at trafikken i timens mest belastede kvartersinterval kan komme tæt på eller over kapacitetsgrænsen, hvis kapacitetsudnyttelsen beregnes til 85% eller mere for den samlede spidstime. 2. Forsinkelse i tilfarter i kryds. Hvis middelforsinkelsen beregnes til over ca. 60 sek i vigepligtig tilfart og over omløbstiden for tilfart i signalreguleret kryds, vil en trafikstigning eller en større trafikbelastning i et spidsinterval typisk medføre en væsentlig forøgelse af middelforsinkelsen. 3. Kølængde i kritiske tilfarter, fx svingspor hvor en lang kø kan overskride sporets længde og blokere for nabospor, eller hvor kø på rampe kan blive kritisk lang og medføre for kort distance for bremsning af frakørende trafik eller ligefrem give risiko for kø til gennemgående motorvejsspor. Kølængden vurderes ofte ud fra 5%- fraktilen, dvs. den kølængde som er længere i kun 5% af tiden i den betragtede beregningsperiode, der fx er en spidstime eller spidskvarter. 29

30 Visuel vurdering Som før nævnt er det næsten altid muligt i en mikrosimuleringsmodel at få et visuelt indblik i trafikafviklingen og dermed blive gjort opmærksom på eventuelle problematiske steder og tidspunkter for trafikafviklingen. Under alle omstændigheder bør herved konstaterede problemområder gøres til genstand for nøjere analyse Rapportering af opgave Der gives ikke her mange anvisninger på, hvordan opgaveløseren rapporterer en opgave. Dette har rådgivere m.fl. faste rutiner for, og rapporteringen vil i det hele taget afhænge af opgavens karakter. Ved rapportering af opgaver med analyse af trafikafviklingssituationer er det dog specielt vigtigt, at det for hvert analyseresultat klart fremgår hvilket vejnet der er analyseret, dvs. at der er entydig reference til vejforslag, udbygningsvariant, kilde, hvilken trafik der indgår, dvs. at der refereres til scenario og kilde samt angives år for trafikken, hvilken køretøjstypesammensætning, der indgår, hvilke af årets timer, der er regnet på, - for eksempel årets 30. eller 100. største time, morgen- eller eftermiddagssituation, hvordan signalanlæg er modelleret, fx tids- eller trafikstyret og eventuelt en yderligere beskrivelse af signalprogrammer. 30

31 4. KONTROL AF SIMULERINGSOPGAVE 4.1 Systematisk kontrol Det foreslås, at der for en mikrosimuleringsopgave foretages en systematisk kontrol af den samlede løsning af opgaven. Formålet er hovedsagelig at sikre, at kvaliteten af opgaveløsningen er tilfredsstillende, og at undgå en efterfølgende uoverensstemmelse mellem rekvirentens forventning til resultaterne og opgaveløserens gennemførelse af opgaven. Endvidere kan den systematiske kontrol bidrage til at skabe en effektiv løsning af opgaven og bidrage til systematisk erfaringsindhentning. Kontrollen bør omfatte forberedelse af opgaven, herunder dialog mellem opgavestiller og opgaveløser og de aftaler, som indgås med hensyn til opgavens omfang, afgrænsning og datagrundlag. Endvidere bør kontrollen omfatte selve modelopbygningen og anvendelse af modellen, herunder kalibrerings- og valideringsindsats, vurdering af simuleringen og resultaterne, samt vurdering af behov for antal repetitioner af kørsel med modellen for hver analyseret situation. Endelig kan kontrollen omfatte indsatsen vedr. dokumentation og rapportering af opgaven. 4.2 Kontrolliste Som hjælp til en systematisk kontrol af mikrosimuleringsopgaver er der udarbejdet et forslag til kontrolliste, se bilag 7. En liste med anden udformning eller andet indhold kan naturligvis også anvendes, hvis den er dækkende for proces og resultat af en mikrosimuleringsopgave. Kontrollisten er primært til brug for opgaveløseren, og den kan udgøre et vigtigt grundlag for kvalitetskontrollen inden aflevering af opgavens resultat til opgavestilleren. Men kontrollisten kan ligeledes anvendes som tjekliste, der udleveres til eller gennemgås sammen med opgavesstilleren på samme måde som et værksted udleverer en tjekliste til bilejeren efter serviceeftersyn af en bil. Endvidere anbefales det, at opgaveløseren tidligt i opgaveløsningen indretter sit arbejde efter kontrollisten, således at det ikke senere konstateres, at der er mangler eller uafklarede forhold i forbindelse med anvendte data, modelopbygning og analyse. 31

32 5. KALIBRERING AF MIKROSIMULERINGSMODEL Dette kapitel indeholder anvisninger om kalibrering af en mikrosimuleringsmodel. De konkrete eksempler på parametre er for en model opbygget i Vissim. I afsnit 5.1 indledes med en beskrivelse af kalibreringsindsats afhængigt af den krævede kvalitet af undersøgelsen og af resultatets følsomhed af modelparametrene. Dernæst beskrives i afsnit 5.2 nogle modelmæssige parametre, som kan gøres til genstand for kalibrering af forskellige trafikale situationer. I afsnit 5.3 beskrives nøjere en kalibreringsindsats, som typisk vil være rettet mod en forholdsvis omfattende model, og i afsnit 5.4 nævnes forhold omkring kalibrering af en mindre model. 5.1 Følsomhed og kvalitet Ved kalibrering af en parameter kan man indledningsvist undersøge parameterens betydning for simuleringens resultat. Ved at gennemføre en følsomhedsanalyse af parameteren får man indtryk af, i hvilke intervaller parameteren har større eller mindre betydning for resultatet, og hvordan resultatet påvirkes. På grundlag heraf kan man bl.a. vurdere, hvor kritisk parameteren er for resultatet, og dermed hvor stor en indsats, der bør lægges i kalibreringen af parameteren. Følsomhedsanalysen udføres ved at holde alle parametre og variable konstante, bortset fra den hvis følsomhed undersøges. Omfanget af kalibreringsindsatsen bør også tilpasses den kvalitet, som forventes af analysearbejdet. Kvalitetskravet afhænger for eksempel af hvilken resultatanvendelse, der forventes, fx om resultatet skal anvendes direkte til et detailprojekt med behov for stor præcision, eller om det snarere skal belyse en mere skitsemæssig situation, om det er vigtigt med resultaternes absolutte værdier, eller om det snarere er relative værdier for en række alternativer, om der er store krav til visualisering for beslutningstagere eller andre interessenter, eller om visualisering kun er for de nærmeste projektmedarbejdere, hvilke trafik- og infrastrukturdata, der rådes over, hvilke ressourcer, der er afsat til projektet. Kalibreringsindsatsen fastlægges på basis af det fastlagte kvalitetsniveau for opgaven. Kvalitetsniveauet for simuleringsarbejdet skal fremgå af rapporteringen bl.a. ved, at opgavestilleren klart gøres opmærksom på, hvad resultatet kan bruges til, og hvad det ikke bør bruges til. 32

33 5.2 Trafikale situationer og modelparametre Ved større uoverensstemmelse mellem simuleringsresultaterne og observationer af virkelige forhold justeres parametrene, indtil en god overensstemmelse opnås. I den proces bør brugeren skelne mellem parametre, som opgaveløser er sikker på, og som derfor ikke ønskes justeret, parametre som opgaveløser er usikker på, og som derfor optræder som kandidater til at skulle justeres. Brugeren bør reducere antallet af parametre, der ønskes justeret, mest muligt. Afhængigt af det vejanlæg, der skal analyseres, kan justering af parametre, der styrer eller har indflydelse på følgende forhold, komme på tale: Motorvejsstrækning: fordeling af tidsafstande fordeling af hastigheder fordeling af accelerationer og decelerationer speed-flowrelationer førerens reaktionstid kritisk gap i forbindelse med vognbaneskift køretøjernes indbyrdes separation i forbindelse med en langsomt kørende eller stillestående kø. Signalreguleret kryds: tidstab ved start og tid med kørsel efter grøntidens afslutning følgetid ved start af afviklingen af køen og mellem køretøjer længere tilbage i køen, hvorved grøntidskapaciteten kan estimeres kritisk gap ved venstresving Vigepligt: kritisk interval (i Vissim: gap time) følgetiden, dvs. afstanden mellem vigepligtige biler i kø, som anvender samme interval i den overordnede trafikstrøm Kalibreringen kan gennemføres ved enten en "trial and error" metode eller ved brug af en algoritmisk-numerisk fremgangsmåde, se nedenfor. I nedenstående tabel 5.1 er der for forskellige trafikale situationer i en simuleringsmodel angivet parametre, som kan kalibreres på basis af observationer af trafikafvikling i en virkelig situation, og som herved ved sammenligning med modellens håndtering af samme situation kan anvendes i forbindelse med kalibreringsproceduren. 33

34 Situation Parameter i model Fletning Carfollowing-parametre (i Vissim specielt CC0, CC1, CC2 CC4, CC5) Søgning af ruter (dynamisk assignment) Kapaciteten af et kørespor Trafikafvikling ved etplanskryds Køreadfærd langs en korridor Kapaciteten for et betalingsanlæg mm. Assignment-parametre Carfollowing-parametre, ønsket hastighed, ønsket acceleration og bremsning Carfollowing-parametre, signalparametre ved signalregulerede kryds, kritisk interval ved vigepligt Carfollowing-parametre, ønsket hastighed Betjeningstider, carfollowing-parametre Datasæt for modelkørsel og observationer ved kalibrering Trafikintensitet pr. kørespor, speed/flow-relation for trafik i fletteområdet, sammenligning med andre modeller (fx Dan- Kap) Målt trafikintensitet samme steder for model og virkelighed, konstaterede relative trafikstrømme i model og virkelighed Kendte værdier for kapacitet af kørespor i pågældende vejtype (se Vejregelforslag for kapacitet og serviceniveau) eller observeret kapacitet, standard eller observeret speed/flowrelation Observerede kapaciteter, kølængder og forsinkelser, sammenligning med andre modeller (fx DanKap), Målte hastighedsprofiler i model og virkelighed, fx ved GPSdata for køretøjer Målte forsinkelser og kølængder Tabel 5.1. Typiske parametre og eksempler på datasæt som grundlag for kalibrering af forskellige situationer. Eksempel 5.1: For en Vissim-baseret model antages det, at CCO = 1,54 meter, hvilket er den ønskede afstand mellem stillestående biler, og CC1 = 0,9 sekunder, som er parameteren for sikkerhedsafstanden til den forankørende bil. Så vil en bil med 100 km/t holde en sikkerhedsafstand til forankørende bil på: 100km/t Δ 0,91,5426,5 meter 3,6 Denne afstand kan herefter sammenholdes med de kortest målte tidsafstande for biler med samme hastigheder i virkelig trafik. Et mikrosimuleringsværktøj som fx Vissim indeholder en række køretøjsmæssige parametre, der typisk vil være defineret ved hjælp af fordelingsfunktioner. Det kan fx være ønsket hastighed, ønsket acceleration, ønsket bremsning, vægt/effektforhold og længden på køretøjer. Fordelinger af ønskede hastigheder, accelerationer og bremsninger analyseres for fritkørende trafikanter eller for trafiksituationer med så svag trafikbelastning, at det må antages, at de enkelte trafikanter selv har kunnet bestemme hastighed og accelereation/bremsning, se afsnit

35 Andre parametre er særligt vanskelige at kontrollere og håndtere. Som eksempel nævnes parametre, som styrer afstanden, som en fører af et køretøj ønsker at holde til et forankørende køretøj. En trafikants kortest acceptable afstand til forankørende køretøj i samme kørespor har stor betydning for køresporets kapacitet, og derfor må denne sikkerhedsafstand nøjere vurderes, hvis der ikke er overensstemmelse mellem kapacitet i model og virkelighed. I en Vissim-baseret model er det typisk parametrene CC0 og CC1, der justeres ved kalibrering for sikkerhedsafstand, se eksempel 5.1. På baggrund af foreliggende eller nye registreringer af passagetider for køretøjer i samme kørespor må man derfor udarbejde og analysere fordelinger af tidsafstande for fastholdte trafikintensiteter og med særlig fokus på situationer nær kapacitetsgrænsen for hhv. modelberegnede og virkelige situationer. 5.3 Kalibrering af større modeller Ved kalibreringen af en større model skal der som minimum kalibreres op mod ét datasæt for hhv. modelkørsel og observationer af virkelige trafikforhold. Fremgangsmåden for kalibreringen foreslås som følger: Valg af data der skal kalibreres op mod jf. fx tabel 5.1. Vurderingen af kalibreringens pålidelighed bør ske ved brug af "rootmean-square" værdien: RMSE 1 N N sim obs x n x n n11 2 eller for sammenligning af simuleret og observeret trafikintensitet den såkaldte Geoffrey E. Havers værdi: GEH 2( x x sim sim x x obs obs ) 2 hvor x står for den valgte kalibreringsvariabel (f.eks. trafikintensitet, rejsetid, kølængde mm.), sim for den simulerede værdi og obs for den tilsvarende observerede/registrerede værdi fra en virkelig situation. GEH kan kun benyttes på trafikintensitet, mens RMSE kan bruges på fx trafikintensitet, rejsetid, kølængde mm. Da x i sim afhænger af parametersættet (p 1, p 2, ) i simuleringsmodellen, vil også RMSE og GEH afhænge af parametersættet. En optimal kalibrering leverer et sæt af parametre (p 1, p 2, ), der minimerer RMSE og GEH. Trafikintensiteter GEH anvendes ved kalibrering med udgangspunkt i datasæt for trafikintensiteter. Den optimale kalibrering opnås ved parametersættet, der minimerer 35

36 GEH. Det anbefales endvidere, at en kalibrering med GEH gennemføres, således at kravene i tabel 5.2 opfyldes. Kriterier og målte data Trafik pr. time, model kontra registreret Individuelle links: Indenfor 100 ktj/t for strøm < 700 ktj/t Indenfor 15 % for 700 ktj/t < strøm < 2700 ktj/t Indenfor 400 ktj/t for strøm > 2700 ktj/t og GEH < 5 for linkstrømmen Sum af strømme for alle links: Indenfor 5 % og GEH < 4 for summen for alle links Opfyldt > 85 % af tilfældene For alle links samlet Tabel 5.2. Eksempler på kriterier og graden af opfyldelse ved kalibrering for trafikintensiteter. Rejsetider Ved sammenholdelse af modelberegnet og observeret rejsetid vælges de parameterværdier, som giver den laveste RMSE. Det anbefales endvidere, at afvigelsen mellem den modelberegnede rejsetid og den observerede rejsetid - er mindre end 15 % eller mindre end 1 minut (hvis 15 % af rejsetiden er større end 1 minut) i mere end 85 % af tilfældene. Optimalt parametersæt Fastlæggelsen af den optimale værdi for parametrene kan ske ved forskellige metoder. Er der kun behov for at justere op til ca. tre forskellige parametre, kan dette ske gennem en systematisk afprøvning, trial and error -metoden. En mere effektiv metode er at anvende algoritmer, der søger efter at minimere afvigelsen - f.eks. Nelder-Mead eller Simplex metoden, ved brug af evolutionære algoritmer, eller ved brug af simulated annealing. Fælles for metoderne er, at de tager udgangspunkt i et sæt parametre, der bestemmes af brugeren. De algoritmebaserede optimeringsmetoder omtales ikke yderligere i dette hæfte. Ved anvendelsen af ovenfor nævnte metoder kan der i enkelte tilfælde opstå et problem, der kaldes "over-fitting" eller støj. For at sikre sig imod dette kan der bruges flere forskellige datasæt til både kalibreringen og valideringen. Eksempel 5.2: Dette er et eksempel på brug af GEH og RMSE i kalibrering af Vissim-baseret model med hensyn til trafikintensiteter, hvor det forudsættes, at betingelserne i tabel 5.2 skal opfyldes. Tabellen nedenfor viser datasættet, som er benyttet i eksemplet. Observerede data består af 10 trafiktællinger foretaget i modelområdet. Simuleringsdata viser de beregnede data i 3 alternativer af en model. Forskellen mellem alternativerne er, at der er justeret på parameteren CC0. Formålet med kalibreringen er, at modellen skal overholde betingelserne i tabel 5.2, dvs.: 36

37 1. GEH <5 for 85% af individuelle links 2. GEH <4 for summen af alle links 3. De øvrige betingelser i tabellen om trafikstrømmes intensiteter skal opfyldes Obs. (antal ktj.) Alt. 1 (antal ktj.) Alt. 1 GEH Alt. 2 (antal ktj.) Alt. 2 GEH Alt. 3 (antal ktj.) Alt. 3 GEH Link nr CC0=2,0 CC0=2,5 CC0=3, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,60 Alle , , ,95 I tabellen ovenfor er beregnet GEH-værdier for alle links individuelt og samlet samt for alle 3 simuleringsalternativer. Andel links hvor GEH<5 Alternativ 1, CC0=2,0 70 % Alternativ 2, CC0=2,5 80 % Alternativ 3, CC0=3,0 100 % I tabellen ovenfor er beregnet andelen af individuelle links som overholder betingelse 1. GEH for summen af alle links Alternativ 1, CC0=2,0 5,64 Alternativ 2, CC0=2,5 2,34 Alternativ 3, CC0=3,0 2,95 I tabellen ovenfor er beregnet GEH af summen for alle links i simuleirngsalternativerne, hvor betingelse 2 er, at dette skal være mindre end 4. Beregningerne viser, at alle kalibreringskravene kun er opfyldt i alternativ 3. RMSE Alternativ 1, CC0=2,0 193 Alternativ 2, CC0=2,5 168 Alternativ 3, CC0=3,0 81 I tabellen ses værdierne for RMSE. Disse værdier kan bruges til kontrol, og det udvalgte alternativ bør have en RMSE blandt de laveste. Det konstateres, at netop alternativ 3 giver den laveste RMSE. For alternativ 3 viser beregninger, at afvigelse mellem de enkelte links modelberegnede og observerede trafiktal alle ligger inden for 15 %, jf. betingelse 3 og tabel 5.2 for trafikintenstiteter mellem 700 og 2700 ktj/time. Endvidere er afvigelsen for summen af alle 37

38 links i modelberegnet trafik i forhold til observeret trafik inden for 5 % (se tabel 5.2) i alternativ 3, da 10520/10825 = 0,97, dvs. afvigelsen er her 3 %. For dette eksempel udpeges derfor alternativ 3 med CC0 lig 3,0 til at levere det bedste resultat for trafikintensiteterne, og parameteren CC0 er således kalibreret til 3,0. Eksemplet leverer dog ikke sikkerhed for, at en højere parameterværdi, fx CC0 = 3,5 ikke er bedre. Man bør derfor fortsætte kalibreringsindsatsen. 5.4 Kalibrering af mindre modeller Mindre modeller betegnes som modeller, der skal simulere forholdsvis små trafikale systemer. Dette kunne være få eller enkelte kryds, ramper og rampekryds ved motorvejstilslutningsanlæg, parkeringsområder, betalingsanlæg etc. Ved arbejde med mindre modeller modelleres først et scenarie, der afspejler virkeligheden i en situation, som kan observeres. Til kalibrering af mindre modeller benyttes "trial and error" metoden, hvor køregistreringer, rejsetider og andre visuelle observationer bruges til at få modellen til at afspejle virkeligheden. Det er ikke nødvendigt at bruge samme matematiske kalibrering som ved større modeller. Dette skyldes, at mindre modeller normalt er let overskuelige. Men er der tvivl om kompleksiteten af modellen, bør der altid benyttes en matematisk fremgangsmetode. Hvis der skal simuleres ændringer i fremtidige eller nye scenarier, benyttes samme parametre som brugt i basisscenariet. 38

39 6. SÆTNING AF PARAMETERVÆRDIER 6.1 Generelt Mikrosimuleringsmodeller er typisk omfattende og detaljerede. Der er derfor mange indstillingsmuligheder i modellerne til at styre trafikantadfærd, køretøjers præstationer og signalers virkemåde. Den aktuelle sætning af parametre, som styrer delmodellerne, kan have stor betydning for resultatet af en simuleringsopgave, og det er derfor vigtigt af være bevidst om parametersætningen. Simuleringsværktøjer leveres med defaultværdier for parametrene, hvor disse ofte ikke afspejler trafik for danske forhold. For at repræsentere dansk trafik kan der derfor være grund til at ændre nogle parameterværdier, mens andre kan være uændret. Man skal ligeledes være opmærksom på, at forskellige forhold for trafikafviklingen i samme land kan medføre behov for forskellig parametersætning. Det kan være et stort problem for brugeren af mikrosimuleringsmodeller at foretage en hensigtsmæssig parametersætning, fordi modellerne netop ofte er store og komplekse. Det kræver erfaring og indsigt at gennemskue hvilke parametre, der har betydning for en given del af modellen, og herefter at stille parametrene optimalt. Brugere kan derfor være tilbøjelige til i for høj grad at anvende modelværktøjets defaultværdier for parametre eller at foretage en irrationel kalibrering med henblik på parametersætning. Der henvises til kapitel 5 om kalibrering af simuleringsmodeller. I dette kapitel gives vejledning om sætning af de vigtigere parametre. Vejledningen omfatter parametre for trafikkens allokering på veje og ruter i modellen, den såkaldte traffic assignment, trafikanters adfærd i forbindelse med car-following, adfærd ved skift af kørespor, lane change, adfærd ved vigepligt, trafikafvikling i signalregulerede kryds, køretøjs- og føreregenskaber, samt specielle parametre med relation til selve simuleringen. Simuleringsværktøjet Vissim har som nævnt vist sig at være den fremherskende platform for opbygning af mikrosimuleringsmodeller for vejtrafik i Danmark, og Vissim er derfor taget som udgangspunkt for vejledningen om parametersætning. Når der i det følgende nævnes parametres defaultværdier, henvises til fabriks-indstillingen, dvs. den værdi parameteren har, når programmet modtages fra leverandøren. Bemærk, at der i Vissim opereres med to grundlæggende forskellige adfærdsmodeller til car following, skift af kørespor og fletning af trafikstrømme. Modellerne benævnes Wiedemann 74 og Wiedemann 99. Wiede- 39

40 mann 74 bruges hovedsagelig til bytrafik, mens Wiedemann 99 bruges til motorvejtrafik, dog anbefales Wiedemann 74 til situationer med fletning af trafikstrømme på motorveje. Der gennemgås parametersætning i begge disse Wiedemann-modeller. 6.2 Assignment, statisk og dynamisk I Vissim er der to basale rutevalgsmodeller, der benævnes statisk og dynamisk assignment Statisk assignment Ved anvendelsen af statisk assignment er ruten for køretøjer statisk bestemt ved enten rutevalg eller valg af retning. Middelantallet af køretøjer fordelt på køretøjstype og tidsinterval fastsættes på alle indgående veje i modellens grænser. I hvert kryds defineres enten en procentvis eller en absolut fordeling af trafik mellem svingbevægelserne i krydset. Efterfølgende er det muligt at sammensætte ruterne for hvert kryds til ruter, der dækker køretøjernes rute gennem hele netværket. Det er både muligt at have forskellig trafikintensitet, rute og fordeling af køretøjstyper i forskellige tidsintervaller Fordele ved statisk assignment Statisk assignment er nemt at bruge, også for nye brugere af Vissim, da det er en simpel måde at opbygge rutevalget på, og modellens rutevalg er nemt at forstå og forklare. For små modeller med kun få kryds vil det normalt være mindre ressourcekrævende og hurtigere at opbygge en model med statisk assignment end med dynamisk assignment Ulemper ved statisk assignment Køretøjer, der "træder ind" i modellen, kender ikke deres rute gennem vejnettet. Et køretøj tildeles først en rute på det tidspunkt, hvor det passerer den første definerede rute i vejnettet. Køretøjet er herefter tildelt en rute og vil gennemføre denne rute. Men hvis ruten for eksempel kun er defineret for ét kryds, vil køretøjet kun have information om, hvorledes ruten er gennem dette kryds, og ikke om ruten for gennemkørslen af resten af vejnettet. Når den aktuelle rute er gennemført, vil køretøjet derfor igen skulle søge efter en ny rute. I modeller med veje med mere end 1 spor i hver retning er ulempen ved denne metode for rutetildeling, at der uden kombinerede ruter, som beskriver he- 40

41 le køretøjets rute igennem vejnettet, ikke er information for køretøjet til, hvordan det skal placere sig i forhold til efterfølgende kryds. Dette afspejler ikke virkelighedens forhold, hvor bilister normalt vil vælge at placere sig i det spor, der også for det efterfølgende kryds er mest hensigtsmæssigt. Men i modellen kan det ikke ske, fordi køretøjet kun har kendskab til sin nuværende rute, som kan slutte umiddelbart efter et kryds. Først når køretøjet har fuldført den aktuelle rute og får tildelt en ny, modtager køretøjet oplysningen om sin videre rute og dermed, om køretøjet skal ligeud, til højre eller til venstre i det næste kryds. Ved statisk assignment kan et køretøj, som ikke er tildelt en rute, derfor opføre sig uhensigtsmæssigt med hensyn til valg af kørespor, hvilket kan give uheldige køresporskift, selvom der kun er en meget kort afstand mellem ruterne. Resultatet af modellering med statisk assignment kan derfor være urealistiske skift af kørespor, hvilket ofte er set i sådanne Vissim-modeller. Hvis ruterne først er blevet defineret på hvert kryds og efterfølgende kombineret, så ruterne dækker flere kryds eller hele ruten gennem vejnettet, er det besværligt at ændre på fordelingen af ruterne for et enkelt kryds. Hvis modellen har to eller flere alternative ruter mellem to punkter, skal det på forhånd fastlægges, hvor mange køretøjer der vælger hver rute. Det er ikke muligt at få Vissim til at fordele køretøjerne efter de aktuelle forhold Hvornår kan statisk assignment anvendes Statisk assignment bør primært bruges ved mindre modeller, dvs. modeller som indeholder et mindre antal signalregulerede kryds, 1-sporede rundkørsler og vigepligtskryds. Modellen bør ikke indeholde fler-sporede strækninger, fler-sporede rundkørsler eller behov for dynamisk valg mellem flere alternative ruter Dynamisk assignment Ved anvendelsen af dynamisk assignment er trafikinput og rutevalg baseret på opstillede OD-matricer. Ruter genereres ved en dynamisk tildeling, idet der for hver rute i hvert OD-par tildeles en omkostning. I Vissim omfatter omkostningerne faktorer som Rejselængde Rejsetid Omkostninger for specifikke "links" Sidstnævnte bruges til modellering af faktorer som betalingsveje eller lignende. 41

42 Modellen vælger på denne baggrund den rute, der medfører de færreste omkostninger. Dette sker igennem en række iterationer (simuleringer), indtil et bestemt konvergenskriterium er blevet opfyldt. Konvergenskriteriet kan afhænge af følgende Rejsetiden på en rute Rejsetiden på en delrute i/mellem krydsene Antallet af køretøjer på delruterne i/mellem krydsene Eksempel på proces for rutevalget i dynamisk assignment er vist i figur 6.1. Rutevalget ved dynamisk assignment fungerer i princippet som i en trafikmodel. Fig. 6.1 Processen for rutevalget i dynamisk assignment i Vissim Fordele ved dynamisk assignment I dynamisk assignment kender køretøjerne altid deres rute gennem vejnettet på forhånd og kan derfor altid placere sig hensigtsmæssigt i vejnettet, hvilket gør, at køretøjernes opførsel i modellen lettere kan afspejle virkeligheden. 42

43 I processen finder Vissim selv alle ruter i vejnettet og omkostningen ved ruterne. Modellen kan dermed tildele køretøjerne den optimale rute gennem vejnettet, hvor der er to eller flere alternative ruter mellem to punkter. Hvis trafikniveauet eller trafikfordelingen skal ændres, er det hurtigt og nemt at ændre matricerne i et matriceværktøj (f.eks. et trafikmodelværktøj). Hvis der er udført trafikmodelberegninger af scenarier, er det nemt at overføre matricerne for disse scenarier direkte fra trafikmodellen til Vissim. Hvis modellen dækker flere kryds, kan en trafikmodel bruges til for hele området at kalibrere en matrice, som er tilpasset trafiktællingerne. Dette medfører, at eventuelle forskelle mellem tællingerne i de enkelte kryds bliver udlignet Ulemper ved dynamisk assignment Da ruterne i dynamisk assignment ikke er forud definerede, kan det tage tid at få kalibreret rutevalget. Det er især tidskrævende, hvis der er ruter, som næsten har samme omkostning, og modellen derfor har svært ved at vælge mellem ruterne, og dermed har svært at få opfyldt konvergenskriteriet. Det er dog muligt i Vissim at få oplyst, hvilke ruter der ikke konvergerer. Men under alle omstændigheder kan kalibreringen tage længere tid end ved statisk assignment. For mindre erfarne brugere af Vissim, eller brugere som ikke er vant til at arbejde med trafikmodeller, kan det være svært at forstå logikken bag rutevalget, hvilket øger risikoen for forkert anvendelse af dynamisk assignment. Hvis brugeren ikke har adgang til et trafikmodelværktøj til at generere matricerne, kan opstilling af matricer være besværligt ved større modeller med flere kryds Hvornår kan dynamisk assignment anvendes Dynamisk assignment kan anvendes på alle modeltyper, men især ved større eller komplekse modeller anvendes med fordel dynamisk assignment. For modeller indeholdende fler-sporede strækninger, fler-sporede rundkørsler motorvejsstrækninger eller andre strækninger med flere spor i hver retning bør der anvende dynamisk assignment. Dynamisk assignment kan generelt set med fordel anvendes, hvis modellen indeholder et rutevalg, eller hvis der foreligger trafikmodelberegninger. 6.3 Adfærd ved car following I mikrosimuleringsmodeller beskrives car following modeller typisk med adfærdsparametre, der repræsenterer forskellige aspekter indenfor de fire forskellige kørselstilstande 43

44 free-driving, approaching, following, braking. Disse tilstande modelleres i Vissim med Wiedemann 99 eller Wiedemann 74 modellen for car following Parametre med relation til car following i Wiedemann 99 I Vissim s Wiedemann 99-model indgår ti adfærdsparametre kaldet CC0- CC9. Parametrene er nærmere beskrevet i tabel 6.1. I tabel 6.1 fremgår defaultværdier for parametrene CC0-CC9 samt et erfaringsmæssigt relevant interval, som parametrene CC0, CC1 og CC2 ofte vil ligge indenfor. I praksis er det oftest disse tre parametre, man vil justere. For de øvrige CC-parametre kræves et særligt grundlag for at ændre i forhold til defaultværdier. Udover CC0-CC9 findes en række andre parametre, der har relation til car following adfærd. Disse er Look ahead distance og look back distance (antal meter som en trafikant er i stand til at se og reagere på hhv. forud og bagud), Observed vehicles (antal forankørende køretøjer (eller netværkselementer) som der reageres på), Temporary lack of attention (tidslængde og sandsynlighed for uopmærksomhed). Som udgangspunkt bør man være forsigtig med at ændre i forhold til defaultværdierne for alle Wiedemann 99-parametrene CC0-CC9, idet deres betydning og indbyrdes afhængighed for car-following modellen er kompleks. Ved flere studier er ved bl.a. følsomhedsanalyser forsøgt kortlagt, hvordan ændringer i CC0-CC9 påvirker simuleringsresultaterne. Resultaterne peger på, at den simulerede kapacitet for en vejstrækning i høj grad afhænger af de valgte parameterværdier. Især CC0, CC1 og CC2 har isoleret set betydning for den opnåede kapacitet ved den simulerede trafikafvikling, men der er for flere af CC0-CC9 parametrene en stærk indbyrdes afhængighed, som har indflydelse på resultatet af en simulering. 44

45 Parameter Default Relevant range Bemærkninger CC0 (Stand still dist.) 1,5 m 1 3 m Beskriver den ønskede afstand mellem holdende køretøjer. CC1 (Headway time) CC2 (Following variation) CC3 (Threshold for entering Following) 0,9 sek 0,9 1,2 sek 4 m 4 8 m Beskriver tidsafstand til forankørende. Ved en given hastighed v er sikkerhedsafstanden givet ved dx _ safe=cc0 +CC1* v, hvor v måles i m/s. I modellen er sikkerhedsafstanden defineret som den minimumsafstand, bilisten vil holde til det forankørende køretøj. Denne værdi har afgørende indflydelse på kapaciteten. Beskriver en længde oscillation eller den ekstra afstand i forhold til sikkerhedsafstanden bilisten kræver, før han kører tættere på bilen foran. Beskriver hvornår nedbremsningen påbegyndes, dvs. hvornår bilisten erkender et forankørende langsommere køretøj. CC3 definerer hvornår decelerationen begynder i sekunder før sikkerhedsafstanden nås. CC4 og CC5 (Following threshold) -0,35 og 0, Beskriver hastighedsdifferencer i Following processen. Jo mindre værdi, jo større følsomhed når den forankørende bil de- eller accelererer. Lille værdi betyder, at køretøjerne er tæt parrede. CC4 og CC5 bruges både ved negativ og positiv hastighedsændring. CC6 (Speed dependency of oscillation) CC7 (Oscillation acceleration) CC8 (Standstill acceleration) CC9 (Acceleration at 80 km/h) 11, ,25 m/s ,5 m/s ,5 m/s Beskriver afstandens indflydelse på hastigheds-oscillation i Following processen. Ved værdien 0 er der ingen afhængighed. Jo højere værdi, jo højere hastigheds-oscillation ved voksende afstand. Beskriver den faktiske acceleration i oscillation processen. Beskriver ønsket acceleration når der startes op efter at have holdt stille, - begrænset af den ønskede acceleration for den enkelte køretøjstype. Beskriver acceleration ved 80 km/t. Tabel 6.1. Adfærdsparametre CC0-CC9 vedr. car following i Vissim Wiedemann 99- model, - hvor der ikke anføres værdier for relevant range, bør man normalt anvende defaults, med mindre man har et særligt grundlag for valg af alternativ værdi. 45

46 Observed vehicles Generelt gælder det for driving behavior, at antallet af observed vehicles skal ændres fra default-værdien på 2 til en værdi på 4, 5 eller mere. Dette skyldes, at alle elementer i modellen opfattes som køretøjer, dvs. at også eksempelvis en stoplinje eller en ændret hastighed opfattes som et køretøj. Hvis ikke default-værdien ændres, kan det bevirke, at køretøjerne eksempelvis kører over for rødt. Look ahead/back distance og Temporary lack of attention Parametrene for look ahead/back distance og temporary lack of attention ændres normalt ikke i forhold til default-værdierne for disse parametre. Model parameters Der kan ikke gives en entydig anbefaling til parametersætning for CC0-CC9 i Vissim Wiedemann 99-modellen. Den optimale indstilling af parametrene vil variere afhængigt af den aktuelle situation. Derfor bør der være fokus på kalibrering og validering i forbindelse med parametersætning for CC0-CC9, specielt for CC0, CC1 og CC2. Herunder er der dog givet et par eksempler på vejledende parametersætning, som i forbindelse med udarbejdelse af denne vejregel har været testet på målte trafikmængder på en motorvejsstrækning. De gennemførte analyser er ikke fuldt dækkende i forhold til vurdering af alle modelparametrene, men har dog givet et rimeligt resultatet, hvorfor parametersætningen er gengivet i nedenstående tabeller. Udgangspunktet for disse parametre er ligeledes studier, der er gennemført af PTV, der er leverandør af Vissim, i forbindelse med den løbende udvikling af programmet. Fri strækning, motorvej Ved simulering af trafik på motorveje anvendes som nævnt normalt Wiedemann 99, som indebærer præference for brug af højre kørespor. Erfaringer viser imidlertid, at trafikken på danske motorveje ikke altid simuleres helt realistisk med defaultværdierne for parametrene CC0-CC9 jf. tabel 6.1. I fig. 6.2 og 6.3 er vist eksempler på værdier, som i visse tilfælde har vist sig at medføre en mere realistisk simulering. Det fremgår af fig. 6.2 og 6.3, at der er flere ændringer i forhold til defaultværdierne, og for enkelte af parametrene er der foretaget store ændringer i værdierne. I forbindelse med parametersætningen for en fri strækning er det vigtigt, at der skelnes mellem personbiler (car) og lastbiler (HGV). Forskellen ligger i CC1-værdien, hvorfor det er nødvendigt at oprette en driving behavior for henholdsvis person-/varebiler og lastbiler. Grunden til, at værdien er lavere for lastbiler, er, at lastbilerne typisk samles i kolonner på motorveje. Den lavere CC1-værdi bevirker, at lastbilerne kører så tæt, at personbilerne normalt ikke bryder kolonnen, hvilket ofte er tilfældet i virkelig trafik. 46

47 * CC1 = 1,0-1,1 ved pendlertrafik, CC1= 1,1-1,2 for andre situationer Figur 6.2. Vejledende værdier for car-following parametre i Wiedemann 99 for personbiler. Figur 6.3. Vejledende værdier for car-following parametre i Wiedemann 99 for lastbiler Parametre med relation til car following i Wiedemann 74 For bytrafik og på vejstrækninger med sammenfletning af trafikstrømme anvendes oftest Wiedemann 74-modellen for car following. Strækningerne med flettende trafik kunne være fremkommet ved sammenfletning af to mo- 47

48 torveje, ved indsnævring fra 3 til 2 spor, hvor trafikken afvikles ved sammenfletning, eller ved sammenfletning af trafik fra en rampe. I disse områder opfører trafikanten sig anderledes end på den øvrige strækning, idet specielt opmærksomheden er større og mindre afstande til den øvrige trafik ofte accepteres. Det har vist sig, at disse situationer håndteres bedre i Wiedemann 74 end Wiedemann 99. I car following-modellen sættes parameteren observed vehicles normalt til 4 eller mere, som beskrevet i afsnit Average standstill distance sættes normalt til 2,5 meter. 6.4 Adfærd ved skift af kørespor (Lane Change) Parametre med relation til skift af kørespor i Wiedemann 99 Adfærd i forbindelse med skift af kørespor angives med parametre, der bl.a. beskriver sikkerhedsafstand samt en mere eller mindre aggressiv adfærd ved sporskifte. I Vissim er en vigtig parameter for flettemanøvrer den såkaldte Safety Distance Reduction Factor, som er afgørende for, hvor meget sikkerhedsafstanden til foran- og bagvedkørende kan reduceres ved skift af kørespor. Default er 0,6, som betyder en reduktion af sikkerhedsafstanden til 60 % af afstanden under normale forhold. I fig. 6.4 og 6.5 er der gengivet vejledende værdier for skift af kørespor for personbiler og lastbiler. Nogle værdier er tilrettede i forhold til defaultværdierne. Værdierne, der er vist i figurerne, bevirker, at trafikanterne i modellen bliver lidt mere aggressive i forhold til anvendelse af defaultværdierne, og dette har vist sig at medføre en mere realistisk trafikafvikling i mange tilfælde. Grunden til forskellen mellem personbiler og lastbiler i feltet to slower lane if collision time above i hhv. fig. 6.4 og 6.5, er, at det skal sikres, at modellen får lastbiler til hurtigt efter overhaling at søge ind i højre kørespor, hvilket anses som realistisk i de fleste tilfælde. 48

49 Fig Vejledende værdier for personbiler af lane change parametre i Wiedemann 99. Fig Vejledende værdier for lastbiler af lane change parametre i Wiedemann Vejledende parametersætning for sammenfletning i Wiedemann 74. I figur 6.6 er der gengivet forslag til standardværdier. I modsætning til Wiedemann 99, skelnes der ikke mellem personbiler og lastbiler. Værdierne er tilrettede i forhold til default-værdierne. Værdierne i figuren gør, at trafikanterne i modellen bliver lidt mere aggressive i forhold til en model baseret på default-parametrene. 49

50 Fig Vejledende værdier for lane change parametre i Wiedemann 74. Hvis ikke de her viste parameterværdier giver en realistisk sammenfletning af trafikken, eksempelvis hvis trafik afviklet i modellen ikke stemmer overens med talt trafik, må parametrene justeres, indtil overensstemmelse opnås. Det er for eksempel muligt at gøre fletningen mere eller mindre aggressiv ved at variere maximum deceleration mellem og I konkrete tilfælde har værdier for maximum deceleration på -7 og -8 vist sig at give gode resultater. 6.5 Parametre for vigepligt Trafikafvikling i prioriterede kryds og rundkørsler samt ikke-bundne svingstrømme i signalregulerede kryds afhænger i stor udstrækning af trafikanternes vigepligt over for overordnede trafikstrømme. Til at modellere vigepligterne i Vissim kan der benyttes to forskellige metoder, hvor den ene metode benytter sig af konflikt markører og stoplinjer, mens den anden benytter sig af konfliktområder. I det efterfølgende er der angivet nogle retningslinjer for, hvordan vigepligtssituationer kan modelleres i Vissim med de to metoder, ligesom der er givet retningslinjer for parametersætning. Parametersætningen for vigeplig- 50

51 ter er meget afhængig af den enkelte situation, hvor bl.a. geometri, trafikmængder m.m. spiller en stor rolle for kapaciteten og dermed også for det endelige resultat. Det er derfor vigtigt at understrege, at de foreslåede værdier for parametersætning for vigepligter skal anvendes kritisk, og at de anvendte værdier bør kalibreres og valideres op imod registreringer i marken i det omfang det er muligt, se afsnit 5.2. I tilfælde, hvor der ikke rådes over observationer ved faktisk trafikafvikling, kan man relatere simuleringsresultaterne til tilsvarende data opnået ved brug af modeller i Vejregelforslag for kapacitet og serviceniveau og ved brug af DanKap-modellen Modellering af vigepligt i Vissim med stoplinje og konfliktmarkør Modelleringen af vigepligt ved metoden med stoplinje og konfliktmarkør er baseret på den såkaldte tidsgap-teori. Det antages herved, at der skal være en bestemt mindste tidsafstand til stede mellem to køretøjer i den overordnede trafikstrøm, før den vigepligtige trafikant vil fortsætte sin kørsel over vigelinjen. Denne mindste tidsafstand benævnes det kritiske interval og måles i sekunder, se fig I modelværktøjet Vissim kaldes det kritiske interval målt fra bagende af et køretøj til forende af det efterfølgende køretøj for gap time. Fig Kritisk gap, i Vissim kaldet gap time, vist med pil for vigepligtige trafikanter i rundkørsel og på sidevej i prioriteret kryds. Ud over gap time anvendes i Vissim også parameteren minimal headway. Minimal headway er en givet strækning i konfliktområdet, hvor der ikke må færdes andre trafikanter, såfremt den vigepligtige trafikant skal fortsætte ud i krydset. Parameteren minimal headway dækker typisk konfliktområdet og benyttes fx til at sikre, at den vigepligtige trafikant ikke fortsætter ud i et kørespor med kødannelse eller langsomtkørende trafik. Headway måles her i meter, se figur 6.8. I praksis modelleres denne type vigepligt ved, at der indsættes en stoplinje i modellen på det sted, hvor det ønskes, at det vigepligtige køretøj stopper for at overholde sin vigepligt. Ud over stoplinjen indlægges en eller flere konfliktmarkører, som gives nogle betingelser for gap time og minimal headway. Betingelserne givet ved kritisk interval (gap time) og minimal headway skal opfyldes, før det vigepligtige køretøj fortsætter over vigelinjen. 51

52 Årsagen til, at der specificeres en minimal headway, er som nævnt for at kunne håndtere tilfælde med kødannelse eller langsomt kørende trafik i den overordnede trafikstrøm. I sådanne tilfælde er det ikke tilstrækkeligt med parameteren gap time som eneste kriterium, og derfor suppleres med minimal headway som en kritisk afstand i meter. I figur 6.8 er vist et eksempel på, hvordan vigepligter kan lægges ind i modellen. Figur 6.8. Modellering af vigepligt i Vissim med stoplinje og konfliktmarkør. Ofte anvendte værdier Den vigtigste parameter ved modellering af vigepligter med stoplinje og konfliktmarkør er gap time. I tabellerne 6.2 til 6.4 er angivet nogle intervaller for, hvor gap time ofte ligger inden for, samt en standardværdi estimeret som et "vægtet" gennemsnit af værdier, der i konkrete tilfælde er fundet relevante. Rundkørsler Vissim DanKap I forbindelse med anvendelse af standardværdien skal det dog nævnes, at den kun bør benyttes med stor forsigtighed, da gap time bl.a. er meget afhængig af de fysiske forhold samt den generelle trafikbelastning i området. Modelbyggeren skal derfor i hvert enkelt tilfælde foretage en nøje vurdering af, hvilken størrelse parameteren gap time skal have, samt i det omfang, det anses som nødvendigt og er muligt, at kalibrere og validere modellen op mod registreringer fra marken. Se også afsnit 3.7 og 5.2 om kalibrering og validering. Der er endvidere gennemført en sammenligning med parametre, som anvendes i Vejregelforslag for kapacitet og serviceniveau og i DanKap, se bilag 4. Figur B4.4 i bilag 4 viser, at værdien på 3,2 sek. for gap time i 1-sporet tilfart iflg. tabel 6.3 kan antages at give nogenlunde samme kapacitet som DanKap med kritisk interval på 5,1 sek., hvis der er en middel trafikintensitet i den cirkulerende strøm, svarende til ca pe/time. 52

53 Personbiler: Trafikstrøm Overfor trafik fra højre eller modkørende fra venstre Lastbiler: Trafikstrøm Overfor trafik fra højre eller modkørende fra venstre Gap time: Prioriterede kryds i Vissim Primærvej: Venstresvingende [3,0 5,0 sek.] 4,5 sek. Primærvej: Venstresvingende [3,5 5,5 sek.] 5,0 sek. Sekundærvej: Venstresvingende [4,0 6,0 sek.] 5,5 sek. [3,0 4,5 sek.] 4,5 sek. Sekundærvej: Venstresvingende [4,5 6,5 sek.] 6,0 sek. [3,5 5,5 sek.] 5,0 sek. Sekundærvej: Ligeudkørende [4,0 5,5 sek.] 5,0 sek. [3,5 4,5 sek.] 4,0 sek. Sekundærvej: Ligeudkørende [4,0 6,0 sek.] 5,5 sek. [3,5 5,0 sek.] 4,5 sek. Sekundærvej: Højresvingende [3,5 5,5 sek.] 5,0 sek. Sekundærvej: Højresvingende [4,0 6,0 sek.] 5,5 sek. Tabel 6.2. Interval angivet i kantet parentes for ofte anvendte gap times samt forslag til "standard" gap time for prioriterede kryds i Vissim. Personbiler: Trafikstrøm Overfor trafik Cirkulerende trafik Lastbiler: Trafikstrøm Overfor trafik Cirkulerende trafik Gap time: Rundkørsler i Vissim Trafik i 1-sporet tilfart [2,5 4,5 sek.] 3,2 sek. Trafik i 1-sporet tilfart [3,5 5,5 sek.] 4,0 sek Venstre spor i 2-sporet tilfart Højre spor i 2-sporet tilfart 2,7 / 2,6 sek. 1,8 / 2,6 Venstre spor i 2-sporet tilfart Højre spor i 2-sporet tilfart 3,7 / 3,6 sek. 2,8 / 3,6 sek. Tabel 6.3. Interval angivet i kantet parentes for ofte anvendte gap times samt forslag til "standard" gap time for rundkørsler i Vissim. For 2-sporede tilfarter er første tal foreslået værdi ved vigepligten over for trafik i venstre cirkulationsspor og anden værdi over for trafik i højre cirkulationsspor. Gap time: Signalregulerede kryds i Vissim Personbiler: Trafikstrøm Overfor trafik Modkørende Lastbiler: Trafikstrøm Overfor trafik Modkørende Vigepligtige venstresvingende [3,0 4,5 sek.] 4,0 sek. Vigepligtige venstresvingende [3,5 5,0 sek.] 4,5 sek. Tabel 6.4. Interval i kantet parentes for ofte anvendte gap times samt forslag til "standard" gap time for vigepligtigt venstresving i signalregulerede kryds i Vissim. 53

54 Prioriterede kryds Vissim DanKap Der er gennemført undersøgelse af kapacitet for højre- og venstresvingende fra sidevej og venstresvingende fra primærvej i prioriterert T-kryds. Der henvises til diagrammer figur B4.1,.2 og.3 i bilag 4. Ved sammenligning mellem Vejregelforslag for kapacitet og serviceniveau og Vissim viser det sig, at ofte anvendte værdier for gap time jf. tabel 6.2 specielt giver samstemmende resultater med Vejregelforslaget ved forholdsvis stor intensitet af den overordnede trafikstrøm, - over ca pe/time for begge retninger tilsammen, når det er venstresvingende fra sidevejen, der har vigepligt, - over ca. 700 pe/time for trafik fra venstre ved højresving fra sidevejen, - og over ca for modkørende trafik ved venstresving fra primærvejen. Ved en overordnet trafikintensitet, der er lavere, kræves højere værdier af gap time i Vissim end anført i tabel 6.2 for at skabe samstemmende kapaciteter i forhold til Vejregelforslaget og dermed DanKap. Minimal headway Størrelsen på minimal headway afhænger i høj grad af den vigepligtssituation, som modelleres samt de geometriske forhold. Ofte vil værdien for minimal headway ligge mellem 5 og 10 meter ved modellering i Vissim. Fastlæggelsen af værdien for minimal headway sker ofte ud fra en visuel inspektion af trafikafviklingen i simuleringsmodellen Modellering af vigepligt i Vissim med konfliktområder Modelleringen af vigepligt ved metoden med konfliktområder i Vissim er et alternativ til at bruge vigepligter med stoplinje og konfliktmarkør. Metoden med konfliktområder er den metode, som leverandøren af Vissim, PTV AG, anbefaler for de fleste tilfælde, da det er en mere enkel måde at definere vigepligter på, og da det medfører en mere rationel opførsel af bilisterne. Ved modellering med konfliktområder i Vissim spares således tid til opbygning af en model, men der må påregnes en større indsats til kalibrering. Metoden er i 2010 forholdsvis ny, og der er endnu ikke systematisk indhentet erfaringsværdier for parametre til styring af vigepligtsforholdene modelleret på denne måde. Nedenfor gives en kort vejledning i modellering med konfliktområder i Vissim. Beskrivelse Når et vigepligtigt køretøj møder et konfliktområde, observeres i modellen køretøjerne i hovedstrømmen, og der foretages en beslutning om hvor stort et gap, der skal til, for at køretøjet kan vælge at forcere konfliktområdet. Derefter beregnes hvilken accelerationsprofil, som gør, at det er muligt for køretøjet at passere konfliktområdet. I beregningerne tages også højde for situationen efter konfliktområdet, f.eks. at køretøjet eventuelt skal stoppe eller sætte farten ned pga. andre køretøjer, eller at der umiddelbart efter dette konfliktområde er placeret flere andre konfliktområder. Dette kan medføre, at køretøjet skal have mere tid til at passere konfliktområdet end først beregnet, og dermed kan beslutningen om, hvorvidt konfliktområdet kan passeres, blive ændret. 54

55 Når metoden med konfliktområder bruges som modellering af vigepligt, vil også biler i hovedstrømmen reagere på konfliktområdet, hvilket ikke er tilfældet, hvis vigepligter modelleres med stoplinje og konfliktmarkør. Hvis et vigepligtigt køretøj ikke kan gennemføre passagen af konfliktområdet uden at påvirke trafikken i den overordnede strøm, vil bilerne i den overordnede strøm bremse eller stoppe for ikke at køre ind i den krydsende bil. Hvis en kø opbygges gennem et konfliktområde, fx fra et nærliggende signalanlæg, vil biler i hovedstrømmen forsøge ikke at stoppe i konfliktområdet, så der ikke bliver blokeret for den krydsende strøm. Alle køretøjer, både vigepligtige trafikanter og biler i den overordnede strøm, vil undgå at køre ind i konfliktområdet, hvis der ikke er plads efter konfliktområdet til at forlade konfliktområdet helt. Parametre Der foreligger som nævnt ikke systematisk indhentede erfaringsværdier for parametersætning for vigepligt modelleret med konfliktområder i Vissim. Det er derfor særlig vigtigt med kalibrering, således at der for modeller med konfliktområde kan afvikles en største trafik, som svarer til observeret kapacitet i en virkelig situation. Følgende parametre kan ændres for hvert konfliktområde: Visibility (synlighed) er maksimumafstanden for, hvornår bilisten kan se bilerne på de andre veje, som indgår i konfliktområdet. Front Gap er minimum gap i sekunder mellem bagenden af bilen på primærvejen og forenden af bilen på sidevejen, hvorfra der er vigepligt. Rear Gap er et minimum gap i sekunder mellem bagenden på bilen fra sidevejen med vigepligt og forenden af bilen på primærvejen. Parameteren bruges kun for ligeudkørsel fra sidevejen. 55

56 Safety distance factor. Værdien multipliceres med den normale valgte sikkerhedsafstand til en bil på hovedvejen. Parameteren bruges kun i sammenfletningskonflikter. Additional stop distance. Afstand som bilerne skal holde til konfliktområdet, når de stopper (gælder kun fra sidevejene med vigepligten). Avoid blocking. Er en procentvis andel af bilerne som i hovedstrømmen vil holde tilbage, hvis der opstår kø, og dermed give sidevejstrafikken mulighed for at passere konfliktområdet. Defaultværdien for denne parameter er 100 %, men den bør formodentlig sættes lavere for at illustrere trafikantadfærden i praksis. Defaultværdierne for konfliktområderne i Vissim er vist i tabel 6.5. Tabel 6.5. Defaultværdier i Vissim ved fastlæggelse af konfliktområder. Trafik i frafart Som beskrevet i vejregelforslag for kapacitet og serviceniveau kan frakørende trafik i samme vejgren som den betragtede tilfart reducere tilfartens kapacitet i en rundkørsel. Dette skyldes, at de vigepligtige trafikanter tøver med at køre ind i rundkørslen, fordi de er usikre på, om den overordnede trafik fortsætter eller kører ud af frafarten. I Vissim er det med conflict areas i et vist omfang muligt at tage hensyn til denne effekt ved med parameteren Anticipate routes at angive en andel af sidevejstrafikanterne, som iagttager den overordnede trafiks rute. 6.6 Parametre for trafikafvikling i signalregulerede kryds Signalanlæg kan simuleres som tids- eller trafikstyrede anlæg og kan indgå i en samordning med andre signalanlæg. Generelt set gælder det, at ved opbygning af signalanlæg i en mikrosimuleringsmodel skal Vejregel for vejsiger følges. 56