Køretider, belastningsgrader og forsinkelser i kryds beregnet ud fra Floating Car Data

Transkript

1 Køretider, belastningsgrader og forsinkelser i kryds beregnet ud fra Floating Car Data Kristian Torp [email protected] Institut for Datalogi Aalborg Universitet Harry Lahrmann [email protected] Trafikforskningsgruppen Aalborg Universitet Introduktion Kortlægning af belastningsgrader og forsinkelser i vejnettet er traditionelt blevet beregnet vha. enten empiriske formler, analytiske formler eller mikrosimulering. Ved alle metoder er input snit og krydstællinger. I Danmark anvendes traditionelt enten det af Vejdirektoratet udviklede program Dankap [1] eller mikrosimuleringsprogrammet VISSIM [2] til beregning af belastningsgrader og forsinkelser. Dankap er opbygget vha. såvel empiriske som analytiske formler. I de senere år har Floating Car Data (FCD) imidlertid givet nye muligheder beregning af køretider i vejnettet og dermed også for beregning af belastningsgrader og forsinkelser. FCD en betegnelse for data, der tracker en bil i bevægelse, data til trackningen kommer ofte fra en GPS modtager i bilen, der hvert sekund beregner og logger bilens position, kurs og hastighed. Brugen af FCD trafikteknikken giver mange nye muligheder, men også en lang række problemer. Med traditionelle tællinger og målinger har vi meget detaljerede målinger af fx antal og hastighed i enkeltpunkter i vejnettet, til gengæld har vi reelt ingen viden så snart vi er få meter væk fra målepunktet. Med FCD er situationen omvendt, vi har detaljeret viden om enkelt bilers adfærd på hele vejnettet, men til gengæld har vi kun viden om en lille stikprøve af de biler, der færdes på vejen. Så hvor udfordringen ved de traditionelle punktmålinger har været ud fra målinger i enkeltpunkter at vurdere, hvordan trafikken opfører sig udenfor punkterne, er udfordringen ved FDC at finde metoder til at generalisere ud fra registreringerne af enkelt bilers adfærd. [3][4][5][6][7][8]. Figur 1 viser FCD fra 60 biler i en 2 måneders periode for en del af Aalborg, men hvordan omsættes disse logninger til køretider på foruddefinerede segmenter af vejnettet?

2 Figur 1 FCD for 60 biler i to måneder i Aalborg I denne artikel vil vi præsentere en metode, hvor nøjagtige køretider i et signalreguleret kryds kan beregnes ved hjælp af FCD. I artiklen præsenteres to konkrete eksempler på svingtider i lyskryds. Herudover estimeres det, hvor meget GPS data, det er nødvendigt at have for at få et retvisende billede af køretider og med hvilken frekvens disse GPS data skal være registeret. Metode Metoden til at beregne køretider i et lyskryds er vist nedenfor i Figur 2. Som det kan ses, er der for et firbenet kryds defineret fire indpunkter (grønne stedmarkører) og fire udpunkter (røde stedmarkører).

3 Figur 2: Ideen i svingtidsbergeninger Billede er fra Google Earth. Hovedideen i at beregne køretider er simpel: Det er at finde tidspunktet, hvornår et køretøj passerer et indpunkt og senere passerer et udpunkt. Tidsrummet fra passeringen af indpunkt til passeringen af udpunktet er køretiden for én enkelt tur. Dette gøres for alle ture igennem det samme kryds og data aggregeres for at finde generelle køretider for de enkelte rutesegmenter igennem krydset. Opdeles køretiderne efter tidspunkt kan forsinkelse og belastningsgrader findes. Antages det fx at ture udført efter kl om aftenen og før kl om morgenen ikke at være forsinket af anden trafik kan en såkaldt free flow time beregnes. Denne tid kan herefter sættes i forhold til køretiden i fx morgenspidstimen, hvorved belastningsgraden i denne time kendes. Kendes trafiktallene for krydset kan også den samlede trængselsbetingede forsinkelse beregnes. I et kryds med fire ben er der total 12 køretider, som vist i Tabel 1. Her viser f.eks. at køre tiden fra øst indpunktet til syd udpunktet er 33 sekunder. Til/fra Nord Syd Øst Vest Nord Syd Øst Vest Tabel 1: Opsummering af resultat for et enkelt kryds alle tal er i sekunder Tabellen ovenfor giver de gennemsnitlige køretider for et kryds over et døgn. I Figur 3 er vist variationen over døgnet i køretiden igennem krydset for en enkelt af tabel 1 s 12 retninger, nemlig retningen fra øst til syd.

4 Figur 3: Svingtider øst til syd Som det fremgår af figuren, er der kun få observationer mellem kl. 0:00 og kl. 6:30. Der er i morgen spidskvarteret en svingtid kl. 7:45 på over 70 sekunder. Tilsvarende er der en svingtid i eftermiddags omkring kl. 16:00 på cirka 62 sekunder. Udenfor myldertiden ligger svingtiderne på cirka 40 sekunder. Der er i alt 261 observationer af sving fra øst til syd. Datagrundlag Det er et krav for at kunne beregne køretiderne at minimum følgende data er tilgængelig for hver GPS måling: Lændge og breddegrader Tidspunkt Køretøjs ID Det specielle her er, at køretøjs ID skal være tilgængeligt. Dette er nødvendigt for at kunne identificere en tur. I dette paper er anvendt data fra projekt Spar På Farten.[9] [10] Projekt Spar på Farten er et forskningsprojekt omkring Intelligent Farttilpasning, hvor 180 bilister i gennemsnit i 1,5 år har kørt med et GPS udstyr. Dette har givet NNN mio. GPS logninger, som opfylder ovenstående krav til data.

5 Udforderinger Afsnittene ovenover har præsenteret metoden og kort resultaterne uden at fokusere på udfordringerne i at anvende metode. Hovedudfordringerne er følgende GPS data har en vis usikkerhed, dette kan gøre den såkaldte mapmaching kompliceret, altså at tilknytte den enkelte GPS logning til det rigtige rutesegment. Dette er specielt et problem i kryds, fordi der her netop er flere veje at vælge imellem indenfor en lille radius. I den fulde artikel vil vi forklar konkret, hvordan denne udfordring kan klares. Bilister opfører sig ikke som forventet. Som et eksempel: En bilist ønsker at lave et venstre sving, men fordi der her er kø, vælger bilisten i stedet for først at dreje til højre lave en U vendingen og køre lige over i det samme kryds. Denne manøvre må ikke tælle med som et venstre sving, men skal medtages som to komponenter, et højre sving efterfulgt at en ligeud passering af krydset. På én tur kan et køretøj passerer det samme kryds mere end en gang. Her er udfordringen at sikre, at køretiden igennem rutesegmentet beregnes rigtigt, og ikke fx at indtiden tages fra første kørsel igennem krydset og udtiden fra anden gennemkørsel Valideringen af resultaterne er et problem. Referencer [1] Kapacitet og Serviceniveau, vejregelforslag, Vejdirektoratet, 2008 [2) set den 20. marts 2009 [3] Skov, Mcihael, K; Flådedata og fremkommelighed / trængsel; Trafikdage på Aalborg Universitet, 2007 [4] Holmstrøm, Charlotte; Foller, Jens; GPS pilotprojekt, Trafikdage på Aalborg Universitet, 2007 [5]J. Holm og J. Foller. GPS pilotprojekt. Trafikdage 2008 [6] Nielsen, Otto Anker; ANALYSE AF TRÆNGSEL OG HASTIGHEDER V.H.A. GPS DATA, Trafikdage på Aalborg Universitet, [7] O. A. Nielsen og C.H. Hansen. Updating trip matrices for Copenhagen using multiple data sources. Trafikdage [8] D. Pfoser, N. Tryfona, og A. Voisard. Dynamic Travel Time Maps Enabling Efficient Navigation. Proceedings of SSDBM 2006: [9] besøgt den 20. marts 2009[HF08] [10] H. Lahrmann, N. Agerholm. N. Tradisauskas1, J. Juhl og L.Harms; Spar på Farten et forsøg med Intelligent Farttilpasning baseret på incitament (forsikringsrabat). Trafikdage 2007.