주요 인프라 실패 후 교통 Redistribution의 시뮬레이션

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

교통 Redistribution 이해

교통 적대는 도로 네트워크 내에서 대체 경로에 방해 또는 폐쇄 시설에서 차량 이동을 통해 동적 프로세스입니다. 현상은 여러 개 독립 요소에 의해 지배됩니다 :

네트워크 토폴로지 – 변속 경로의 밀도를 포함하여 도로의 물리적 레이아웃, 동맥 병렬 수집가의 용량, 단일 레인 브리지 또는 원형과 같은 chokepoints의 존재.
Traffic volume and demand pattern] – 피크 시간 통근 흐름은 오프-peak 또는화물 트래픽에서 다르게 행동한다.
운전 행동과 경로 선택 – 실패 후, 운전자는 개인 경험, 볼 수 있는 혼잡, 또는 실시간 내비게이션 앱을 통해 어디로 갈 것인지 결정합니다. 일부는 다시 열리기를 위해 배치 할 수 있지만 다른 사람들이 공격적으로 탈취를 할 수 있습니다.
정보의 가용성 – 트래픽 경고, 동적 메시지 표시의 속도와 정확성, 모바일 앱은 신속하게 트래픽 배포에 얼마나 크게 영향을 미치는지에 크게 영향을 다시 올리는.
강화 및 제어 측정 – 임시 교통 신호, 경찰 방향, 또는 장벽 배치는 자연 운전자의 점향을 무시할 수 있습니다.

이러한 요인에 대한 철저한 이해는 모델러가 실제 적색 패턴을 재현하고 "what‐if" 시나리오를 테스트하는 데 도움이되는 시뮬레이션을 구축 할 수 있습니다.

교통 Redistribution에 대한 시뮬레이션 방법론

교통 시뮬레이션 모델은 세부 사항의 스펙트럼에 따라 떨어졌습니다. 방법론의 선택은 연구 영역의 규모에 따라 사용 가능한 데이터 및 인프라 실패에 대해 묻는 특정 질문입니다.

Microscopic 모형

Microscopic 모델은 하위 두 번째 해상도에서 각 개별 차량의 동작을 시뮬레이션합니다. 그들은 차 ‐following 규칙 (예 : 지능형 드라이버 모델), lane‐changing 논리, 교차로에서 간격 수용, 드라이버 이진성을 통합합니다. [[FLT :0]]SUMO[FLT :1]], [[FLT :2]]Aimsun Next[FLT :3] 및 [[FLT : 4] [[FLT :]]]] [FLT :]]]]의 충돌이 얼마나 큰 문제인지, .

Macroscopic 모형

이 모델은 콤비네이션 변수에 의해 설명된 연속 흐름으로 트래픽을 처리합니다. 밀도, 흐름, 속도. Lighthill‐Whitham‐Richards (LWR) 이론과 세포 전송 모델 (CTM)은 일반적인 기초입니다. 이 모델은 대도시 네트워크 검열에 빠르며, 예를 들어, 동맥이 오프라인으로 진행되는 경우 용량을 초과할 것으로 예상됩니다. 다운사이드는 개별 드라이버 결정 또는 하위 리틀을 나타내는 것은 실제적인 행동에 의해 결정되는 것입니다.

Mesoscopic 모형

Mesoscopic 모델은 패킷을 그룹화하거나 집단화하여 간격을 브릿지로 옮기고 여전히 개별 경로 선택과 네트워크 상호 작용을 모델링하면서 집단화의 높은 수준에서 이동할 수 있습니다. 그들은 계산 속도와 행동 현실주의 사이에서 좋은 균형을 제공합니다. Mesoscopic 시뮬레이션은 특히 실패 후 첫 시간 시뮬레이션에 유용합니다. 자세한 micro-level 결정이 중요하기 전에. PTV Visum 및 DYQucor (NASO)와 같은 플랫폼은 DYQucor (NASO)에 있습니다.

많은 현대 교통 관리 센터는 하이브리드 접근 방식을 사용합니다. 실패 사이트의 즉각적인 주변을 위해 지역 네트워크 및 현미경에 대한 mesoscopic.

데이터 요구 사항 및 모델 교정

정확한 시뮬레이션은 높은 품질의 입력 데이터와 엄격한 교정에 따라 다릅니다. 주요 데이터 소스는 다음과 같습니다.

효율적인 교통수단] inductive 루프 감지기, 레이다 및 공압 튜브에서 기본 수요를 설정합니다.
Real‐time GPS probe data 내비게이션 앱(예: Google Maps, Waze) 및 함대 추적을 통해 즉석 속도와 경로 선택 캡처.
Incident logs 이전 실패에서 모델 예측을 검증하는 (예를 들어, 얼마나 오래 실제 브리지 폐쇄 후 혼잡 했습니까?).
네트워크 기하학 및 신호 타이밍을 시뮬레이션 환경에 공급합니다.

캘리브레이션은 모델의 출력 일치를 정상적인 및 스트레스 조건 하에서 관찰 된 트래픽 패턴을 모델의 출력 일치를 하게하는 무료 흐름 속도, 포화 흐름율 및 드라이버 공격과 같은 모델 매개 변수를 조정하는 것을 포함합니다. 잘 조정 된 모델은 그 때 자신감을 가진 실패 시나리오를 시뮬레이션하는 데 사용될 수 있습니다. 캘리브레이션 없이, 정확한 용량 제약에 따라 적색 예측을 위해 특히, 가장 중요한 결과 위험이 있습니다.

사례 연구: 주요 교량 붕괴를 시뮬레이션

1 차적인 강이 교차하는 800,000의 인구를 가진 중형 도시를 고려하십시오 일 당 120,000의 차량을 나르는 4개의 lane 교량입니다. 8:15에 교량의 중앙 경간의 급격한 붕괴는 2에 있는 도시를 효과적으로 반전합니다. 다음 단계는 가장 지원 응답 계획이 어떻게 설명합니다:

Initial 충격: 분 안에, 접근 도로가 뒤로 또는 큐를 돌려고 차량으로 고정됩니다. 마이크로스 임레이션은 다리에서 유출하는 것을 발견하는 것은 3개의 중요한 교차로가 잠그는 원인이 됩니다.
동역학:광경 모델링은 두 개의 다운스트림 아트리얼만이 충분한 예비 능력을 가지고 있어 신호 타이밍 조정을 필요로 합니다. 개입 없이 15분 지연은 90분 지연이 됩니다.
Mitigation testing: mesoscopic model is used to test three Strategy: (a) synchronizing traffic lights on the alternate routes, (b) deploying police to 수동으로 긴요한 접합에 트래픽을 직접 전달하는, (c) 역방향 차선의 네트워크를 활성화. 시뮬레이션은 전략을 보여줍니다 (a) 40%에 의해 네트워크 ‐wide 평균 지연을 감소, (c)는 병에 묶인 채식으로 돌아 가기 때문에 감소 반환을 제공합니다.
연결 차량과의 조화: 30% 차량 통합을 위한 시나리오 ‐에프티프티렉트는 실제 재순환이 25% 감소한 피크 혼잡을 감소시키고, 차량이 그 전에 로드된 링크에서 멀리 가이드됩니다.

이러한 통찰력은 트래픽 관리 당국이 맹렬하게 반응하는 것보다 가장 큰 영향을 미칠 수있는 정확한 위치에 리소스를 동기 부여 할 수 있습니다.

고급 고려 사항 : 피드백, 적응 및 탄력

디지털 트윈과 같은 에너지 기술은 라이브, 지속적으로 업데이트 된 시뮬레이션은 실시간 데이터 오프러를 최신 상태로 미러링합니다. 이 시스템은 실시간 트래픽 데이터를 주입하고 즉시 새로운 실패의 적대 효과를 시뮬레이션 할 수 있으며, 초에 트래픽 제어 시스템에 대한 권고를 밀어줍니다. 여전히 초기 채택에서 디지털 트윈은 오프라인 계획에서 실시간 작동 모델링으로 이동을 나타냅니다.

교통의 장점과 한계 Simulation

주요 실패가 잘 설립 된 후 트래픽 적대의 이점 :

Proactive response Planning – Authorities는 시뮬레이션 결과에 따라 사전 설계, 사전 배치 표시 및 훈련 인력을 할 수 있습니다.
축합 혼잡 – 최적의 신호 타이밍 및 재순환은 전체 지연 및 연료 소비를 감소시킵니다.
안전] – 위험 유출 조건을 식별함으로써, 시뮬레이션은 이차 충돌을 방지합니다.
Infrastructure 우선 – 도시는 가장 취약한 링크들을 강화하기 위해 제한된 자금을 할당할 수 있습니다.

그러나 시뮬레이션은 제한이 없습니다. 모델은 약화입니다. 그들은 고속도로의 반대쪽에 고무 넥타이 (예 : 고속도로의 반대쪽)에 몰입하지 못합니다. 구경측정은 작은 도로에 존재하지 않을 수 있는 좋은 데이터가 필요합니다. 그리고 차오에서 즉시 주요 실패 (불, 파편, 경찰 코슨)를 따르는 데 실패한 것으로 추정됩니다. 가장 좋은 연습은 결정적인 ‐ 지원으로 시뮬레이션을 사용하도록 결정하고, 이는 실제 조정 및 모니터링과 비교하여 결정적인 도구보다 훨씬 더 효과적입니다.