AECOM
Flughafen Bristol
Oktober 2017 – September 2020
AUTONOMOUS POD
ON-DEMAND
AIMSUN RIDE
Für dieses Projekt hat das Modellierungsteam ein Modell des Flughafens Bristol entwickelt, um die Vorteile eines autonomen Pod-on-Demand (POD)-Shuttleservices zu demonstrieren und den Business Case zu beweisen, der über den bestehenden Shuttleservice auf dem Flughafengelände hinausgeht.
Für die Studie musste ein Modell des Flughafens Bristol von Grund auf neu erstellt werden, da kein vorheriges Basismodell oder Modellimport verfügbar war. Der Einzugsbereich des Modells umfasste 16 Hektar des Geländes, einschließlich des nördlichen „Premium“-Parkplatzes mit insgesamt 5.280 Parkplätzen. Die Zeitrahmen für den Fußweg vom Parkplatz zum Eingang des Terminals lagen zwischen 3 und 10 Minuten, je nachdem, wo du geparkt hast.
Die Studie zum Flughafen Bristol wurde im Rahmen des Capri-Projekts durchgeführt.
Capri war ein gemeinsames Forschungs- und Entwicklungsprojekt, das zur Unterstützung des frühen Marktes für vernetzte und autonome Fahrzeuge (CAVs) ins Leben gerufen wurde. Das Ziel von Capri war es, das Vertrauen der Fahrgäste, der Behörden und des Marktes in autonome Pods als praktische, sichere und erschwingliche Art des Reisens zu stärken. Capri war ein Pilotprojekt, das den Entwurf, die Entwicklung und das Testen von vernetzten und autonomen Pods umfasst.
Die Aufgabe von Aimsun in Capri bestand darin, die Simulation als Instrument zur Bewertung der Machbarkeit eines Pod-Dienstes vor der Einführung einzusetzen. Aimsun hat eine Methode zum Testen von Einsätzen in jeder Größenordnung entwickelt und kann durch Variation der Parameter eine optimierte Bereitstellung eines Systems anbieten.
Das ConOPTIUM™ Fleet Management System (FMS) von Congitial ist eine KI-Entscheidungsplattform, die in die Aimsun Ride Mobility-as-a-Service-Lösung integriert wurde, um optimierte Flotteneinsätze unter einer Vielzahl von Szenarien zu ermitteln. Die getestete Technologie optimierte den Service, indem sie die Anzahl der benötigten Gondeln und deren Betriebskosten minimierte und gleichzeitig den Nutzen für die Fahrgäste in Form von kürzeren und zuverlässigeren Reisezeiten maximierte.
Die Studie am Flughafen Bristol verfolgte drei Ziele: erstens die Integration der Conigital ConOPTIUM™ FMS KI-Entscheidungsplattform mit Aimsun Ride, zweitens die Optimierung der Flotte und drittens. um zu untersuchen, wie die Ergebnisse der optimierten Lösung einen Business Case für einen POD-Service an anderen Standorten unterstützen könnten.
Aimsun Ride wurde in die FMS-Optimierungssoftware von Conigital integriert, um die laufenden Kosten des vorgeschlagenen autonomen POD-Dienstes zu ermitteln.
Die Evaluierung ergab, dass ein rationalisierter Service die Anfangskosten senken würde, indem er die minimale Anzahl von PODs verwendet, die notwendig ist, um ein optimales Kundenerlebnis zu gewährleisten. Der Einsatz der Pre-Deployment-Tools lieferte genaue Daten, um einen soliden Business Case zu erstellen und die Investition zu rechtfertigen.
Die Simulationen boten auch eine klare Visualisierung der Funktionsweise des Systems für alle nicht-technischen Entscheidungsträger, die nicht alle Daten überprüfen wollten.
Das Team führte eine Bewertung mit einer Flotte von fünf Fahrzeugen durch, ohne dass der Service optimiert wurde. Die Simulationsergebnisse deuten darauf hin, dass der Rahmen (In: Mikroskopischer Rahmen) vor allem in Zeiträumen mit geringer Nachfrage reduziert werden kann. Durch die Optimierung des Dienstes mithilfe von Aimsun Ride und der Integration des FMS von Conigital konnte die Flottengröße für die Fälle mit geringer und mittlerer Nachfrage bei gleichem oder leicht besserem Service und kürzeren durchschnittlichen Fahrzeiten reduziert werden.
Bei der Studie für den Queen Elizabeth Olympic Park ging es vor allem darum, die Anzahl der Gondeln zu ermitteln, die benötigt werden, um ein angemessenes Serviceniveau zu gewährleisten.
Das Team untersuchte, wie die Ergebnisse der optimierten Lösung genutzt werden könnten, um einen Business Case für einen Pod-Service an anderen Standorten zu unterstützen.
TEILEN
Aimsun Next 23
Aimsun Next 20.0.5
Aimsun Next 23
@manual {AimsunManual,
title = {Aimsun Next 23 User's Manual},
author = {Aimsun},
edition = {Aimsun Next 23.0.0},
address = {Barcelona, Spain},
year = {2023. [Online]},
month = {Accessed on: Month, Day, Year},
url = {https://docs.aimsun.com/next/23.0.0/},
}
Aimsun Next 20.0.5
@manual {AimsunManual,
title = {Aimsun Next 20.0.5 User's Manual},
author = {Aimsun},
edition = {Aimsun Next 20.0.5},
address = {Barcelona, Spain},
year = {2021. [In software]},
month = {Accessed on: Month, Day, Year},
url = {qthelp://aimsun.com.aimsun.20.0/doc/UsersManual/Intro.html},
}
Aimsun Next 23
TY - COMP
T1 - Aimsun Next 23 User's Manual
A1 - Aimsun
ET - Aimsun Next Version 23.0.0
Y1 - 2023
Y2 - Accessed on: Month, Day, Year
CY - Barcelona, Spain
PB - Aimsun
UR - [In software]. Verfügbar: https://docs.aimsun.com/next/23.0.0/
Aimsun Next 20.0.5
TY - COMP
T1 - Aimsun Next 20.0.5 User's Manual
A1 - Aimsun
ET - Aimsun Next Version 20.0.5
Y1 - 2021
Y2 - Accessed on: Month, Day, Year
CY - Barcelona, Spanien
PB - Aimsun
UR - [In software]. Available: qthelp://aimsun.com.aimsun.20.0/doc/UsersManual/Intro.html
