Konsistenzprüfung von empirischen Datensätzen

Technische Mitteilung #46

Januar 2020
Von Emmanuel Bert

Emmanuel Bert beschreibt, wie die Konsistenzprüfung empirischer Datensätze Sie bei Ihren Kalibrierungs- und Validierungsaufgaben unterstützen kann.

Warum


Die Möglichkeit, empirische Datensätze in Aimsun Next zu erstellen und zu importieren, ist sehr hilfreich für Kalibrierungs- und Validierungsaufgaben. Da das Ziel eines Modells darin besteht, die Realität so genau wie möglich abzubilden, können Sie mit dem RDS-Checker empirische Verkehrsdaten in das Modell importieren, um direkte Vergleiche anzustellen und interne Parameter an diese Werte anzupassen.

Empirische Datensätze sind wesentliche Elemente eines Aimsun Next-Modells. In einigen Fällen ist die Qualität der vom Client oder anderen Datenquellen bereitgestellten Daten jedoch alles andere als optimal und kann Lücken und Inkonsistenzen aufweisen, die oft schwer zu erkennen sind, insbesondere in einem umfangreichen, komplexen Netzwerk mit einer Vielzahl von Detektoren.

Darüber hinaus lassen sich bei der Verwendung mehrerer Datenquellen sehr wahrscheinlich Abweichungen beobachten, so dass Sie sicherstellen müssen, dass die verschiedenen Datenquellen hinsichtlich Datentyp und Datum sowie Uhrzeit zusammenpassen.

Der Versuch, ein Modell basierend auf einem empirischen Datensatz mit inkonsistenten Verkehrsdaten zu kalibrieren, macht den Prozess natürlich schwieriger, fehleranfälliger und bisweilen sogar unmöglich – Sie können beispielsweise nicht zwei inkonsistente Nachfragewerte auf derselben Strecke miteinander in Einklang bringen.

Wozu


Die Konsistenzprüfung empirischer Datensätze wurde als Fast-Track-Funktion in Aimsun Next 8.4.1 eingeführt. Mit diesem Tool lassen mehrere Konsistenzprüfungen anhand der Verkehrsstärke, Geschwindigkeit und (sofern zutreffend) Belegung von Detektoren oder Detektorstationen durchführen.

Individuelle Konsistenz:
  • Datenprüfung: Erkennung von „NaNs“, fehlender, negativer oder fehlerhafter Daten (z. B. Detektorbelegung > 100).
  • „Min Excess of Measured Speed vs Speed Limit“: Konsistenz der Geschwindigkeitsdaten.
  • „Min Excess of Measured Flow vs Capacity“: Konsistenz zwischen den empirischen Verkehrsstärken und den im Modell definierten Streckenkapazitäten.


Überlastungskonsistenz: Sobald diese beiden Kriterien gleichzeitig erfüllt sind, erscheint eine Meldung zur Überlastungskonsistenz:

  • „Min Occupancy to Identify Congestion“: Grenzwert der Detektorbelegung, ab der ein Stau erkannt wird.
  • „Max Flow to Identify Congestion“: Grenzwert der Verkehrsstärke, ab der ein Stau erkannt wird.


Räumliche Konsistenz (Zählwert oder Verkehrsstärke): Der Algorithmus überprüft die Differenz zwischen zwei Messpunkten, zwischen denen keine Verkehrsstörungen vorliegen (kein Ein-/Ausfädeln, keine Bezirksanbindungen), oder unterschiedliche Zu- und Abflüsse im Knoten und wendet die folgenden Kriterien an:

  • „Min Flow Value to Check Consistency“: Mindestverkehrsstärke, die berücksichtigt werden soll, um unerwünschte Detektionen bei geringen Verkehrsstärken zu vermeiden .
  • „Max Distance to Check Consistency“: Objektabstand, der berücksichtigt werden soll.
  • „Min Flow Difference to Report Inconsistency“: akzeptable Differenz zwischen abweichenden Werten.


Was zu beachten ist:

  • Ermitteln Sie die mögliche Verkehrsstromdifferenz anhand der Entfernung zwischen den Messpunkten, indem Sie die ungefähre Aufstellkapazität berechnen.
  • Wenn der Datensatz einem Teilwert entspricht (d. h. es werden nicht alle Fahrstreifen der Strecke abdeckt), werden Daten über die fehlenden Fahrstreifen in einem Bereich von 50 m gesucht. Werden keine Daten gefunden, wird dieser Datensatz nicht auf seine räumliche Konsistenz überprüft.

Weitere Informationen zu diesen Parametern finden Sie im Benutzerhandbuch: qthelp://aimsun.com.aimsun.8.4/doc/UsersManual/RealDataSetEditing.html#checking_real_data_consistency.

Wie


Nachdem Sie den empirischen Datensatz im Projekt-Menü definiert haben, wählen Sie die Option „Retrieve & Check“ aus:
Nachdem Sie den realen Datensatz im Menü Projekt definiert haben, wählen Sie Abrufen &

Ändern Sie auf der Registerkarte „Consistency Parameters“ die Kriterien für die Datenkonsistenzprüfungen:

Ändern Sie auf der Registerkarte Konsistenzparameter die Kriterien für Datenkonsistenzprüfungen

Klicken Sie auf die auf „Check“, um auf der Registerkarte „Results“ eine Liste mit den gefundenen Inkonsistenzen zu generieren.

Für eine Überprüfung mit unterschiedlichen Zeitaggregationen stellen Sie einfach den empirischen Datensatz mit einer anderen Zeitaggregation wieder her, bevor Sie die Prüfung durchführen.

Ausgabe


Auf der Registerkarte „Results“ wird die Liste der Konsistenzmeldungen für den abgerufenen empirischen Datensatz angezeigt:

Auf der Registerkarte Ergebnisse sehen Sie die Liste der Konsistenzmeldungen basierend auf dem

Beispielmeldungen für die individuelle Konsistenz: Diese Meldungen enthalten die Zeilennummer, ein Warnsymbol, die Art der Prüfung (Konsistenztyp), den Detektor, die Uhrzeit des Datensatzes und den Meldungstext.

Beispiel für Meldungen zur individuellen Konsistenz

Beispielmeldungen zur räumlichen Konsistenz: Die folgende Meldung zeigt eine Inkonsistenz zwischen 2 Detektoren, zwischen denen keine Verkehrsstörungen vorliegen:

Beispiel für Meldungen zur räumlichen Konsistenz

Und zuletzt zwei Beispielmeldungen für Konsistenzprobleme bei einem Knoten:

Konsistenzprobleme für einen Knoten