Cómo codificar glorietas: parte 2
Diciembre 2019: Tessa Hayman explica cómo ajustar parámetros en glorietas para garantizar una calibración y comportamiento precisos en modelos dinámicos.
Por Tessa Hayman
Septiembre de 2021
En la modelización del tráfico, puede ser útil comparar la demanda de tráfico y el rendimiento a lo largo de una ruta: cuántas personas querrían hacer un viaje y cuántas pudieron realizarlo en un tiempo determinado. Es posible generar esta información en Aimsun Next, utilizando las características desarrolladas como parte del modelo híbrido macro-meso. En esta nota técnica, describiremos cómo generar ambos resultados y mostrarlos con un modo de vista para que puedas analizar dónde hay puntos de pellizco en tu red.
Para ello, compararemos los datos de un resultado mesoscópico y de un resultado macro-meso sin área meso, que nos darán el rendimiento y la demanda respectivamente para un escenario concreto.
Paso 1: Generar resultados de rendimiento
Para empezar, necesitas una simulación base para producir el rendimiento de cada sección. Puedes utilizar una simulación calibrada micro, meso o híbrida, ya que estos tipos de enfoques de carga de la red tienen restricciones de capacidad, por lo que su flujo de salida representa el rendimiento de cada sección. Para este ejemplo, crearemos un resultado incremental de DUE mesoscópico.
También tenemos que configurar los resultados para que incluyan un objeto de asignación de caminos, de modo que podamos cargar las mismas matrices OD en los mismos caminos, pero sin restricciones de capacidad, para obtener la demanda de cada sección.
Una vez configurado con tus parámetros preferidos en el experimento. Puedes ejecutar el resultado.
Paso 2: Plan de asignación de rutas
Ahora tienes que crear un plan de asignación de trayectorias, una característica introducida en Aimsun Next 20, para que puedas utilizar como entrada la asignación de trayectorias que acaba de producir la simulación base. Un plan de asignación de trayectorias es similar al objeto demanda de tráfico o plan maestro de control en el sentido de que puede contener un conjunto de asignaciones de trayectorias que podrían cambiar con el tiempo. En este caso, sólo utilizaremos una asignación de ruta en el plan de asignación de ruta. Asegúrate de que el tiempo del plan de asignación de trayectorias se alinea con tu periodo de modelización, incluyendo cualquier calentamiento.
Paso 3: Generar resultados de la demanda
Para generar los resultados de la demanda, utilizaremos la parte de carga de la macro red del modelo híbrido macro-meso. En el modelo híbrido, la zona macroscópica se modela mediante vehículos individuales que se generan dinámicamente con el tiempo de viaje calculado mediante funciones de retardo sin restricción de capacidad, medición de flujo o bloqueo. Esto significa que podemos ver cómo cambia la demanda en un cruce concreto a lo largo del tiempo, dado el supuesto de que todos los vehículos pueden completar su viaje.
Es posible ejecutar un macro-meso híbrido sin especificar un área de meso. Al hacer esto, si el cálculo del tiempo de viaje no introduce ningún retraso (tiempo de viaje instantáneo o de flujo libre), el flujo de salida representa una demanda, ya que no hay ninguna restricción de capacidad en ninguna parte de la red.
Empieza creando un nuevo escenario dinámico con la misma demanda, plan de control y plan de transporte público que el escenario de rendimiento. Además de esto, añade el plan de asignación de rutas que creamos en el paso 2.
A continuación, para este escenario, crea un nuevo experimento híbrido macro-meso que utilice la elección estocástica de la ruta.
Utilizaremos la elección estocástica de rutas para la asignación, de modo que podamos especificar que el 100% de las rutas siguen la asignación de rutas generada por el resultado del equilibrio dinámico del usuario del paso 1.
Para el experimento, especifica el mismo calentamiento, anulaciones de atributos, llegadas y gestión del tráfico que tenías en el paso 1. En la pestaña de asignación dinámica de tráfico, comprueba que el 100% de los vehículos siguen la Asignación de la Ruta de Entrada.
Para obtener el resultado de la demanda, debemos establecer que el macrotiempo de viaje sea instantáneo o de flujo libre. Para este ejemplo, utilizaremos el tiempo de viaje instantáneo. Esto se establece en la pestaña de híbridos de tu experimento.
Nota: Si quieres utilizar el tiempo de viaje de flujo libre para obtener una demanda dinámica más precisa, debes establecer el VDF y el TPF como tiempo de viaje de flujo libre para todos tus tramos y giros, y mantener esta casilla sin marcar y, en su lugar, seleccionar el coste total del VDF/TPF/JDF.
Ahora tienes que crear una réplica para este experimento. Asegúrate de que tu semilla aleatoria es la misma que tu resultado en el paso 1, para que las llegadas y la demanda de tráfico generadas sean las mismas.
Ejecuta tu replicación.
Paso 4: Comparar
Ahora puedes comparar la demanda y el rendimiento en cualquier enlace utilizando el Viewer de series temporales. En la mayoría de los modelos deberías ver que la demanda tiene una forma más triangular que el rendimiento.
También puedes verlo mediante un modo de visualización generado por la herramienta de comparación de datos.
Ve a Análisis de Datos > Comparación de Datos y selecciona los resultados de rendimiento y demanda y los recuentos de secciones.
Haz clic para comparar. Esto crea una tabla de resultados, un gráfico de dispersión y un modo de visualización. Ahora puedes ver en la vista dónde es mayor el rendimiento o la demanda. En la mayoría de los modelos, deberías ver que la demanda es mayor en el periodo congestionado del periodo modelado y luego, a medida que la congestión se disipa, el rendimiento superará la demanda.
Nota: Una vez que hayas creado una comparación, puedes utilizarla para hacer otros modos o estilos de vista; por ejemplo, para mostrar la diferencia entre la demanda y el rendimiento como una etiqueta.
Diciembre 2019: Tessa Hayman explica cómo ajustar parámetros en glorietas para garantizar una calibración y comportamiento precisos en modelos dinámicos.
Agosto de 2020: Tessa Hayman explica la simulación híbrida macro-meso en Aimsun Next 20 y cómo puede unir lo mejor de la macro y la meso para permitir la modelización a escala regional.
SHARE
Aimsun Next 23
Aimsun Next 20.0.5
Aimsun Next 23
@manual {AimsunManual,
título = {Aimsun Next 23 User’s Manual},
autor = {Aimsun},
edición = {Aimsun Next 23.0.0},
domicilio = {Barcelona, Spain},
año = {2023. [Online]},
mes = {Accessed on: Month, Day, Year},
url = {https://docs.aimsun.com/next/23.0.0/},
}
Aimsun Next 20.0.5
@manual {AimsunManual,
título = {Aimsun Next 20.0.5 User’s Manual},
autor = {Aimsun},
edición = {Aimsun Next 20.0.5},
domicilio = {Barcelona, Spain},
año = {2021. [En software]},
mes = {Accessed on: Month, Day, Year},
url = {qthelp://aimsun.com.aimsun.20.0/doc/UsersManual/Intro.html},
}
Aimsun Next 23
TY – COMP
T1 – Manual del usuario de Aimsun Next 23
A1 – Aimsun
ET – Aimsun Next Version 23.0.0
Y1 – 2023
Y2 – Acceso: Mes, Día, Año
CY – Barcelona, España
PB – Aimsun
UR – [En software]. Disponible en: https://docs.aimsun.com/next/23.0.0/
Aimsun Next 20.0.5
TY – COMP
T1 – Manual del usuario de Aimsun Next 20.0.5
A1 – Aimsun
ET – Aimsun Next Version 20.0.5
Y1 – 2021
Y2 – Acceso: Mes, Día, Año
CY – Barcelona, España
PB – Aimsun
UR – [In software]. Available: qthelp://aimsun.com.aimsun.20.0/doc/UsersManual/Intro.html
