haku: @instructor Kosonen, Iisakki / yhteensä: 16
viite: 12 / 16
| Tekijä: | Mattila, Heli |
| Työn nimi: | Linkkikohtaisen liikennetilanteen ajantasainen arviointi |
| Real-time estimation of traffic conditions on road sections | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2004 |
| Sivut: | 143 Kieli: fin |
| Koulu/Laitos/Osasto: | Rakennus- ja ympäristötekniikan osasto |
| Oppiaine: | Liikennetekniikka (Yhd-71) |
| Valvoja: | Luttinen, Tapio |
| Ohjaaja: | Kosonen, Iisakki |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto | Arkisto |
| Tiivistelmä (fin): | Tämän työn tavoitteena oli selvittää, mitä menetelmiä voidaan käyttää liikennetilanteen eli liikenteen sujuvuuden arviointiin, kun lähtötiedon määrä ja laatu vaihtelee. Menetelmiin perehdyttiin kirjallisuustutkimuksessa ja muutamia menetelmiä tarkasteltiin laboratorio-olosuhteissa simuloidulla liikenteellä. Liikennetilannetta kuvaavaksi suureeksi valittiin matkanopeus. Liikenteen seurannan perustan muodostavat induktiosilmukkailmaiset, jotka tuottavat tietoa liikennemäärästä, pistenopeudesta, ajoneuvotyyppistä ja ilmaisimen varausasteesta. Tiehallinnon nykyisin Internetissä antama liikennetilannetiedotus perustuu pistenopeuksiin. Pistetietojen lisäksi liikennetilanteen arvioinnissa voidaan käyttää tietoa matka-ajoista, säästä ja kelistä, mahdollisista onnettomuuksista tai tietöistä, liikennevaloista saatavia tietoja sekä historiatietoja. Kirjallisuustutkimuksessa tarkastellut menetelmät luokiteltiin pistemittausta hyödyntäviin menetelmiin, liikennevirtamalleihin, tilastollisiin menetelmiin, datafuusiomenetelmiin, mikrosimulointiin ja dynaamiseen sijoitteluun. Tarkemmin perehdyttiin pistemittauksen hyödyntämiseen ja datafuusiomenetelmiin. Simuloitu liikenne tuotettiin Hutsim-mikrosimulointiohjelmalla. Tutkimukseen valittiin neljä eri menetelmää. Pelkkää pistenopeutta käyttäviä menetelmiä oli kaksi, joista ensimmäinen perustui linkin keskellä mitattuun ja toinen linkin päissä mitattuihin pistenopeuksiin. Lisäksi tarkasteltiin yksinkertaista jatkuvuusyhtälöön ja liikennevirran perusyhtälöön perustuvaa liikennevirtamallia ja radiaalikantafunktioneuroverkkoja, joiden syötteinä käytettiin pistemittaustietoa ja matka-aikamittausta. Liikennevirtamalli tuotti varsin hyviä matkanopeusestimaatteja lähes kaikissa tilanteissa, mutta oli erittäin herkkä ilmaisinvirheille. Ilmaisinvirheiden vaikutuksen poistamiseksi kokeiltiin kahta eri pistemittaukseen perustuvaa tekniikkaa. Virhe korjautui kohtuullisen hyvin, kun liikennetilanne linkillä oli tarpeeksi homogeeninen. Neuroverkot estimoivat liikennetilanteen hyvin, kun opetus on onnistunut ja syötteet valittu hyvin. Pistenopeusmallit pärjäsivät hyvin silloin, kun liikennetilanne linkillä oli homogeeninen. Kaikkien menetelmien oli vaikeinta estimoida matkanopeutta tilanteissa, joissa linkillä oli häiriö. Luotettavien liikennetilannearvioiden saamiseksi Suomessa tarvittaisiin nykyistä tiheämpää liikenteen seurantaa. Liikennetilannearvioita voidaan kuitenkin parantaa nykyiselläkin seurantatiedolla yhdistämällä erityyppistä lähtötietoa datafuusiomenetelmillä. Asiantuntijajärjestelmien hyödyntämistä liikennetilannearvioinnissa olisi hyvä tutkia. |
| Tiivistelmä (eng): | The purpose of this master's thesis was to examine what kind of methods can be used to estimate the traffic conditions based on information from one or several data sources. The accuracy and the quantity of information were taken into account. Methods were studied in a literary research and some of them were tested using simulated data. Travel speed was chosen as a measure to describe the traffic fluency. The most commonly used traffic monitoring method is point measurement by inductive loop detectors. They enable measurement of traffic volume, point speed, vehicle type and occupancy. Traffic fluency information given in the Internet is based on point speeds only. Travel time monitoring, knowledge about weather and road conditions, information about incidents, data from traffic signals and historical data can be used in addition to point measurement data as input for traffic fluency estimation. The methods studied in literary research were classified in six groups: methods using only point data, traffic flow models, statistical models, data fusion, simulation and dynamic traffic assignment. Four methods were tested with the micro simulator Hutsim. Two of the methods were based only on point speed. The first of them presumes the speed measured at the middle of the road section to describe the travel speed. The second model used point speeds measured at both ends of the road section. The third model was a simple traffic flow model, based on continuity equation and the fundamental equation of traffic flow. The fourth method was a radial basis neural network. Input data of the network included both point measurements and travel time data. The results of traffic flow model were in general very good, but the model was very sensitive to measurement errors. Two different methods to correct the error were tested. They produced good results when traffic conditions on a road section were homogeneous enough. Neural networks produce good travel speed estimates after a successful training process. Models based on point speed estimate the travel speed well when the situation on a road section is homogenous. All of the methods have difficulties to handle cases with incidents. Reliable traffic fluency estimates require more traffic monitoring than is available today. However, based on the simulation study it can be said that even with present monitoring points, the fusion of several data sources seems to lead to a better result than just using point·speeds as estimates of travel speeds. The use of expert systems in estimating the traffic fluency could be studied. |
| ED: | 2004-02-20 |
INSSI tietueen numero: 21195
+ lisää koriin
INSSI