文摘
介绍一项研究给洞察大小的改进是可能的与个别车内路由建议根据实际交通状况来自浮动车数据(FCD)。它也给出了一个关于所需普及率的浮动车数据需要达到一定程度的改善。研究使用真正的回路探测器数据从阿姆斯特丹的地区收集一年多来,路线为车内路由建议生成算法,模拟浮动车数据生成路由的建议。车内路由的情况建议已经基本情况相比,在司机基地他们的路由决策网络中平均旅行时间的知识。总延迟使用车载系统的改善依赖于普及率和浮动车数据和精度从2.0%变化到3.4% 10%的普及率。这导致每年节省约1500万欧元,如果延迟是monetarised使用标准价格的时间价值(嗓音起始时间)。
1。介绍
通过路由单个车辆,也可能很明显,个人旅行时间和网络总旅行时间可以改善。与最近的技术,个人可以确定路由的建议并呈现给个人汽车司机,通过使用车载设备。这个路由建议可以根据实时交通数据,例如,浮动车数据生成的其他司机使用相同的服务,由经验丰富的旅行时间。最近,几个飞行员执行的“实用试验阿姆斯特丹”测试这样一个服务(1,2在荷兰。然而,相对较小的执行和遵守率给小洞察大规模实现的潜在影响,因为路径选择的影响可能会积极影响旅行时间由于更好地利用可用容量,但只有当足够多的司机将会改变他们的路线。
为了能够确定一个好的路由建议基于当前交通状况,足够的知识,这种情况下是必要的。特别是在的情况不再发生的,意想不到的事件,如车祸、路由缩短旅行时间非常有用的建议。然而,为了检测这样一个意想不到的事件,充分和实时交通测量需要。荷兰高速公路交通的测量回路探测器是可用的和良好的质量,但是更少的流量测量可用于城市网络。对于那些网络浮动车数据可以作为额外的来源。然而,这引发了某些问题。例如,应该是数量和质量的FCD为了能够确定一个适当的路由建议吗?,这可能是路由的改进建议,为个体司机和网络作为一个整体?本文试图回答这些问题。首先给出了研究方法; then the importance of determining the relation between quality of traffic data and the performance of a traffic management measure is explained. Next, the underlying data and the smart routing algorithm are described, after which the results are presented. Finally, the research questions are answered, conclusions are drawn, and recommendations for further research are given.
2。确定交通数据的质量之间的关系的重要性和交通管理的性能
交通管理措施设计的(潜在的)假设一个完美的交通数据,交通管理系统的使用操作。然而,由于在现实中交通数据从来都不是完美的,交通管理措施将不执行优化。但是效果可以实现与这些不准确或不完整的数据,它不同于“最优”的情况通常是未知的。如果这些是已知的,它是什么,例如,可以做一个成本效益分析的目标措施将实现与数据收集的成本。值得装备更多的测量和测量设备点或更多的人吗?斜坡计量已经启动的估计不准确的数据和福利的影响如果相机是用来代替循环探测器(3]。
有趣的在我们的特定情况下,它已经找出衡量智能路由将执行在城市网络无论如何,大多数的人已经有一些知识(常规)拥堵。另一个问题可能会有多少数据应该收集(通过浮动设备)为了获得至少有积极的影响。最后,路线建议的有效性也在很大程度上取决于正常的路径选择行为,建议连续的程度,以及获得其他类型的交通信息,用户已经有了。在这项研究中这些方面不考虑,因为这将需要大规模研究驾驶行为。然而,结果可以解释连续低程度的通过观察系统的普及率较低的结果。
3所示。研究方法
回答的研究问题之间的关系数据的准确性和路由效率的建议,结合造型和使用真正的选择(历史)的数据测量。地面真理来源于实际交通数据测量,虽然FCD质量变化的模拟实际交通数据的扰动。此外,由于驱动线路没有可用的(通常是这样),路线的选择与常用的数学模型模拟如logit模型,将在稍后解释。选择一天,历史速度作为输入,而不同的情况下对不同FCD素质和智能路由系统的普及率是模仿。显示不同的路径选择选项的影响,几个性能指标计算在网络层面上,为了能够量化FCD质量差异的影响。
已经采取了几个模型和数据处理步骤。的步骤以及它们之间的关系如图所示1。第一步是了解网络中地面交通状况的真理。这意味着真正的速度在网络调查期间应该可以从测量或估计来自测量。为此,大型数据库与流量测量使用在荷兰。这个交通数据库收集由荷兰国家交通信息数据仓库(NDW,看到4])和探测器主要由循环数据。从这个数据库信息的阿姆斯特丹是派生的。地面真理是由使用所有可用的交通数据和使用填缝方法完成缺失的数据,稍后解释。
第二步是定义区域网络和获得一个叫做(OD)矩阵与旅行的数量从每个原点到每个目的地对于一个给定的时间段。
第三步是确定合理的替代路线网络中的每个OD对间,为了能够通过网络分发交通情况的基本情况和智能路由。每个OD对的替代路线确定,根据旅行时间等方面,旅行的长度,和道路类型。
这些前三个步骤是预处理步骤,独立的智能路由系统。以下步骤都需要测试的智能路由选择天测量和FCD质量的所有变化,每天的时间,不同的系统的普及率。
因此,第四步是路线选择,对于普通用户和用户使用智能路由。本研究的基本情况,没有路由建议,多项logit模型是用于分发的司机路线选择,基于平均网络速度。联系旅游时间更新使用校准BPR函数(5]。替代情况使用智能路由、司机只在最短的路线或分布于三个路线选择最短旅行时间(与路由选择预定的集合),使用实际旅行时间和链接速度,稍后将详细解释。网络改进当时确定了各种系统的普及率和不同时期的天,天。
为了确定FCD的质量的影响,可用FCD被画不同的数量一个随机数的链接一个实际的速度测量假设可用。与更高的流量有更大的概率被选中,因为FCD车辆的概率是在这些链接找到更高。这是通过画一个加权样本权重等于流。的链接不受此数据样本,平均(历史的)链接速度。此外,为了研究不准确的速度测量的影响,浮动车数据的质量是由适应不同的链接速度随机误差。这两种情况下(FCD)的数量和质量的变化分别进行了测试。
最后,对于不同系统的实现率,改善旅游时间和延误(包括单独和全网)确定的基本情况,对最优情况下基于完全信息。
4所示。基础数据
的案例研究中,我们使用不同类型的交通数据,如循环检测器数据,旅行时间测量与相机,FCD,来自阿姆斯特丹NDW数据库和实际试验(6由TNO],融合成一个数据库。
网络包括阿姆斯特丹的市中心,周边地区的直径约30公里,如图2。它由12425个链接。填缝和过滤后,速度和流可用于大部分的链接的每一分钟。的链接,没有可用的历史信息,填缝方法确定链接速度基于可用的速度信息的链接相同的道路类型2公里的范围内,与重量的距离成反比。
(一)
(b)
从模型获得一个OD矩阵是研究区域交通管理资源管理器(7]。这个矩阵来自一个校准战略模型和动态利用起飞时间资料,来自调查旅客之一。350矩阵由纬向密度高的区域在市中心,这是相当详细的小区域。原来这种级别的细节并不实用,这个案例研究的长时间计算为路径选择和相关性。因此,原始矩阵聚合为一个小矩阵183区。(聚合)区域也需要连接到网络(手动部分)。原来的区域(中心)和聚合区域如图3。更强的聚合是在市中心,因为这些区域不太相关的路径选择的汽车,因为大多数航线在市中心由活跃模式(步行、自行车)和公共交通。大多数汽车旅行在这个网络是通过主要道路上的交通和工作场所在郊区。此外,更少的信息实时旅行时间从FCD(通过汽车旅客)是可以从城市中心。
(一)
(b)
每季度的OD矩阵可用一个小时在早上高峰,05:30到11个小时,晚上14:30至20:00小时达到高峰。因为连续需求所需的白天,季度之间,需求估计每一对叫做之间的加权平均。这意味着接近结束的时候早上早上高峰的最后需求峰值高体重和第一个晚上高峰需求低体重。总需求超过每个时期的所有起源和目的地的可视化图4。
5。智能路由算法
智能路由算法在这个案例研究中包括两个部分,即离线路径生成算法和在线路由建议个人道路使用者。在实践中,离线路由生成作为预处理步骤,而路由在实时确定用户的建议是在路上。在这个案例研究中,都是离线数据在实验室完成。
离线路径生成算法生成每一对叫做之间的路线选择,交通的目的能够分发这些替代品,以这种方式改善个人和/或网络中总旅行时间。路线的选择应该是道路使用者的出行的好选择。他们提前计算,网络中基于历史交通数据。路线生成是基于最短路径计算广义成本函数。链接的属性,考虑到成本(我)旅行时间(越低越好),(2)总距离(越低越好),(3)安全/安慰,表示为在底层道路网络的距离(不是高速公路)作为总路径长度的百分比(越低越好),(iv)安慰,表示为每公里平均容量(越高越好:足够的能力,更多的车道)。
其中的每一个属性都有一个重量系数来确定路线的总分。这些权重因素可以改变每个用户或用户类型,就像在PPA [8]。在这里我们使用固定权重因素 , , , 。为了找到路线选择,第一个最快的路线,最短的路线,和最高的线路容量确定和添加到路径集。为了创造更多的路线选择,使用蒙特卡罗方法是在每个链接的广义成本不同的随机。术语叫做路线生成的最大数量每一对可调。在这个案例研究中,最多十路线选择。稍后会解释说,所有汽车司机没有车内路由设备分布在所有这些路线,而车内路由设备的用户将分布在最多三个实时旅行时间最短的路线。
在线路由建议将提供一个实时路由建议个人道路使用者在起飞时间。对于每个用户,选择是由十个路线选择出发地和目的地。pregenerated路线替代评估实时测量的旅行时间。一些策略成为可能。最简单的方法是只提供最短的路线旅行时间给用户。这个战略的缺点是,如果太多的用户接受和遵循这个建议,这条路线的能力可能会超过这样这条路开始遭受交通堵塞。另一个策略是向用户提供一个数量的路线选择,他/她会让自己的路径选择,根据自己的个人喜好。这两种策略已经在这个案例研究中评估;第二战略用户是选择3路线。
6。FCD数据的准确性和可用性
单FCD测量精度依赖于这两个设备的测量精度(如GPS或WIFI和GPS接收器的质量),环境(例如,高密度的高层建筑会恶化GPS)的准确性,和软件用于,例如,匹配速度计算和修正。平均定位误差范围从开放的广场上2米到15米宽的街道两边的建筑(9]。GPS通常需要运行的平均速度计算的数据点平滑函数。这意味着在加速或减速GPS比恒定速度将有更大的错误。除了位置测量,信号多普勒频移还用于使其更准确。速度测量而且可以提取在其他方面,例如,直接从汽车;然而,速度提取GPS汽车通常比测量更准确,因为它不受错误的影响,如汽车的车轮大小或传动比率。然而它是依赖GPS卫星信号质量,但这些错误可以最小化使用移动平均计算。然而,GPS是更加依赖环境比汽车里程表,认为隧道、高层建筑等。GPS速度精度平均速度精度比基于GPS-Doppler 10秒5 cm / s与置信水平99.9%以上已经观察到(10]。
可以得出这样的结论:单一的GPS速度测量是相当准确的,不过,路段平均速度计算的平均速度的准确性取决于FCD的可用性比单一FCD速度测量的准确性。让我们做一个简单的计算练习。例如,假设400米的路段的限速80公里/小时,1000年流veh / h,它对应于一个18节的这条道路上车辆密度。而且假设这些车辆的真实速度通常是分布式的意思是82公里/小时,标准差5公里/小时,FCD速度测量的均值与正态分布误差1 km / h, FCD速度误差(区别真正的路段平均速度和平均测量FCD速度)对不同FCD普及率图所示5。类似的计算完成网络阿姆斯特丹地区的,分别为每个链接网络,考虑到速度限制,链接长度,和流的估计,普及率为1%,10%,50%,90%。结果在表1。1%的密度是在大多数情况下太低能估计错误;因此没有估计可以普及率。
除了速度精度、低FCD普及率有一个额外的问题;即在测量期间在路(短)部分不可能存在任何FCD车辆。这个也可以计算的概率统计;假设恒定的速度可以用泊松分布。这个概率是而且依赖于时间间隔的持续时间,流()、链路长度和平均速度。车辆出现在开始时的链接通过扩展还包括间隔时间间隔平均旅行时间。结果为三车道高速公路部分(100米)和一个城市道路部分如图所示6(请注意轴的不同规模)。注意,在高速公路上中等和高流,已经超过2%的普及率没有FCD可用的概率是微乎其微的。在城市道路上,这是20%左右。
(一)
(b)
然而,通常一个想要不止一个观察链接为了计算平均速度是足够准确的(平均速度动态路段和测量不准确或清除奇怪的情况下,如车辆休息在一个平行停车空间)。相同的概率计算可以做至少3 FCD车辆出现在一个路段在给定的时间间隔。结果如图所示7。这导致截然不同的结果;在高速公路上有少于3 FCD可用的概率是可以忽略的普及率4%以上和40%以上的城市道路普及率。
(一)
(b)
把这个练习进一步估计之间的关系FCD汽车的普及率和可靠的平均连接速度在交通网络中,我们用这个计算方法和案例研究在阿姆斯特丹的网络数据测量和估计速度和流链接(平均12425链接,链接长度186米),1月28日8点,假设均匀分布FCD整个网络的普及率。为每个链接,足够FCD可用的概率估计和总结了整个网络。由此,预期的数量和百分比计算可用的链接。结果如图8。相关链接可用性百分比FCD普及率,链接可用性为10%,50%,和90%的对应,分别为1.7%,5.8%和15.6% FCD整个网络的普及率。由此可以得出这样的结论:已经相当低FCD百分比导致相对高可用性的联系,合理准确的平均速度可以计算。反过来,望着FCD普及率作为本文使用之后,我们得到了给定的百分比表1。
7所示。造型智能路由
在这个段落中,我们详细解释路径选择是如何为“正常”的用户(那些没有智能路由系统处理)和智能路由用户,以及哪一天被模仿和交通数据建模的质量变化。
7.1。造型普通用户
我们假设“普通用户”没有实时信息的实际速度的道路网络,但他们有一个概念的速度通常是在他们的路线,派生开车时在网络在最近的过去。估计模型中,这是通过计算平均速度在每个链接网络在过去的两个月。这些用户的路径选择是基于航线的平均旅行时间从这些平均速度(没有当天的速度)。路线选择多项logit模型建模。多项logit模型(MNL)是使用最广泛的选择模型,由于其简单的数学结构和易于估计(11]。在这个模型中,使用路径的概率计算如下: 在这广义成本(在这种情况下,估计旅行时间)的路线和是一个尺度参数,代表用户的知识水平。在这个案例研究中,我们使用以下设置:θ= 1,旅行时间在几分钟内,这已被证明在早期研究现实的设置(12]。更复杂的路径选择模型存在,例如,正确路线的重叠(见[11,13,14])。这个案例研究重点是不准确的输入数据的影响而不是路径选择模型。一个路径选择模型,该模型考虑了重叠的路线也代表了不准确的信息对路径选择的影响更好;然而,在当前的研究中这不是(还),因为这将导致更长的计算时间,而计算时间已经是一个限制因素在本研究中由于大量的变异信息的水平。此外,路线生成模型已经过滤掉路线,极大地重叠。因此接受了多项路径选择模式为本研究的目的是充分的。
每个OD对的路线流动,每个时期的历史,然后乘以概率计算与旅行/ OD对的数量。
7.2。造型智能路由用户
每个OD对间,我们推导出最多十替代路线,如前所述5。一定比例的所有驱动程序使用智能路由应用程序,我们称之为普及率的系统。系统的跟踪速度已经包含在这个分数,但可以单独建模。具有智能路由应用程序的用户将得到一个路由建议代表一个或多个目的地的途径。这里我们首先调查的场景,只有实际旅行时间最短的路线是建议用户,他们会接受。其次,我们调查的场景,这三个最好最快/航线根据实际旅行时间显示给用户。用户路径选择被认为是分布在上面3符合多项logit模型,类似于用户没有智能路由的建议,但在这种情况下根据实际速度而不是平均速度。路由的建议没有考虑和实际流动路线的能力。这是最符合当前路由建议系统工作,因为它是一项艰巨的任务来估计实际流在网络和确定基于路由的建议,例如,用户平衡为了防止太多的司机选择同样的路线导致交通拥堵。但是我们考虑到这一事实产生的流可能会导致更长的旅行时间当某些路线部分接近或超过他们的能力,使用所谓的BPR函数(15]:
BPR函数校准数据在网络链接速度水平(分别为每个链接)和一个多项式,对测量的链接速度。链接的能力估计基于速度限制和车道的数量。对于其他链接,使用α和β的默认值:α= 0.15,β= 4。
7.3。选择天
智能路由建议预计将有更大的影响,当交通状况不同于日常交通模式,也就是说,当有比正常更拥挤,因为它有更多的附加值知道实际的交通状况。因此,我们想要测试的系统的一个或多个天交通速度有很大的偏离速度平均每天,也比较的一天已接近平均每天的速度。为了找到这样的天,每个时期的平均网速为计算,2015年的前三个月的每一天都充分的数据。接下来,平均网络速度计算所有工作日(周一至周五)。天的离群值被排除在网络计算的平均速度。每天,网络速度与平均速度的比较和选择是为平均一天和两天(不同的)异常。选择不正常的一天是星期二,2月3日,2015年。在那一天有很多比平时更拥堵。这是由于滑溜由于下雪的冬天的天气在整个一天。“不正常”的网络速度天一起的网络速度平均工作日如图9 (b),结果表明,实际的网络速度远低于平均网络速度。其他不正常的一天是2015年2月5日。那天也有比平时更多的拥挤,造成的一些事件,特别是在早上高峰,如图9 (c)。选中的平均日是周三,1月28日,如图9(一个)。的话需要在特殊的日子像那些调查,需求和能力是不同的比正常的日子,也是无知的用户的行为可能会有所不同,因为他们将面临不同的延迟。然而,我们认为大多数用户仍将采取的路线,他们使用,因此估计路线的选择被认为是代表这些案件。
(一)
(b)
(c)
7.4。FCD质量的变化
浮动车数据从来不是100%正确的。在这项研究中我们想知道的效果是不同级别的浮动车数据的质量。有不同类型的浮动车数据中的错误或不准确,但在这项研究中我们关注的是两种类型的错误:缺少数据和不准确的数据。
第一错误类型(缺乏数据)链接的数量,实际的交通速度是已知的多种多样。能够生成一个完整的建议,没有可用的信息的链接,链接的自由流动速度。链接的比例没有可用信息的变化从0%到100%,从10%的步骤。可用的链接没有实际流量速度随机吸引更高的体重与更高的流量。流作为权重的不重复。这样做是通过这种方式,因为在实践中也有更高的概率浮动车数据是可用的链接更多的车辆通过。智能路由应用程序将其路由调整建议,网络中不完全信息的速度。因为拥堵不是观察到的一部分,这些旅行时间一般会比真正的旅行时间短。然而,它可能仍然是比平均旅行时间用于正常的路线选择道路使用者没有智能路由应用程序。
对于第二种类型的不准确的数据,我们假设中的速度误差浮动车数据正态分布均值的平均速度和标准差是不同的从0到0.9的步骤0.1,如图10。对于每一个链接,一个单独的图纸已经完成,并应用于该链接的速度。智能路由应用程序将再次基地其路由建议速度的调整(不准确)信息网络。由此产生的旅行时间可能更大或比真正的旅行时间短,但是仍有可能比平均旅行时间用于正常的路线选择道路使用者没有智能路由应用程序。
8。结果
8.1。结果使用完美的信息
假设我们有完美的交通信息和我们提供如上所述的智能路由的建议。然后我们可以计算出的潜在影响是智能路由应用程序。因为系统知道实际的旅行时间,整个网络的总旅行时间预计将减少,以及网络中延迟。在个人层面上,智能路由用户也会有好处。只有当太多的道路使用者选择同样的路线,根据建议,可能(个人)旅行时间增加。
我们已经计算了不同渗透率的影响系统的三个不同的日子。总延迟计算的区别所有自由流动的总旅行时间在网络,网络中的所有实际的总旅行时间。总延迟的差异没有智能路由和智能路由比较几个系统的普及率(1%,10%,50%,90%)。结果如图11。这图清晰地显示系统的改进是最大的高普及率系统在高峰时间,可以预期。
(一)
(b)
在图12一整天,总延迟改进显示了三种不同的天,两个路由策略建议(只显示最佳路线或顶部3最佳路线)。在图12(一个)可以清楚地看到,这一天最偏离拥堵(2月5日)储蓄延迟时间,最大的好处。引人注目的是,结果显示一个明确的线性与渗透率的关系。很难理解这种关系;看来,尽管网络的复杂性和整个系统的非线性的影响更多的FCD系统可以接近线性关系,尽管它也可以,使用的建模和假设的方法简化的结果。然而我们仍然相信这不会改变一般的结论,数量级的影响和其他一般从这项研究中获得的见解。
(一)
(b)
10%的普及率平均一天最好的路由的建议,总比整天4480小时,或0.8%的总延迟网络如图12 (b)。给最高3-route建议给小一点好3150小时或保存0.8%的结果。显然可能预防拥塞的最佳路径不补偿时间越长旅行时间的第二个和第三个最佳路线。普及率为90%,4.7%到7.0%的总平均网络延迟将得救。也引人注目的结果平均一天和一天最拥堵的差别并不是很大从百分比来看最好的路由建议只(8.6%)。
使用欧元的价值时间12.28(假设平均10%的货运的关键人物(16]),这意味着一个55000欧元的储蓄平均一天。这可以扩大到每年的水平通过计算每年的工作日(261 2015年)。这给了估计1450万欧元拯救每年系统的普及率为10%,当完美的交通数据和交通信息是可用的。普及率90% 1.3亿欧元每年可以挽救,计算平均天。然而,由于天拥堵超过平均水平的一部分,更大的潜力。
8.2。结果与变化FCD的质量
在图13相比,相对提高延迟时间没有路由建议显示平均一天(1月28日,2015)。(a)和(c)结果,系统只给所有用户的最佳路径选择。在(b)和(d),结果显示当3给出最佳路线。在(a)和(b),速度信息的准确性是多样的,而(c)和(d)的图形显示结果的变化可用的链接速度。
(一)
(b)
(c)
(d)
从这些结果可以看到,似乎不准确的速度信息对结果的影响高于不完整的信息,尽管这些是不同的数量和完全不能相比。此外,只给用户最佳路径选项会导致更好的结果比给用户一个选择之间的三个最佳路径的选择。一样完美的信息,看来可能预防拥塞的最佳路径不补偿时间越长,第二个和第三个最佳路线的旅行时间。然而,如果错误的链接速度高于40%,总影响变得消极。
最好的路线选择,影响约7%与90%普及率最高的系统。三种路由选择,影响保持在5%以下。普及率为10%,低于1%和0.5%左右的影响有三个选项。普及率为1%,对网络层的影响可以忽略不计。
信息的完整性(负面)影响,较少的影响保持在4% -7% 90%系统的普及率和1的路线选择,即使没有实际链接速度是可用的。显然路线建议基于估计链接速度(自由流速度)仍然比路径选择基于驱动程序的速度的平均知识网络。
图14提供可比的结果2015年2月3日,更拥堵出现在网络。令人惊讶的是,影响几乎是可比的平均一天。的原因可能是,这一天交通拥堵的原因是雪和冰在一整天,在所有道路。因此没有多少可以获得与路线建议替代路线。只有链接可用性更重要的是在这一天,低渗透率的链接。
(一)
(b)
(c)
(d)
最后,结果2月5日,最“不正常”,如图15。很明显,这一天的效果是最高的;速度精度是8.6%的普及率普及率为1%,10%,90%时计算在早上高峰时间效应的影响大约14%的渗透率为90%,约1.5%的普及率10%。
(一)
(b)
(c)
(d)
假设驱动程序使用智能路由应用程序还提供了FCD数据,用户的普及率是一样的普及率FCD,这样表的百分比1适用。这些可以链接到这一段的结果。链接速度误差,需要翻译的平均绝对误差误差分布的标准偏差。表的百分比1(5.6%,4.6%,1.1%),这是分别为0.07,0.06和0.01。链接这个结果这段,FCD普及率几乎没有任何区别基于速度的结果错误或链接可用性有限,如表所示2。然而应该考虑到这一事实的链接速度误差引起的随机误差对GPS误差小,速度的数据也可能包含异常值由其他原因,或密集建筑面积误差会更大。
链路可用性和速度误差有关,一定需要最低的可用性FCD链接为了能够计算平均速度。可用性越高,速度精度越高。FCD为50%和90%,结果几乎是平等的,因为他们都是非常接近的最大效果。FCD比例介于1%和10%会显示更大的差异。实际上每个人都应该考虑质量方面为了估计总效果;合并后的效果比当只考虑一个小错误。
9。与数据质量和成本效益
基于这个案例研究的结果允许一个成本效益分析与输入的数量和质量(浮动车数据的改善个人和网络性能。这可能是用于支持投资决策等这样的一个系统来回答问题可以实时车内路由的好处,应该实现哪些实现速度以达到一定的改进,并输入数据的质量是必要的(从参与车辆或从另一个来源)?
系统计算的好处对不同渗透率和质量相同的方式使用时间的价值高于完全信息的情况。这给了形状类似的人物的照片13- - - - - -15每天至多一百万欧元,2月5日90%的普及率。
好处现在可以重对这样一个系统和数据收集的成本。这些成本包括主要的软件开发、维护和数据通信成本。数据通信成本取决于系统的普及率和采样率:渗透率越高,采样率越高,需要更多的交流。然而,在一个移动电话服务的情况下,现在大多数人都有一个固定成本包括订阅与大量数据通信。尽管我们可以假设一些质量方面的相关数据一定的成本。
旅行的总数在一天或穿越阿姆斯特丹周边地区640万年在这个案例研究中,基于OD矩阵(不包括,见图4200万年),或者在早上高峰。因为大多数人一天超过一次,即平均2.7 (16),不同的人的总数进行一个或多个旅行在这个领域可以每天估计为240万。因此的普及率,例如,10%涉及约24万人(从已知的人选择旅游或者通过这个区域)。早上的峰值相比,假设一个通常只有一次在早上高峰,人被20万人,普及率10%。假设他们都需要一个手机订阅数据每月平均花费20欧元,这使总成本约20万欧元每工作日。这并不权衡利益的价值计算的时间每天早些时候正常工作天(55000);然而,由于大多数人已经有一个手机订阅数据连接,这个服务的额外费用为零。
可以考虑额外的成本数据收集、分析、处理,由固定部分和一个依赖的数据量。两倍的数据通常需要更多的处理和分析时间,但不是时间的两倍,因为某些分析步骤是尽可能多的为一个小数据集工作对于大型的数据集,和独立的计算步骤可以并行。相同的脚本通常可以用于处理更大的数据集。假设,例如,每个月固定的金额和数量可变的人时间是用于处理收集到的数据正确,说10小时(固定)+ 1小时为每1万用户的数据每小时100欧元的关税,每月给予3000欧元的劳动力成本。然后一些硬件和软件的成本可能是每月1000欧元左右(考虑,例如,注销先进的计算服务器或订阅云计算和存储)。现在的好处大大下降的优势智能路由应用程序。然而,最初的成本开发的服务(使它成熟和准备大规模使用)也很大,可以举个例子,估计约10万欧元。商业模式可以用来问少量用户的这个服务(比如说2欧元下载应用程序和2欧元每月使用它),为了获得快速回到最初的开发成本。
10。结论
这项研究的结果提供洞察大小的改进是可能的与个别车内路由的建议,对于不同的交通情况,并输入交通数据的质量需要达到一定程度的改善。这个改进是表示与交通性能指标总旅行时间和总延迟。
普及率为10%,平均一天,完美的交通数据和交通信息是可用的,总比整天在网络延迟总数的0.8%,这意味着每年节省约1500万欧元。普及率为90%,7.0%的总延迟网络将得救,这是每年约1.3亿欧元。
虽然以前的结果是基于完全信息,本研究进一步表明,即使较低的数据可用性和低延迟网络提高速度精度。普及率为90%,普通的一天的改善储蓄延迟时间约为7%;与事件这一天增加到8.6%。只希望早晨高峰时,差异影响正常的一天或一天大事件:从普通的一天的4% 14%一天事件。
链接速度精度小于40%时,智能路由建议的影响是负的,因为它是基于错误的信息。
也之间的关系已经取得了FCD普及率和质量方面数据的智能路由:至少10%的普及率,速度误差基于小型个人从GPS位置错误保持在6%以下。因此,FCD普及率几乎没有影响的延迟改善智能路由。的普及率1%无法估计,因为非常小的数据。可用性的联系,FCD普及率1%导致链路可用性为5%。普及率为10%或更高,可用性的联系是如此之高,以至于再次FCD普及率没有大的影响。
粗的成本效益评估已经完成基于粗略估计各种成本(固定和可变)。这说明必要的移动数据连接通信成本(与数据用户订阅)不掂量每天时间的效益价值,然而,因为大多数人已经有一个手机订阅数据连接,这个服务的额外费用为零。维护成本很低而受益。初始开发成本估计很大但可以被要求得到迅速恢复少量的用户服务。
11。建议进一步研究
尽管在这个案例研究中已经取得了很大的努力评估的潜在影响的大规模智能路由服务,可以更详细地研究一些问题为了提高结果的可靠性和适用性。进一步研究其他问题和步骤如下:(我)为了得到更可靠的结果每年水平,扩大结果通过使用更多的天与不同交通模式和异常调查多少天比平均每年通常发生在更拥堵。(2)使用一个路径选择模型,考虑重叠的路线,用真实数据校准。(3)计算个人利益(除了网络效应)(iv)提高路由的建议考虑能力约束:当当前最短旅行时间的路线几乎超过能力,建议第二(或第三)最佳途径。例如,这可能是通过执行一个平衡交通分配根据实际流量测量。(v)提高路由通过更新建议开车时,建议使用实际流量测量。这是在实践中已经实现在实际审判阿姆斯特丹(2]。
因为这个研究表明,普及率和FCD数据的准确性是关键元素与延迟改进,战略,可能会增加这样的车载服务的普及率和可能性来提高数据质量从FCD相关主题进行进一步的研究。例如,进一步的研究可以做定位的准确性,并基于gsm信号强度定位提供足够的准确性或GPS精度需要?在第一种情况下普及率将更高的因为并不是每个人都有或使用GPS定位手机上。
的利益冲突
作者宣称没有利益冲突。
确认
荷兰TNO共同资助的这项研究,应用科学研究组织和TrafficQuest TNO之间的联合协作,代尔夫特理工大学,荷兰Rijkswaterstaat,公路机构基础设施和环境。