Calibração e Validação

Em sistemas de tráfego, o comportamento do sistema real é geralmente definido em termos das variáveis de tráfego, fluxos, velocidades, ocupações, comprimentos de fila, e assim por diante, que podem ser medidos por detectores de tráfego em locais específicos na rede viária. Para validar o modelo de simulação de tráfego, o simulador deve ser capaz de emular o processo de detecção de tráfego e produzir uma série de observações simuladas. Uma comparação estatística com as medições reais é então usada para determinar se a precisão desejada na reprodução do comportamento do sistema é alcançada.

Os principais componentes de um modelo de microsimulação de tráfego são:

• A Rede Viária
  • A representação geométrica da rede de tráfego rodoviário, as seções das vias, os cruzamentos e os movimentos de virada.
  • A inclusão de esquemas de gestão de tráfego controlando a velocidade dos veículos, as viradas permitidas e os esquemas de controle de semáforo (fases, tempos, desvios) e os detectores de beira de estrada associados, semáforos e Painéis de Mensagens Variáveis.
• Demanda de tráfego:
  • Padrões de fluxo de entrada nas seções de entrada do modelo viário e porcentagens de viradas nas interseções
  • Matrizes OD temporais para cada classe de veículo
  • Os modelos de atribuição dinâmica de tráfego que controlam a escolha de rotas.
• Modelos de comportamento de veículos individuais
  • Seguir carro, mudança de faixa, aceitação de espaço, etc.

Todos esses componentes interagem e nenhum deve ser considerado isoladamente para calibrar e validar uma rede. No entanto, há um processo na construção de um modelo e há ações apropriadas a serem tomadas para calibrá-lo em cada etapa. Muitas diretrizes existem para ajudar os modeladores a atender às expectativas de suas partes interessadas na construção de modelos. Exemplos incluem:

• FHWA (EUA) Caixa de Ferramentas de Análise de Tráfego A Seção 3, em particular, cobre o uso de ferramentas de microsimulação
• Transport for London (Reino Unido) Diretrizes de Modelagem da TfL que estabelecem orientações de modelagem e auditoria para avaliações de transporte.

Uma revisão das diretrizes pode ser encontrada no Projeto Multitude Caso das Diretrizes.

Este esboço da calibração do modelo discutirá 4 etapas:

1. Verificações Estáticas Construir o modelo da rede viária e verificá-lo estaticamente.
2. Verificações Dinâmicas em uma simulação em execução.
3. Estimativa de Demanda de Viagem.
4. Comparação Estatística com dados observados.

Construção do Modelo e Verificação Estática

O editor gráfico no Aimsun Next foi projetado para suportar o usuário na construção do modelo da rede viária. As redes podem ser construídas sobrepondo manualmente seções e cruzamentos em uma imagem de fundo importada de um GIS, de uma base de dados de mapas (Consulte a Seção de Importadores e Exportadores) ou podem ser construídas importando diretamente para Aimsun Next a partir de bases de dados de mapas como OpenStreetMap(OSM), que também importará as características da via, como as classificações das vias, as velocidades e faixas, e conectará as seções das vias nos cruzamentos. Observe, no entanto, que enquanto a importação direta do OSM pode trazer muito mais do que um fundo gráfico, ainda há a necessidade de verificar e ajustar manualmente a rede importada.

A figura abaixo ilustra o processo de uso do editor gráfico para construir um modelo urbano sobre uma imagem de fundo.

Depois que a rede foi criada, as seções corretamente configuradas com classificações viárias, restrições de faixa e velocidade, e os vários artefatos como VMS, Semáforos, detectores e paradas de ônibus foram incluídos, a rede pode ser verificadamente estaticamente com a Ferramenta de Verificação e Correção de Rede. Isso validará a rede verificando a consistência e quaisquer erros, como seções desconectadas, turnos conflitantes, etc. Dessa forma, Aimsun Next fornecerá um nível mais alto de validação semi-automatizada da rede do que pode ser alcançado por inspeção visual de um modelador.

Verificações Dinâmicas

Durante uma simulação, as verificações dinâmicas que podem ser realizadas são usar as saídas da replicação para observar o número de veículos perdidos na simulação ou que perderam uma virada, o que é indicativo de problemas de calibração. Verificações semelhantes com modos de visualização incluem a busca por áreas de frenagem intensa, mais uma vez, com um modo de visualização ou simplesmente observar a simulação em modo animado com conhecimento de fundo da situação na via.

Estimativa da Demanda de Viagem

A Demanda de Viagem é, sem dúvida, o componente mais importante do modelo para alcançar a calibração. Estimar a demanda a partir de dados observados é uma parte significativa de um projeto de modelagem de transporte e Aimsun Next oferece algumas ferramentas para ajudar com o processo. Note-se que estimar a demanda para um pequeno modelo pode ser tão simples quanto inserir um conjunto de contagens de seções e contagens de viradas em um Estado de Tráfego. Alternativamente, pode exigir fluxos de trabalho complexos em um modelo Quatro Etapas com várias iterações para gerar uma estimativa robusta de demanda para várias classes de usuários em matrizes desagregadas. As ferramentas fornecidas pelo Aimsun Next para ajudar na calibração da demanda do modelo são descritas aqui, os fluxos de trabalho e processos de gerenciamento de projetos que controlarão como e quando elas são aplicadas, não são.

Edição de Matrizes

O Editor de Matrizes OD contém ferramentas para ajustar matrizes OD. Esses estão documentados na Seção de Operações para o editor OD e são parcialmente resumidos aqui.

• Dividir: Cria novas matrizes fazendo a divisão temporal da matriz original. Normalmente usado na calibração quando a demanda de viagem varia ao longo do tempo e uma única matriz é inadequada,

• Adicionar: Adiciona viagens às células da matriz. Usando os critérios de seleção, isso pode ser usado para fazer ajustes incrementais manuais na demanda para investigar opções de calibração

• Multiplicar: Multiplica as viagens na matriz por um fator dado para aumentar ou diminuir a demanda total.

• Transpor: Transpõe a matriz ou parte dela. Normalmente usada para gerar uma matriz de retorno, ou seja, transpor a matriz de passageiros da manhã para gerar a matriz da tarde, que pode ser usada na simulação ou comparada com uma matriz existente.

• Furness: Ajusta uma matriz após fatores de crescimento terem sido adicionados a alguns extremos de viagem. Normalmente para distribuir viagens se uma opção de calibração exigir que os números de viagens para ou de um centróide sejam variáveis.

• Correção: Esta operação aplicará as mesmas mudanças multiplicativas à matriz atual que foram feitas de uma matriz original para uma matriz manipulada. Usada na calibração para garantir que as matrizes possam ser alteradas de maneira consistente se isso for apropriado.

Ajuste de Matriz

Um Cenário de Ajuste Estático de Matrizes OD é um procedimento para ajustar uma matriz OD a priori, usando contagens de tráfego. É usado para ajustar uma matriz derivada de previsões de demanda para concordar com observações de tráfego da via. O Cenário de Ajuste Estático contém opções para agrupar detectores ou agrupar conexões de centróides para melhorar a robustez das estimativas de ajuste. Essas opções devem ser consideradas ao usar este cenário.

Localização do Detector

A Ferramenta de Localização do Detector é uma ferramenta complementar ao Cenário de Ajuste Estático. O processo de ajuste depende da cobertura de dados adequada dos detectores de beira de estrada para garantir que a maioria das viagens seja observada e que o ajuste não altere números de viagem que não são observados. A Ferramenta de Localização do Detector analisa a cobertura de viagens e sugere onde os detectores em via poderiam ser colocados.

Uma aplicação seria criar o modelo e executá-lo com uma demanda falsa de uma viagem entre cada par OD para avaliar a rota inicial e, com isso, aplicar a Ferramenta de Localização do Detector para orientar o exercício de coleta de dados.

Ajuste de Partida

O Cenário de Ajuste de Partida é um procedimento para criar uma demanda perfilada a partir de uma demanda estática. Em um modelo de microsimulação ou em uma simulação mesoscópica, a demanda de viagem pode ser representada em intervalos de tempo curtos (tipicamente minutos em comparação com as matrizes de 1 hora usadas em uma atribuição estática) Isso reflete mais precisamente a verdadeira natureza da demanda de viagem, que é controlada por fatores como "a corrida da escola" ou um horário de partida do emprego ou de um evento.

O Cenário de Ajuste de Partida divide matrizes OD em um conjunto de matrizes com intervalos de tempo mais curtos e ajusta a demanda em cada uma para corresponder ao perfil de variação temporal dos dados observados, levando em consideração o tempo de viagem entre o ponto de partida da viagem e o ponto de observação dos dados. Criar matrizes perfiladas ajudará na calibração com dados medidos em intervalos de tempo curtos ou, por exemplo, modelando a acumulação e dispersão de uma fila.

Validação

Uma vez que uma simulação baseada em veículos tenha sido executada ou uma média de simulações tenha sido calculada, o editor de replicação, editor de resultados ou editor de médias tem dados na pasta de Validação.

O objetivo da pasta de Validação é ser capaz de comparar os resultados da simulação com Dados Reais definidos para o Cenário.

Uma vez que o conjunto de dados reais é definido e os dados simulados estão disponíveis, a pasta de Validação se parecerá com a abaixo mostrada na figura.

A Série Temporal do Conjunto de Dados Reais e a Série Temporal Simulada são selecionadas no menu suspenso e exibidas de 3 maneiras:

• Como um gráfico
• Como uma análise de regressão
• Como uma tabela

Para exibir os dados do conjunto de dados reais vs. os dados simulados como um gráfico, clique no ícone do gráfico na figura abaixo.

Para exibir uma regressão dos dados do conjunto de dados reais vs. os dados simulados, clique no ícone da linha de regressão na figura abaixo. Informações sobre a linha de regressão linear, R2 (Coeficiente de Determinação, R ao quadrado) e RMSPE são exibidas.

A terceira opção é exibir os dados do conjunto de dados reais vs. os dados da simulação em uma visualização de tabela. Aimsun Next calcula automaticamente a diferença absoluta e a diferença relativa de cada par de valores e colore as células da diferença relativa dependendo do seu valor, para dar uma impressão visual facilmente assimilada de onde estão as principais desvios.

Além das informações exibidas na pasta de Validação, duas outras estatísticas de validação podem ser calculadas:

• Estatística Theil
• Estatística GEH

Essas estatísticas são descritas em mais detalhes na seção Métodos Estatísticos para Validação de Modelos.

U de Theil

A estatística U de Theil é uma medida de precisão relativa que compara os resultados simulados (Y) com os dados reais (X). É calculada da seguinte forma

Para calcular a estatística Theil para cada detector, selecione a opção Ação: Calcular Theil. Uma vez selecionada, dois modos de visualização serão automaticamente criados.

Estatística Theil para replicação. Onde a estatística Theil é calculada para cada detector e retorna 4 valores possíveis:

• Preto - Não aplicável. Não há dados para o detector.
• Verde - Bom ajuste. O U de Theil está entre 0 e 0.2.
• Laranja - Exige mais investigação. O U de Theil está entre 0.2 e 0.7.
• Vermelho - Inaceitável. O U de Theil é maior que 0.7.

Estatística Theil Discreta. Isso é semelhante ao modo de visualização acima, com a diferença de que inclui o sinal da diferença entre medições reais e simuladas.

O modo de visualização da Estatística U de Theil é selecionado na visualização 2D como exibido na figura abaixo.

Saídas mais detalhadas de detectores e comparações com dados reais podem ser encontradas na aba Série Temporal para detectores individuais.

GEH

A Estatística GEH é usada na engenharia de tráfego para comparar dois conjuntos de dados de tráfego. Embora sua forma matemática seja semelhante a um teste qui-quadrado, não é um verdadeiro teste estatístico. É uma fórmula empírica que se mostrou bastante útil.

É definida como:

onde m e o são os fluxos simulados e observados, respectivamente.

Para calcular a estatística GEH para cada detector, selecione a opção Ação: Calcular GEH. Modos de visualização semelhantes são automaticamente criados como para a estatística de Theil. Os limites do GEH são definidos usando os seguintes intervalos:

• 0 - 5: Bom ajuste
• 5 - 10: Exige Mais Investigação
• > 10: Inaceitável

Dois tipos de modos de visualização são automaticamente criados para a estatística GEH. O modo de visualização base Estatística GEH mostra a estatística usando uma simples apresentação em Verde, Laranja, Vermelho.

O modo de visualização Estatística GEH Discreta mostra os mesmos dados e inclui informações sobre o sentido da discrepância. Os valores são exibidos como acima, a legenda se expande para os seguintes valores:

• 0 - 5: Bom ajuste (Verde, valor 0)
• 5 - 10 E Observado < Resultado: Exige investigação - Superior (Laranja valor 1)
• 5 - 10 E Observado > Resultado: Exige investigação - Inferior (Azul valor 3)
• > 10 E Observado < Resultado: Inaceitável - Superior (Vermelho valor 2)
• > 10 E Observado > Resultado: Inaceitável - Inferior (Roxo valor 4)

Padrões de Detecção

Padrões de detecção produzem um efeito reproduzível em um detector como se um veículo de um tipo particular, comprimento (e possivelmente linha de transporte público) tivesse estado presente em um detector dado em um momento particular por uma duração particular viajando a uma velocidade particular. Padrões de Detecção permitem a coleta de eventos de detecção a serem armazenados e reproduzidos em simulações posteriores. Padrões de detecção são úteis, mas não se limitam a, testar planos de controle adaptativos sem aplicar uma demanda de tráfego, assim dando ao desenvolvedor controle total sobre as entradas de um plano de controle para auxiliar na depuração bem-sucedida.

Modelos de Detecção

Modelos podem ser usados quando há necessidade de reproduzir o mesmo ou um evento de detecção semelhante muitas vezes.