Ajuste OD Estático¶

O ajuste OD estático é um procedimento que ajusta uma demanda existente baseada em matriz OD, usando contagens de tráfego de detectores, estações detectoras, seções viárias, movimentos de conversão a partir de nós ou supernós e/ou subcaminhos. O algoritmo de solução é baseado em um modelo bi-nível que é resolvido heuristicamente por um algoritmo de gradiente, e inclui uma atribuição a cada iteração. Para uma explicação teórica mais ampla sobre ajuste de matrizes, consulte Estimação de Fluxos de Demanda OD Usando Contagens de Tráfego: Ajuste de Matriz.

Como o resultado de um ajuste de matriz depende da qualidade dos dados, é recomendável analisar a qualidade da disposição dos dados de detecção e a quantidade de locais de detecção. Você pode usar a ferramenta Detector Location para encontrar a porcentagem da demanda que é atualmente interceptada pela configuração atual de detectores. Consulte Localização do Detector para obter mais informações.

No Aimsun Next, o ajuste é um ajuste de classe multiusuário. Portanto, nos referiremos a este procedimento como ajuste de demanda ou ajuste de matriz OD.

O ajuste usa dois níveis de cálculos. Primeiro, a camada interna executa uma alocação estática para gerar caminhos e fluxos de ligação, atribuindo a iteração atual da matriz OD à rede.

Segundo, uma etapa de descida de gradiente ajusta a matriz OD usando os caminhos e fluxos obtidos na atribuição estática.

Os resultados do ajuste, disponíveis para todos os tipos de veículo e por tipo de veículo:

• Uma demanda ajustada e sua comparação com a demanda original,
• Uma comparação da distribuição do comprimento das viagens entre as matrizes inicial e final,
• Uma validação comparando os fluxos finais atribuídos com os dados observados,
• Um relatório sobre a convergência à medida que o processo iterativo é executado,
• Os resultados finais da alocação.

Uma nova Traffic Demand pode ser gerada e usada como entrada para simulações subsequentes.

Para executar um ajuste, você deve criar um cenário de ajuste estático de OD e um experimento. O cenário conterá todos os dados de entrada e os experimentos de ajuste estático de OD criados para o cenário conterão os parâmetros do algoritmo.

Cenário de Ajuste OD Estático¶

Para criar um novo Cenário de Ajuste Estático de OD, selecione New > Scenarios > Static OD Adjustment Scenario no Menu do Projeto. Se você estiver trabalhando em uma sub-rede, o novo cenário pode ser criado a partir do menu de contexto da sub-rede.

O menu de contexto do Cenário tem opções para Ativar, crie um Novo Experimento, execute um dos disponíveis Scripts, Excluir, Renomear, Duplicar ou abra o Cenário Propriedades editor.

Ao selecionar Ativar a partir de um cenário, o primeiro experimento disponível no cenário é ativado automaticamente.

O editor de cenário é dividido em várias abas que descrevem quais são as entradas do processo, os resultados a serem coletados, as variáveis usadas para modificar o cenário e alguns parâmetros para descrever o cenário.

Aba principal¶

Na aba Principal do cenário, especifique a Demanda de Tráfego a ser ajustada. Além disso, selecione o Plano de Transporte Público a ser considerado ao calcular os volumes alocados, e o Plano Mestre de Controle para atrasos em movimentos de conversão, se aplicável.

O Conjunto de Dados Reais contém a série temporal de dados de detecção com contagens observadas. Ela pode incluir um valor Type por detecção denominado Reliability. Esse valor é considerado no processo de ajuste como um peso para a diferença entre os dados observados e atribuídos. Quanto maior a Reliability, maior o esforço que o ajuste fará para corresponder a esse par específico de valores.

Além disso, você pode selecionar um ajuste Função de peso no Restrições de Ajuste aba de experimento de ajuste OD estático, onde podem ser fornecidos fatores extras para multiplicar as confiabilidades. Se nenhuma confiabilidade for definida, o software assume que elas são 1.0 por padrão, e os valores de Adjustment Weight se tornam o valor final de Reliability.

Na aba Principal do cenário, o Limite de Cobertura de Faixas do Detector parâmetro determina a porcentagem de faixas que um detector e/ou estação de detectores deve cobrir para ser incluído no processo de ajuste.

Você também pode ativar o Configurações de geometria para este cenário.

guia Saídas a Gerar¶

Na aba Outputs to Generate, você pode especificar os resultados do cenário que deseja gerar e armazenar.

Alguns dos resultados correspondem ao último atribuição executado com matrizes ajustadas. Os resultados restantes do ajuste (incluindo as matrizes) são salvos em um arquivo ADJ binário. Se esse arquivo estiver disponível, as informações sobre o ajuste poderão ser recuperadas a qualquer momento.

aba Variáveis¶

Na aba Variables, você pode inserir os valores para quaisquer variáveis definidas. Para iniciar cada descida de gradiente com a matriz anterior em vez da matriz atual, adicione a variável $FIX_PRIOR_MATRIX e defina seu valor como TRUE.

Nota: Esta abordagem deve ser usada apenas se estiver em conformidade com as diretrizes do UK Department for Transport (DfT).

aba Parâmetros¶

Se necessário, defina os parâmetros descritivos a partir das seguintes listas suspensas:

• Dia da semana
• Estação
• Meteorologia
• Evento.

Experimento de Ajuste OD Estático¶

Para criar um experimento de ajuste OD estático, clique com o botão direito no cenário de ajuste OD estático e selecione Novo Experimento. Na caixa de diálogo Tipo de Experimento, selecione um Método de alocação:

• Alocação de Frank e Wolfe
• Atribuição tudo ou nada
• Alocação Incremental
• Atribuição MSA
• Alocação Estocástica.

O método de alocação deve ser especificado porque o procedimento de ajuste inclui uma alocação estática em cada iteração.

Para executar o experimento, clique com o botão direito no experimento e selecione Executar experimento de ajuste OD estático.

Aba principal¶

A guia principal contém os seguintes grupos de parâmetros:

• Critérios de Parada.

  • Número Máximo de Iterações. Em cada iteração do ajuste, o processo executará uma atribuição e usará as porcentagens de caminho obtidas dela.

  • R-alvo². O R alvo² é uma condição que, quando atendida, interromperá o ajuste antes que o número máximo de iterações seja atingido. Refere-se à qualidade do saídas da regressão linear, que compara dados observados com valores ajustados.

  • Inclinação Alvo. Combinado com R Alvo², esta condição interrompe o ajuste antecipadamente se a regressão linear fornecer um bom R² e uma inclinação suficientemente próxima de 1 (que é a inclinação da linha de referência onde observado para valores ajustados).

• Gradient Descent Iterations. Para cada iteração do procedimento de ajuste, este é o número de iterações do método de descida do gradiente que será executado sem alterar os resultados de escolha de caminhos (ou seja, sem executar uma nova atribuição).

• Parâmetros de Atribuição. Eles controlam a atribuição estática que ocorre em cada etapa do procedimento de ajuste. Eles estão documentados no Cenários estáticos seção e variará para cada tipo de atribuição. Por exemplo, o processo All or Nothing (AoN) não requer parâmetros, enquanto o processo Frank and Wolfe requer um número de iterações, uma lacuna relativa e a opção de marcar ou desmarcar o parâmetro Conjugate Frank-Wolfe.

• Substituições de Atributos. Marque quaisquer substituições de atributos de rede existentes para incluí-las no experimento.

• Scripts. Selecione scripts Pre-Run e Post-Run para executar antes e depois do experimento.

Run Information está disponível na parte inferior da pasta após a conclusão do experimento. Ela fornece a duração da execução e a versão do Aimsun Next usada.

aba Restrições de Ajuste¶

A aba Restrições de Ajuste contém os seguintes parâmetros, que controlam certos limites do procedimento de ajuste. Para explicações mais detalhadas sobre como as elasticidades interagem com o processo de ajuste OD, consulte Elasticidades de Ajuste.

• Elasticidade da Demanda, por classe de usuário. Insira um valor entre 0.01 e 1.0 para indicar a elasticidade da matriz ajustada em relação à matriz original. Comparação de viagens é uma das saídas.

• Elasticidade da Distribuição de Comprimento de Viagem, por classe de usuário. Insira um valor entre 0.000000000000001 e 1.0 para indicar a elasticidade da matriz ajustada em relação à distribuição original de comprimentos de viagem. comparação da Distribuição do Comprimento das Viagens é uma das saídas.

• Confiabilidade dos Totais de Geração/Atração, por classe de usuário. Selecione o vetores de centroide que contêm os valores de confiabilidade das contagens automaticamente agregadas dos centroides de entrada e saída. Deixe como None se este parâmetro não estiver sendo usado.

• Limites de Demanda – Matriz de Desvio Máximo, por classe de usuário. Selecione o Tipo de Valor de Desvio Máximo (Porcentagem, Valor Absoluto ou Fator). Em seguida, especifique um matriz (com desvio máximo), por classe de usuário, para limitar as alterações na demanda de tráfego em relação à demanda original. Consulte Desvio Máximo de Ajuste para obter mais informações.

• Função de peso. Selecione um Função de Peso de Ajuste para modificar as confiabilidades das contagens de seção, detector ou movimento de conversão. Deixe como None se este parâmetro não estiver sendo usado.

• Seções congestionadas (demanda acima da detecção). Quando uma seção está congestionada, o valor observado será menor que a demanda real. Para levar isso em conta e não penalizar valores de alocação maiores que os valores congestionados observados, um grupo de seções congestionadas pode ser adicionado, se disponível. Para o parâmetro Congested Sections (Grouping), selecione um agrupamento na lista suspensa.

  Isto significa que seus valores observados só serão usados nos cálculos enquanto estiverem maior do que os atribuídos. Mas eles não participarão dos cálculos de ajuste se estiverem inferior do que os valores atribuídos. Se contagens de movimentos de conversão estiverem sendo usadas, um movimento de conversão será considerado congestionado (e seus valores de detecção serão tratados da mesma forma) se sua seção de origem estiver congestionada.

• Opções de Agrupamento

  • Usar Categoria de Agrupamento de Centroides. Selecione um agrupamento de centroides (se disponível) para que ele seja considerado como um todo no procedimento de ajuste, em vez de cada centroide ser ajustado individualmente. Isso torna o ajuste menos sensível às variações de escolha de rota.

  • Usar Categoria de Agrupamento de Detecção. Os agrupamentos de detectores funcionam da mesma forma que os agrupamentos de centroides descritos acima. Você pode definir o peso para cada agrupamento de detectores (o valor padrão é 1,0) e o peso é multiplicado pelo fator mínimo de cobertura de faixas. Isso é definido como a cobertura de faixas do detector com a menor cobertura de faixas que seja maior que a limite de cobertura de faixa do detector.

Elasticidade¶

Os valores de elasticidade da demanda controlam quanto os valores na matriz ajustada podem variar à medida que o cenário de ajuste avança. A elasticidade (\(e\)) para a demanda é traduzido em um peso(\(\omega\)) para os termos OD usando a seguinte fórmula:

\(\omega= \frac{1}{e}-1\)

Pode ser entendido como a intensidade da força reativa que se opõe às alterações da demanda em relação à demanda de referência. Quanto mais próximo de 0, mais forte é essa reação a qualquer desvio da demanda original; quanto mais próximo de 1, mais fraca. No caso limite em que é 0, não há reação a uma alteração em relação à demanda original.

O mesmo conceito de elasticidade também está disponível para a Distribuição de Comprimentos de Viagem. No entanto, neste caso, em vez de comparar as demandas de referência e ajustada, a comparação é feita entre as classes da distribuição original de comprimentos de viagem e as classes da distribuição final.

Outras condições podem então restringir o valor ajustado, como o Limites de Demanda - Matriz de Desvio Máximo, que é especificada por meio de uma matriz de restrições por célula. Mas a elasticidade é uma medida de quão firmemente a matriz ajustada está ancorada à matriz anterior.

Se a matriz OD prévia para uma classe de usuário estiver bem estabelecida e for conhecida como precisa, então uma elasticidade da matriz próxima de zero seria apropriada. Por outro lado, se a matriz prévia for menos precisa – talvez derivada de um modelo mais antigo ou em que se soubesse que ocorreram mudanças subsequentes no uso do solo – então seria esperado que a matriz mudasse de forma mais significativa no cenário de ajuste. Portanto, um valor de elasticidade mais próximo de 1 seria apropriado.

Em ambos os casos, o Limites de Demanda - Matriz de Desvio Máximo pode ser usado para controlar a variação com mais precisão.

Agrupamentos de Ajuste ¶

Você pode usar Agrupamentos para controlar o ajuste mesclando centroides ou definindo agrupamentos para screenlines de detecção. Para selecionar quais categorias de agrupamento usar, abra a caixa de diálogo do experimento de ajuste OD estático e clique no Restrições de Ajuste aba. Os agrupamentos tornam o procedimento de ajuste menos sensível à escolha de rotas e aumentam a confiabilidade de seus resultados.

O exemplo a seguir demonstra como os agrupamentos podem ser usados. Considere a seguinte rede com dois movimentos observados: um não observado – uma escolha de rota – e uma razão de conexão atribuída.

A matriz original é:

Sem agrupamentos, isto resulta no seguinte sistema de equações, que é completamente determinado e pode ser prontamente resolvido:

Essa solução fornece um valor alto para o par OD BC, de quase 2.000 viagens. Ela é muito sensível ao percentual de escolha de rota e é amplamente não observada. Dependendo das necessidades do modelo e da topologia da rede, as técnicas a seguir podem fornecer soluções melhores. Observe que "melhor" não significa que isso dá um resultado de validação melhor. É melhor no sentido de ser uma solução menos sensível a mudanças na escolha de rota e mais crível do ponto de vista da engenharia de tráfego.

Agrupamento de centroides¶

Agrupamentos de centroides agregam vários centroides em um único centroide agregado. Isso reduz o número de variáveis no procedimento de ajuste e pode evitar soluções que contenham valores extremos. No exemplo a seguir, os centroides A e B são agrupados em um único centroide agregado chamado D. O sistema de equações agora tem apenas uma variável, DC, e é resolvido com um método de mínimos quadrados:

Os centroides são então desagregados e a distribuição das viagens dentro da zona agregada é proporcional ao resultado original. Neste caso, a proporção original era 50:50, que é mantida.

Agrupamento de detecção¶

Agrupamentos de detecção podem ser usados para especificar screenlines. Isso significa que vários locais de detecção são agregados e considerados como um único local de detecção. Isso pode ser usado, por exemplo, se um modelo tiver duas vias paralelas e a escolha de rota entre as duas for difícil de calibrar. Agregar os dois detectores nesta rede de exemplo fornecerá o seguinte sistema de equações, que é um sistema subdeterminado com muitas soluções. Executar este exemplo no Aimsun Next fornecerá esta solução:

Ambas as técnicas discutidas acima fornecem resultados mais razoáveis e são menos sensíveis a variações de escolha de rota.

Além disso, como um detector pode pertencer a mais de um agrupamento de detectores, é aconselhável marcar a opção chamada Exclusive Objects para que cada detector pertença a apenas um agrupamento. Caso contrário, a contribuição de um detector será contada em mais de um agrupamento, o que pode levar a resultados inconsistentes.

guia Saídas a Gerar¶

A aba Outputs to Generate contém as configurações para ativar e armazenar os resultados do experimento.

aba Variáveis¶

A aba Variables permite definir valores que não estão definidos na caixa de diálogo do cenário de ajuste OD estático, ou caso sejam necessários valores diferentes daqueles no cenário. Variáveis especificadas no experimento têm prioridade sobre as mesmas variáveis no cenário.

aba Saídas¶

A aba Outputs contém quatro subabas: Trips, Trip Length Distribution, Validation e Convergence.

Viagens¶

As matrizes ajustadas do experimento são exibidas na subaba Trips. Elas são apresentadas por User Class (que pode ser alterada para outra User Class ou para All) e incluem Original Demand, Adjusted Demand, Absolute Difference e Relative Difference [%]. Clique nos cabeçalhos das colunas de demanda para ordenar as linhas pela quantidade de demanda e pela diferença.

Um menu suspenso permite ao usuário selecionar Cell-by-cell ou Trip Ends para comparar o número de viagens geradas e atraídas por centroide ou filtrar por Grouping Category. O número total de linhas é igual ao número de linhas + número de colunas dos centroides no objeto Traffic Demand.

Para plotar as saídas de Viagens como uma linha de regressão, comparando a demanda ajustada e a original, clique no ícone de gráfico .

Para criar a nova demanda de viagens e suas matrizes, clique Criar Demanda e Matrizes. A nova demanda e as matrizes serão armazenadas na pasta do Projeto.

Para copiar os dados ou salvar uma captura de tela dos dados, clique Ação e selecione Copiar dados da tabela ou Copiar Gráfico (Snapshot). Agora você pode colar os dados ou o gráfico salvos em outros aplicativos para análise ou exibição.

Distribuição de Comprimento de Viagem¶

O procedimento de ajuste altera a distribuição de viagens na simulação. Um método de comparação é estudar a mudança na distribuição de comprimentos de viagem para analisar onde ocorreram as alterações.

Por exemplo, um aumento significativo em viagens curtas pode indicar que o procedimento gerou viagens de "preenchimento" demais entre centroides adjacentes. Nesse caso, as restrições de entrada e elasticidades talvez precisem ser revisadas e alteradas.

Abaixo do gráfico, estão disponíveis a média e o desvio padrão das distribuições de extensão de viagem original e ajustada, bem como a diferença percentual entre essas médias e desvios padrão.

Validação¶

A subaba Validation compara os resultados da atribuição da demanda ajustada com os dados reais disponíveis que foram usados pelo ajuste. Eles são apresentados por Vehicle Type (que pode ser alterado para outra User Class ou para All). Os dados incluídos na validação são:

• Detecção: Isto mostra os dados de detecção do conjunto de dados reais (por exemplo, seção/detector/movimento de conversão) do RDS selecionado no cenário.
• Seções congestionadas: Se seções congestionadas forem especificadas no Pasta da aba de experimento Restrições de Ajuste, eles só aparecerão nesta tabela quando o valor atribuído ainda for menor que o RDS.
• Volumes de Entrada/Saída: Isto inclui os totais de demanda originais de viagens geradas/atraídas por centroide, quando estes têm uma confiabilidade associada e, portanto, foram usados no ajuste. Essa confiabilidade é definida no Pasta da aba de experimento Restrições de Ajuste.

Para visualizar a comparação como uma linha de regressão, um gráfico de hastes ou uma tabela, clique no ícone apropriado .

O menu suspenso Action permite Copy Table Data ou Copy Graph (Snapshot). Uma terceira opção, Adjust Limits, permite ajustar os limites do gráfico de barras verticais para focar em dados dentro de um intervalo especificado pelo usuário, definido manualmente ou por referência a um objeto.

Convergência¶

A subaba Convergence exibe o progresso em direção à convergência de R² valor e o gap relativo da atribuição em cada iteração principal e, opcionalmente, em cada uma das iterações intermediárias de descida do gradiente.

• Outer Iterations. O número de iterações especificado no experimento para Maximum Number of Iterations.-Perguntar sobre.

• Iterações Internas Concluídas. O número de atribuição iterações concluídas no experimento. O valor máximo é especificado no experimento de ajuste Aba principal.

• Relative Gap Achieved. O gap relativo alcançado na atribuição estática. Isto pode não ser relevante em todos os métodos de atribuição estática. O valor-alvo é especificado no experimento de ajuste Aba principal. Para obter mais informações, consulte Gap Relativo.

• Iteração de Descida do Gradiente (opcional). O número de iterações de descida do gradiente concluídas. O número é especificado no experimento de ajuste Aba principal.

• R² Demanda. A medida da proximidade do ajuste entre a demanda ajustada e a demanda semente.

• R². A medida da proximidade do ajuste dos fluxos modelados aos fluxos observados.

• Inclinação e Intercepto. Os dois valores que definem a linha de regressão.

• Total dos Quadrados dos Erros. A soma dos quadrados dos fluxos observados–modelados.

A aba Plot mostra a progressão do R² valor por iteração. Se ele convergiu para um valor próximo de 1,0, então o ajuste pode ser considerado concluído. Se ainda estiver aumentando em direção a 1.0, então mais iterações podem ser necessárias. Se estiver estabilizando em um valor muito menor que 1,0, então a matriz de entrada, e suas restrições, estão impedindo que o procedimento de ajuste alcance um resultado satisfatório.

A aba Gráfico de Progresso mostra a progressão do R² Valor de demanda e o R² valor por iteração. Este gráfico mostra o efeito de cada etapa de ajuste tanto em termos de distorção da matriz semente quanto em termos de melhoria da validação.

As capturas de tela abaixo mostram as subabas Table, Plot e Progress Plot com e sem a opção Show Gradient Descent Iterations selecionada, em que no experimento de ajuste Aba principal foram especificadas quatro iterações de descida do gradiente.

Abas Atribuição Final de Caminhos e Resultados Finais de Atribuição¶

Estas duas abas contêm o resultado da última alocação com a demanda ajustada. Os resultados são os mesmos descritos em Experimento de Atribuição Estática.

Desvio Máximo de Ajuste¶

No procedimento de ajuste, uma matriz pode ser definido (opcionalmente, por classe de usuário) usando o parâmetro Contents: Maximum Deviation. Isso limita a quantidade de alterações que o algoritmo faz em relação à matriz original. Há três tipos de valor diferentes associados a esse parâmetro: porcentagem, valor absoluto e fator. Você pode selecionar um deles na aba Adjustment Constraints do experimento de ajuste.

• Porcentagem. Os valores da matriz especificada serão usados como uma porcentagem de desvio em relação à matriz original. Isso resulta nos seguintes limites superior e inferior:

  

• Valor Absoluto. Os valores da matriz especificada serão usados como um desvio absoluto em relação à matriz original. O valor absoluto deve ser positivo. Isso resulta no seguinte limite superior e inferior:

  

• Factor. Os valores da matriz especificada serão usados como um fator de desvio em relação à matriz original. Um valor de 0 significa Frozen, e o valor do fator de desvio deve ser > 1. Isso resulta nos seguintes limites superior e inferior:

  

Em todos os casos de células Max Deviation, 0 significa Frozen, qualquer número positivo é usado como esse número, e valores negativos serão convertidos em uma célula vazia, ou seja, nenhum desvio é definido (ou desvio infinito é permitido).