Traffix Ágens Alapú Közlekedési Szimulációs Keretrendszer Bálint Balázs

Az előadások a következő témára: "Traffix Ágens Alapú Közlekedési Szimulációs Keretrendszer Bálint Balázs"— Előadás másolata:

1 Traffix Ágens Alapú Közlekedési Szimulációs Keretrendszer Bálint Balázs bbalint@aitia.ai

2 Bevezetés A hatékony közlekedésszervezés sok időt és pénzt takaríthat meg, csökkentheti a környezeti terhelést és növelheti a biztonságot.

3 Bevezetés Egy ideális világban a közlekedés minden résztvevője saját érdekeit félretéve működne együtt azért, hogy a közlekedést a lehető leghatékonyabbá tegye.

4 Bevezetés Ebben az esetben egy modellezett úthálózaton egy mindenható központi agy minden egyes időpillanatra meg tudná határozni az járművek ideális sebességét, pozícióját, gyorsulását és az összes többi releváns paraméterét.

5 Bevezetés De a valós életben a vezetőknek különböző elképzeléseik vannak arról mi a helyes viselkedés az utakon. –Egyesek szigorúan betartják a szabályokat –Mások nem is ismerik jelentős részüket –Sokan udvariasak és együttműködők –Néhányan ellenségnek tekintik a többi vezetőt –És még ugyanaz az ember is máshogy vezet mikor dühös, siet vagy éppen álmos.

6 Bevezetés Az ágens alapú szimuláció sokkal alkalmasabb a probléma kezelésére. –Az ágenseknek különböző jellemzőik lehetnek –Egymástól eltérően viselkedhetnek –Idővel változhat a viselkedésük.

7 Bevezetés Az közlekedési szimulációk írásánál az egyik fő kihívás megtalálni a kompromisszumot a realisztikus viselkedés és a számításigény között.

8 Bevezetés A Traffix közlekedési keretrendszerben ezt úgy oldottuk meg, hogy: –A realisztikus viselkedés érdekében külön- külön az összes járművet és vezetőt implementáljuk (nem úgy mint a tradicionális folyadék alapú modellekben) –De számításigény csökkentéséhez az autók „hozzá vannak ragasztva a sávokhoz, úgy követik őket mintha sínen futnának

9 Technikai leírás A Traffix egy általános közlekedési szimulációs keretrendszer amely sokféle közlekedési forgatókönyv modellezésére alkalmas, mint például: –Egyszerű kereszteződések –Többsávos utak –Vagy akár egész városrészek forgalmának szimulációja.

10 Technikai Leírás Egy kereszteződés modellezése

11 Technikai Leírás Egy városrész modellezése

12 Technikai leírás Java – ban íródott A Repast 3.1 ágens-alapú szimulációs platformra épül A felhasználók felülírhatják a keretrendszer komponenseit.

13 Technikai leírás Lehetővé teszi minimális Java képzettséggel rendelkező modellezők számára, hogy: –Bonyolult közlekedési forgatókönyveket hozzanak létre –Különböző vezetői viselkedéseket határozzanak meg –Különböző tulajdonságokkal rendelkező autókat hozzanak létre

14 Technikai leírás Lehetővé teszi a kísérletezést különböző –sávváltó –követési távolság tartó –útvonalkereső –stb. viselkedésekkel.

15 Egy Traffix modell főbb komponensei Úthálózat Közlekedési tárgyak (lámpák stb) Vezetők Autók

16 Úthálózat Az úthálózat gráfja a következőkből áll –Csúcsok a kereszteződéseket illetve az utakat reprezentáló törtvonalak töréspontjait jelölik. –Élek az utak egyenes szakaszait jelölik –Sávok Értelemszerűen egy sávot jelöl egy élen.

17 Úthálózat

18

19

20 Az úthálózatot kétféle forrásból veheti a modell –Egy speciális szintaktikájú szövegfájlból A felhasználók által definiált úthálózatokhoz –ESRI Shapefile-ból Valódi úthálózatokhoz.

21 Egy él és sávjai > > > <az él kezdetéhez tartozó eltolás érték > >

22 Sávok öszekapcsolása > Ezt számhármasok követik: > > >

23 Kereszteződés határai

24 Traffix Tárgyak Közlekedési lámpák Záró és szaggatott vonalak Útlezárások

25 Lámpák laneId: Annak a sávnak az azonosítója, amihez a lámpa tartozik red_time: Az idő (szimulációs lépésekben), amikor a lámpa piros green_time: Az idő (szimulációs lépésekben), amikor a lámpa zöld red_and_yellow_time: Az idő (szimulációs lépésekben), amikor a lámpa piros-sárga yellow_time: Az idő (szimulációs lépésekben), amikor a lámpa sárga initial_time: position

26 Járművek I Fizikai attribútumok –Hossz –Szélesség –Gyorsulás – pillanatnyi és maximális –Típus –Sebesség – pillanatnyi és maximális –Pozíció

27 Jármű II Implementálja a vezetője –sávváltó –Kereszteződésen áthajtó –Autó követő –Közlekedési lámpánál tanúsított viselkedését

28 Vezető Meghatározza az autó útvonalát. –A default viselkedés az, hogy a lehető legrövidebb utat választja a lehető legkevesebb sávváltással. –Nem kommunikálnak egymással vagy a modell bármilyen más komponensével. –Megfigyelik a többi autót és reagálnak rájuk.

29 Új szimuláció létrehozása Örököltessünk egy új modell osztályt a TrafficModel osztályból. Adjuk meg a forrásfájlokat az –úthálózathoz –a közlekedési lámpákhoz –az autókhoz

30 Örököltetés a TrafficModel Osztályból Meg lehet határozni melyik jármű illetve vezető osztályt használja a szimuláció. –Két előre meghatározott jármű osztály és egy vezető osztály létezik. –Belőlük lehet új jármű és vezető osztályokat örököltetni.

31 Az úthálózat forrásfájlja Felhasználó által meghatározott úthálózathoz. – Két szövegfájl ami leírja Az éleket és a rajtuk található sávokat. Hogyan folytatódnak egymásban a szomszédos élek sávjai. Térképpel megadott úthálózathoz –ESRI Shapefile

32 A közlekedési lámpák forrásfájlja Lámpánként a következőket tartalmazza –Melyik sávhoz tartozik –A pozíciója a sávon –A különböző állapotainak ideje (Piros, piros- sárga stb.) –A ciklusának hányadik lépésében van a szimuláció kezdetekor

33 Az autók forrásfájlja Start-cél párokat és a hozzájuk egy-egy pozitív egész számot (n) tartalmaz –Minden n-ik lépésben egy új autó kezdi meg az útját a megadott startból a megadott célba. Tehát a szimulációnkban tetszőleges pontokból tetszőleges gyakoriságokkal indíthatunk autókat az általunk kiválasztott célok felé.

34 Alapvető Mérőszámok Sebesség – V Sűrűség – K (Jármű/km) Flow vagy Áteresztőképesség: Egy adott ponton időegység alatt áthaladó járművek száma

35 Az áteresztőképességet a sebesség és a sűrűség szorzataként kapjuk: Q=V*K Mértékegysége jármű/óra

36 A sebesség és a sűrűség összefüggése kevésbé nyilvánvaló. Greenshields (1934) szerint így függnek össze (Vmax az elméleti maximális sebesség, Kd a maximális sűrűség dugó esetén):

37 A közlekedés sebessége csökken az elméleti maximum értékről ahogy a sűrűség közelíti a maximumát, mivel a vezetőknek –egyre több autóra kell figyelniük, –gyakrabban és intenzívebben kell fékezniük.

38 A két képletet kombinálva: Ahogy a sűrűség nő a flow először növekszik majd miután elérte maximumát csökkenni kezd. Ez a küszöb (ahol a flow maximális) jelzi az úthálózat kapacitását, gyakran c-vel jelölik. A küszöbértéknél a flow instabillá válik és a sűrűség növekedésével csökkenni kezd.

39 Az összefüggések ábrázolása

40 A Traffix-os szimulációkban is igazak a fenti összefüggések Terveztünk egy egyszerű úthálózatot ahol minden autó ugyanolyan hosszú utat tesz meg

41 A sebességet hosszegység/szimulációs lépésben mértük A sűrűséget jármű/1000 hosszegységben A flow-t jármű/5000 szimulációs lépésben 12 különböző forgatókönyvvel végeztünk futtatásokat, ahol a legnagyobb forgalomnál 5 lépésenként léptek be autók, míg a legkisebbnél 70 lépésenként. Az adatgyűjtés 500 szimulációs lépés megtétele után kezdődött és 5000 lépésen keresztül tartott.

42 A K és V közti lineáris összefüggés nem áll, de a monoton csökkenés itt is megfigyelhető. A másik két görbe alakja is kevésbé szabályos, de tulajdonságaik megfelelnek az elméleti párjaik tulajdonságainak.

43 Közlekedési lámpák hangolásának hatása

44 Háromféle forrásfájlt használtunk az autók betevéséhez, melyek kis, közepes és nagy forgalomnak feleltek meg. Négyféle forrásfájl a lámpákhoz, minden egyes fájlban kétszer hosszabb ideig zöld mint az előzőben, a sárga mindig ugyanannyi ideig tart.

45 Mértük a –teljes vezetői populáció átlagos utazási idejét mértük –valamint a throughput-ot, a céljukat elért autók számát. Minden autó forrásfájl – lámpa forrásfájl párral öt mérést csináltunk és ezeket átlagoltuk.

46 Kis és közepes forgalomnál a throughput nem függ a lámpák hangolásától. De az átlagos utazási idő jelentősen romlik ahogy a lámpák egyre több idő telik el két váltás közt, mivel általában az első zöldön át tudnak menni, és minél később tovább tart a piros annál többet várnak.

47 Nagy forgalomnál az autóknak több lámpaváltást is ki kell várniuk mielőtt áthaladhatnak a kereszteződésen. Mikor zöldre vált a lámpa az elől várakozó autóknak időbe telik míg felgyorsulnak, ezért a zöld elején kevesebb autó és lassabban halad át mint később. Minél hosszabb ideig zöld a lámpa annál több autó megy át a kereszteződésen nagy sebességgel. Következésképp nő a throughput és csökken az átlagos utazási idő.

48 Kanyarodósávok hosszának hatása

49 0, 20, 40, 80 és 160 egység hosszú kanyarodósávokat használtunk. Négyféle forrásfájlt az autókhoz a kis forgalomtól a csúcsforgalomig. Mértük a vízszintes utakon egyenesen közlekedők átlagos utazási sebességét és a throughputot. Megint öt futtatást csináltunk minden párral (kanyarodósáv – autó forrás fájl)

50 Kis forgalomnál a kanyarodásra várakozók nem tartják fel jelentősen az egyenesen menőket, még akkor sem ha nincs is kanyarodósáv. Ahogy a forgalom nő egyre hosszabb kanyarodósávokra van szükség ahhoz, hogy ne tartsák fel a kanyarodók az egyenesen menőket.

51 A sávváltók arányának hatása Ebben a kísérletben kétféle vezetőt használunk –Sávváltókat, akik ahányszor lassabb járművet érnek utol mindig megpróbálják megelőzni azt, ész nélkül, akkor is ha az új sávjukban később lassabban haladhatnak –Sávot nem váltókat, akik beleszülettek az egyik sávba, és azt semmilyen akadályoztatás esetén sem hagyják el.

52 Hogy csakis a sávváltások hatását tanulmányozhassuk egy egyenes négysávos utat használunk

53 Hogy több sávváltást provokáljunk ki –bevezettünk némi szórást az azonos típusú járművek gyorsulásában és maximális sebességében –A járművek egyötödét a „lassú teherautó” típusba tartozott, jelentősen kisebb maximális sebességgel és gyorsulással mint a többi típus.

54 Megint négyféle autó forrás fájlt használtunk a kis forgalmat generálótól a csúcsforgalomig. A sávváltók arányát öt százalékos ugrásokban változtattuk, és minden sávváltó százalék – autó forrásfájl párral öt futtatás csináltunk, ezek eredményeit átlagoltuk

55 Mértük az átlagos utazási idejét –Együttesen az egész vezetői populációnak –A sávváltóknak –A sávot nem váltóknak

56 Kis forgalom esetén az autók ritkán tartják fel egymást, így a sávváltók csak kicsivel tudnak jobb időket futni, az egész populáció eredménye pedig csak árnyalatnyival lesz jobb ahogy a sávváltók aránya nő

57 Közepes forgalom esetén a sávváltók jelentős előnyre tudnak szert tenni a lassabbak megelőzésével. Mivel a forgalom nem túl sűrű az előzések nem nagyon zavarják sem a megelőzötteket sem azokat akik az új sávban vannak. Így ebben az esetben az egész populáció átlagos haladási ideje is javul a sávváltók arányának növelésével.

58 Nagy forgalom esetén a sávváltók még mindig jobban járnak mint a sávot nem váltók, de már jóval kisebb az előnyük mint az előző esetben. De a sávváltások már megzavarják a közelben lévő autókat, akik gyakran fékezésre kényszerülnek emiatt, így az átlagos haladási idők nagyjából ugyanazon a szinten maradnak a sávváltók arányának emelkedésével.

59 Csúcsforgalom esetén a forgalom sűrűsége közel van az elméleti maximumához, ezért sávváltás után a vezető általában azt találja, hogy az új sávban csak rövid ideig tud gyorsabban menni mint a régiben. Mi több, a sávváltó sokszor akadályozza az autókat maga mögött az új sávjában. Következésképp a sávváltók és sávot nem váltók átlagos utazási ideje majdnem teljesen megegyezik. Mi több, minél magasabb a sávváltók aránya, annál rosszabb az egész populáció eredménye.

60 Sávváltás autópályán

61 A sávváltások hatását most egy autópálya hálózat részletén tanulmányozzuk Az átlagos haladási idők mérésének nincs sok értelme, mert: –a vezetők különböző távolságokat tesznek meg –és akik rövidebb utakat tesznek meg gyakran elkerülik a dugókat melyeket a hosszabb utakat megtevők nem kerülhetnek el Nem mérjük külön a sávváltók eredményét –mert a vezetők létrehozásakor véletlenszerűen, függetlenül az útvonaluktól, dől el, hogy ki lesz sávváltó és ki nem

62 De valamit csak mérnünk kell, ha már megcsináltuk a szimulációt –Azt vizsgáljuk milyen hatással van a sávváltók arányának változtatása a throughput-ra Throughput: hány jármű halad keresztül az autópálya hálózat részleten a teljes szimuláció alatt

63 Kis forgalomnál az autók ritkán érik utol egymást, ezért a throughputra szinte semmi hatása nincs a sávváltók arányának. Közepes vagy nagy forgalomnál viszont a kis mennyiségű sávváltó esetén a sávváltók gyakran el ki tudják kerülni a többiek által formált hosszú sorokat. A throughput kb. 45 százalékos sávváltó aránynál éri el a maximumát, és ott is marad hiába emelkedik tovább a sávváltók száma.