Short summary presentation of PhD results of Luuk Brederode at Delft University and DAT.Mobility containing:
1)relevance of the research
2)positioning of the developed traffic assignment model STAQ and the research as a whole
3)results of the developed matrix estimation method using STAQ
4)results of the developed semi- dynamic version of STAQ
Quasi dynamic traffic assignment on the large scale congested network of Noor...
Incorporating congestion phenomena into large scale strategic transport model systems
1. -
Incorporating congestion phenomena into large scale strategic
transport model systems
Samenvatting PhD
onderzoek van Luuk
Brederode 2013-2023
titel presentatie
1
Presentatie voor Rijkswaterstaat - WVL
2023-01-11
2. -
Inhoud
• Relevantie van dit onderzoek en introductie tot STAQ
• Positionering van STAQ en SDTAQ ten opzichte van andere toedelingsmodellen
• Matrixkalibratie met STAQ
• SDTAQ - Semi dynamische versie van STAQ
donderdag 9 februari 2023
titel presentatie 2
3. -
Is dit onderzoek relevant?
resultaten uit een enquête onder 62 consultants en onderzoekers in ons veld
Wie waren de respondenten?
• Eerste ‘wave’:
• 35 Goudappel collega’s in maart 2022
• Tweede ‘wave’:
• 27 deelnemers in mijn sessie op het PLATOS colloquium in maart 2022
• In totaal: 62 respondenten die elk 2 vragen hebben beantwoord
donderdag 9 februari 2023
Multi Source Matrix Calibration – first large scale application 3
4. -
Q1: Wat is de beste maat voor file-omvang als je een
strategische studie doet?
donderdag 9 februari 2023
Multi Source Matrix Calibration – first large scale application 4
1. File lengtes
1.6%
2. Reistijdvertragingen of voertuigverliesuren
56.5%
3. File duur
0%
4. Filezwaarte (=lengte*duur)
41.9%
5. -
Q2: Hoe beoordelen we of een strategisch
verkeersmodel files goed beschrijft?
Door te vergelijken met:
donderdag 9 februari 2023
Multi Source Matrix Calibration – first large scale application 5
1. Waargenomen filelengten
21.3%
2. Waargenomen reistijdvertragingen of voertuigverliesuren
13.1%
3. Waargenomen fileduur
0%
4. Waargenomen filezwaarte (=lengte * duur)
14.8%
5. ‘Waargenomen’ i/c verhoudingen of wensvraag
50.8%
6. Waarom beoordelen we vooral op I/C
verhoudingen ipv reistijdvertragingen?
donderdag 9 februari 2023
Matrixkalibratie met STAQ 6
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
7. Waarom beoordelen we vooral op I/C
verhoudingen ipv reistijdvertragingen?
donderdag 9 februari 2023
Matrixkalibratie met STAQ 7
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Omdat een statisch capacity restrained model wegvakken met congestie niet kan beschrijven
zijn gemodelleerde snelheden op/boven capaciteit niet als vertragingen interpreteerbaar.
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
8. Waarom kunnen we met STAQ wel beoordelen
op reistijdvertragingen?
donderdag 9 februari 2023
Matrixkalibratie met STAQ 8
Waarnemingen
Intensiteit [vtg/u/strook]
Toedelingsmodel
Snelheid
[km/u]
Intensiteit [vtg/u/strook]
Snelheid
[km/u]
STAQ is wél in staat om wegvakken met congestie te beschrijven. We kunnen dus ook
echte reistijdvertragingen uitrekenen.
9. Dat uit zich ook in congestiepatronen: Case study
Rijstroken toegevoegd
Kruispuntcapaciteit
uitgebreid
Uit: Brederode et al (2019)
donderdag 9 februari 2023
Matrixkalibratie met STAQ 9
10. Toedeelresultaten referentie situatie
Legenda:
Bandbreedten: intensiteiten (vtg/h ochtendspits)
Kleuren: snelheid (als percentage van vrije snelheid)
Bollen: Omvang verticale wachtrijen (VVU’s)
Toedeelresultaten capacity restrained
Toedeelresultaten STAQ
80% 100%
0%
308
Uit: Brederode et al (2019)
donderdag 9 februari 2023
Matrixkalibratie met STAQ
11. Toedeelresultaten scenario met maatregelen
1. Bottleneck op afrit verdwijnt
2. Bottleneck op snelweg verdwijnt
3. Meer verkeer via Berlicumseweg
4. Intensivering van bottlenecks en
spillback stroomafwaarts
5. Minder vertraging op ring Den Bosch
6. Meer instroom vanuit ring Den Bosch,
activatie van nieuwe bottleneck op
knooppunt
1
2
4
4
3
5
6
3
4
1
2
Toedeelresultaten capacity restrained
Toedeelresultaten STAQ
Legenda:
Bandbreedten: intensiteiten (vtg/h ochtendspits)
Kleuren: snelheid (als percentage van vrije snelheid)
Bollen: Omvang verticale wachtrijen (VVU’s)
80% 100%
0%
308
Uit: Brederode et al (2019)
donderdag 9 februari 2023
Matrixkalibratie met STAQ 11
12.
13. Framework (focusing on network loading model)
pagina 13
Static
Semi-dynamic
Dynamic
Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Simplified from:
Bliemer, M.C.J., Raadsen, M.P.H., Brederode, L.J.N., Bell, M.G.H., Wismans, L.J.J., Smith, M.J., 2017.
Genetics of traffic assignment models for strategic transport planning. Transp. Rev. 37, 56–78.
Spatial interaction assumptions
Temporal
interaction
assumptions
-least ‘capable’ model
-best scalable / fastest model
-nicest mathematical properties
-most ‘capable’ model
-least scalable / slowest model
-worst mathematical properties
14. Spatial interaction assumptions
pagina 14
Adopted from:
Brederode, L., Pel, A.J., Wismans, L., de Romph, E., Hoogendoorn, S.P., 2019. Static Traffic Assignment with Queuing: model
properties and applications. Transportmetrica A: Transport Science 15, 179–214. https://doi.org/10.1080/23249935.2018.1453561
Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Link model
Node model None Existent Existent
15. Temporal interaction assumptions
pagina 15
Adopted from:
Bliemer, M.C.J., Raadsen, M.P.H., Brederode, L.J.N., Bell, M.G.H., Wismans, L.J.J., Smith, M.J., 2017.
Genetics of traffic assignment models for strategic transport planning. Transp. Rev. 37, 56–78.
Modelled Demand
‘True’ Demand
16. Framework and most used models in practice
pagina 16
Semi-dynamic
Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Simplified from:
Bliemer, M.C.J., Raadsen, M.P.H., Brederode, L.J.N., Bell, M.G.H., Wismans, L.J.J., Smith, M.J., 2017.
Genetics of traffic assignment models for strategic transport planning. Transp. Rev. 37, 56–78.
Spatial interaction assumptions
Temporal
interaction
assumptions
Static
Dynamic
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Macroscopic Dynamic’
(CTM, Daganzo (1994);
LTM, Yperman (2007))
‘Static Equillibrium’
(Beckmann et al, 1956)
17. Classification of traffic assignment models
pagina 17
Semi-dynamic
Unresponsive to
congestion
Route distribution
due to congestion
Vertical queues
due to congestion
Horizontal queues
due to congestion
Simplified from:
Bliemer, M.C.J., Raadsen, M.P.H., Brederode, L.J.N., Bell, M.G.H., Wismans, L.J.J., Smith, M.J., 2017.
Genetics of traffic assignment models for strategic transport planning. Transp. Rev. 37, 56–78.
Spatial interaction assumptions
Temporal
interaction
assumptions
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Macroscopic Dynamic’
(CTM, Daganzo (1994);
LTM, Yperman (2007))
‘Static Equillibrium’
(Beckmann et al, 1956)
Static
Dynamic
‘STAQ squeezing’
(Brederode et al, 2019)
‘STAQ queuing’
(Brederode et al, 2019);
Bliemer and Raadsen 2020
‘SDTAQ squeezing’
(Brederode et al, 2023(?))
‘SDTAQ queuing’
(Brederode et al, 2023(?))
These models do not
converge to user
equillibrium with known
algorithms (and/or user
equillibrium does not
exist – Dafermos 1980)
18. Multi Source
Matrix
Calibration
Grootschalige toepassing op het
provinciale verkeersmodel van de
provincie Noord-Brabant
Ontwikkeltraject uitgevoerd door DAT.Mobility in
opdracht van de
donderdag 9 februari 2023
Matrixkalibratie met STAQ 18
19. Aanleiding en projectdoel
• In de Brabant Brede Model Aanpak (BBMA) wordt STAQ in plaats van een capacity
restrained toedelingsmethode gebruikt.
• Dit zorgt voor een accuratere beschrijving van effecten van congestie.
• Het biedt tevens kansen om op tellingen beïnvloed door congestie te kalibreren (geen
wensvraag nodig) en om ook te kalibreren op filelocaties en reistijden
• Bij aanvang van dit project was een prototype implementatie van deze nieuwe
matrixkalibratie methodiek (MSMC) beschikbaar en beschreven in een wetenschappelijk
paper*.
• De scope van dit project is om de praktische meerwaarde van deze methode te
onderzoeken door de vigerende kalibratie (die OtMatrixEstimation en STAQ is uitgevoerd)
te herhalen met MSMC en STAQ.
donderdag 9 februari 2023
Matrixkalibratie met STAQ 19
*Brederode, L., Pel, A.J., Wismans, L., Rijksen, B., Hoogendoorn, S.P., 2023. Travel demand matrix estimation for strategic road traffic assignment models with strict
capacity constraints and residual queues. Transportation Research Part B: Methodological 167, 1–31. https://doi.org/10.1016/j.trb.2022.11.006
20. -
Legenda:
Bandbreedten: intensiteiten (pae/h ochtendspits)
Kleuren: snelheid (als percentage van vrije snelheid)
Bollen: Omvang verticale wachtrijen (VVU’s)
80% 100%
0%
Dataverzameling – apriori toedeling
donderdag 9 februari 2023
Matrixkalibratie met STAQ 20
BBMB 2 uurs PAE toedeling van apriori matrix
NB: toedeling heeft plaats gevonden op alle
wegvakken, alleen voor de leesbaarheid zijn de own
wegvakken weggelaten in dit plaatje
1.580.764
3.920.406
OD-pairs>0
Routes
145.269 Links
103.045
17.632
Nodes
Junctions
21. -
Dataverzameling – convergentie apriori toedeling
donderdag 9 februari 2023
Matrixkalibratie met STAQ 21
PAE 2u toedeling convergeert in 1:41 uur
(13 iteraties) tot DG < 5E-04
Om bruikbare resultaten te leveren moet een strategische
toedeling het gebruikersevenwicht bereiken. Dit is bereikt
wanneer de ‘duality gap’ (DG) waarde kleiner dan 5E-04 is.
22. Dataverzameling – waargenomen intensiteiten
• Telset overgenomen van BBMB 2018 (456 pae-tellingen)
• Tellocaties met <5% ongehinderd* verkeer of <5% ongehinderde routes (in de apriori
toedeling) verwijderd uit telset omdat deze (bijna) alleen netwerk informatie bevatten
(deze data zou voor netwerk-kalibratie gebruikt moeten worden, niet voor vervoersvraagmatrixkalibratie)
donderdag 9 februari 2023
Matrixkalibratie met STAQ 22
Aantal % van tellocaties
Tellocaties met <5% ongehinderd verkeer 21 5%
Tellocaties met <5% ongehinderde routes 14 3%
Tellocaties met 1 van beide onder 5% 21 5%
*verkeer is gehinderd wanneer het in de a-priori
toedeling een actieve bottleneck gepasseerd is
23. -
Methodiek op hoofdlijnen (algoritme)
donderdag 9 februari 2023
Matrixkalibratie met STAQ 23
-Voor details en een boel wiskunde zie:
Brederode, L., Pel, A.J., Wismans, L., Rijksen, B., Hoogendoorn,
S.P., 2023. Travel demand matrix estimation for strategic road
traffic assignment models with strict capacity constraints and
residual queues. Transportation Research Part B: Methodological
167, 1–31. https://doi.org/10.1016/j.trb.2022.11.006
-Ga ik nu verder niet bespreken
24. -
Een solver die grootschalige sparse
quadratische optimalisatieproblemen
met non negativity- en lineaire
bottleneck constraints kan oplossen
Een statisch capacity
constrained toedelingsmodel
Upper level:
Minimaliseer verschillen tussen
gemodelleerde en waargenomen intensiteiten en
reistijden en geschatte en apriori HB matrix;
met kiemlocaties als randvoorwaarde;
Gebruik makend van HB paren per telling die nog
niet gereduceerd zijn
HBmatrices
Lower level:
Bepaal relaties tussen huidige HB-matrices en
wegvakintensiteiten
RouteFracties,
Bottleneck
Reductiefactors
+ gevoeligheden
Waargenomen wegvak-intensiteiten
Waargenomen reistijden Waargenomen kiemlocaties
Diagram op basis van: Brederode en Verlinden (2019)
Apriori HB matrix
Methodie op hoofdlijnen (implementatie)
24
25. -
Resultaten – overzichtsdashboard
donderdag 9 februari 2023
Matrixkalibratie met STAQ 25
Gemiddelde afwijking per tellocatie neemt in 5 iteraties af
naar 7%
Gemiddelde afwijking per reistijdtraject daalt van 25 naar
12%
Gemiddelde kalibratie effect per HB paar bedraagt 0.20%
Tekort (overschot) aan verkeer
op (niet)file locaties benaderd 0
Verloop van doelfunctie waarde (samenvattende maat die
het algoritme probeert te minimaliseren)
NB: stippellijnen en cursieve
cijfers in de grafieken
representeren afwijkingen van
de vigerende BBMB kalibratie
322
90
0
NB, het max aantal iteraties is
(arbitrair) op 5 gesteld
0.13
27. -
Resultaten - congestiepatronen
donderdag 9 februari 2023
Matrixkalibratie met STAQ 27
Rang waargenomen
FileZwaarte Koplocatie
in BBMB
2018?
In pae-toedeling
BBMB 2018?
in MSMC zonder
reistijden? in MSMC?
1 A27 noord (Gorinchem) ( 303_a27_hm28.5 )
2 A2 noord (Maarheeze) ( 306_a2_hm175.6 )
3 A58 oost (Eindhoven) ( 302_a58_hm25.0 )
4 A2 noord (eindhoven) ( 306_a2_hm175.6 )
5 A16 noord (Dordrecht) ( 410_301_a16_hm44.0 )
6 A2 noord (Utrecht) ( 308_a2_hm109.7 )
7 A67 west (Eindhoven) ( 309_a67_hm27.3 )
8 A58 oost (Tilburg) ( vild093_a58 )
9 A2 zuid (Den Bosch) ( 618_a2_hm96.7 )
10 A67 west (Eindhoven) ( 311_a67_hm32.5 )
11 A58 oost (Eindhoven) ( 307_a58_hm18.5 )
12 A58 oost (Tilburg-centrum) ( 319_a58_hm44.2 )
13 A50 zuid (Oss) ( vild161_a50 )
14 A59 west (Den Bosch) ( vild820_a59 )
15 A59 noord (Nijmegen) ( vild505_a59 )
16 A50 west (Veghel) ( vild418_a50 )
Niet hier, maar grote kiemen
binnen kp Hooipolder
Kiem die in sommige iteraties
(met verschil van 1 voertuig)
verdwijnt
28. -
Resultaten - trajectvertragingen
donderdag 9 februari 2023
Matrixkalibratie met STAQ 28
• Op alle trajecten scoort MSMC beter
dan synthetisch
• Afwijkingen dalen van gemiddeld 25%
naar gemiddeld 12% per traject
• In absolute zin dalen afwijkingen van:
• tussen 25 sec en 5 minuten; naar
• tussen 12 sec en 2 minuten
• Detail-analyses wijzen uit dat
inconsistenties in brondata een betere
fit voorkomen
• NB: deze analyse bevat alleen trajecten
waar (volgens google reistijden)
vertraging door wachtrijvorming plaats
vindt
29. -
Resultaten - rekentijden
donderdag 9 februari 2023
Matrixkalibratie met STAQ 29
• MSMC heeft alle vijf iteraties nodig om de genoemde fit op reistijden te bereiken. MSMC is
daarmee ca 11% sneller dan de huidige methode.
• MSMC heeft slechts drie iteraties nodig om een betere fit op tellingen te bereiken dan die van de
huidige methode. Wanneer de fit op trajectvertragingen niet beschouwd zou worden is MSMC ca
40% sneller dan de huidige methode
• Er zijn een drietal aandachtspunten bij deze vergelijking:
• BBMB genereert elke iteratie nieuwe routes, MSMC doet dat niet. Hierdoor is MSMC in het voordeel.
• BBMB deelt personenauto en vracht apart toe, MSMC deelt pae’s toe. Hierdoor is MSMC in het voordeel.
• BBMB doet 1 uurs toedeling; MSMC 2 uurs. Hierdoor is BBMB in het voordeel
aantal STAQ iteraties
rekentijd STAQ + routesets
type SMC rekentijd SMC totale rekentijd aantal STAQ iteraties
rekentijd STAQ+lower level rekentijd upper level totale rekentijd
10 04:10:00 kiem 00:09:06 04:19:06 12 02:56:36 01:10:40 04:07:16
10 03:37:58 tellingen 01:56:36 05:34:34 15 02:57:30 00:59:20 03:56:50
10 03:38:44 kiem 00:09:27 03:48:11 14 02:47:04 00:45:44 03:32:48
10 03:39:53 tellingen 02:00:22 05:40:15 13 02:38:49 00:20:28 02:59:17
13 02:39:51 00:00:00 02:39:51
40 15:06:35 04:15:31 19:22:06 67 13:59:50 03:16:12 17:16:02
MSMC 5mln routes 2 uur
BBMB2018 kalibratie 5mln routes 1 uur
30. -
Conclusies 1
• MSMC maakt gebruik van aanvullende informatie over bottlenecks uit de STAQ toedeling
• Daardoor kan:
• MSMC direct op tellingen beïnvloed door congestie kalibreren (geen wensvraag nodig);
• MSMC ook op waargenomen filelocaties en trajectvertragingen kalibreren.
• MSMC houdt ook rekening met de effecten van kruispuntmodellering (niet eerder
benoemd)
• De methodiek achter MSMC kan ook op meerdere klassen weggebruikers kalibreren, maar
dat is nog niet geïmplementeerd
donderdag 9 februari 2023
Matrixkalibratie met STAQ 30
31. -
Conclusies 2
• MSMC is in dit project succesvol toegepast op de BBMB:
• De fit op tellingen is beduidend beter dan die o.b.v. de methode uit BBMB2018
• Alle filelocaties worden gerealiseerd
• Verschillen in waargenomen trajectvertragingen zakken tijdens MSMC kalibratie van gemiddeld 25% naar
12%, terwijl deze in de vigerende BBMB kalibratie toenemen met 395% (omdat ze niet meegenomen
kunnen worden).
• De afwijking t.o.v. de apriori HB matrix is ca 23% lager dan die o.b.v. de methode uit BBMB2018
• De rekentijd voor kalibratie inclusief trajectvertragingen is ca 11% lager dan die van de huidige methode
• De rekentijd voor kalibratie exclusief trajectvertragingen is ca 40% lager dan die van de huidige methode
• Bij doorontwikkeling naar definitieve implementatie zullen rekentijden nog fors dalen
donderdag 9 februari 2023
Matrixkalibratie met STAQ 31
32. 32
Challenge the future
Semi dynamic STAQ application on the province-
wide model of Noord-Brabant
By Luuk Brederode – 2022-02-03
Semi-dynamic
Unrestrained Capacity
Restrained
Capacity
Constrained
Capacity & Storage
Constrained
Static
Dynamic
‘All-Or-Nothing’
(Dijkstra, 1959)
‘Macroscopic Dynamic’
(CTM, Daganzo (1994);
LTM, Yperman (2007))
‘Static Equillibrium’
(Beckmann et al, 1956)
‘SDTAQ’
(Brederode et al, 2023 (?))
33. 33
Challenge the future
Derivation of hourly OD matrices
• Split up 24hour odmatrices into 24 * 1 hour matrix using hourfractions per
purpose from survey data:
33
34. 34
Challenge the future
Prototypical implementation of semi-dynamic STAQ
34
Run static capacity
constrained equilibrium
TA model
(Brederode et al. 2019)
Equilibrium link flow
acceptance factors (𝛂𝑘)
Equilibrium link inflows 𝐮𝑘
Cumulative in- and
outflow (𝐔1..𝑘, 𝐕1..𝑘)
Residual traffic transfer
Total travel demand
(𝐃𝑘+1 + 𝐐𝑘) and RouteSet
(𝐏𝑘+1) next period
Travel demand departing
in next period (𝑫𝒌+𝟏)
Semi dynamic delay and
collective loss calculation
Update cumulative in- /
outflowcurves
Equilibrium Route
choice probabilities (𝛑𝑘)
RouteSet (P)
𝑘: = 𝑘 + 1
Delays and collective
loss for each (departure)
time (𝛕1..𝑘; 𝐑1..k)
Transfer residual traffic from
vertical queues into the next hour
• Put residual traffic on closest
upstream node
• If required, add shortest paths
between node and (relevant)
destinations
For each hour
Run STAQ to
equillibrium
53. 53
Challenge the future
Comparison of collective losses
0
5000
10000
15000
20000
25000
30000
35000
40000
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
Collective
loss
[veh*h]
Simulation time
Static TA model
Network operator's perspective
Traveller's perspective
0
5000
10000
15000
20000
25000
30000
35000
40000
7:00
8:00
9:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
Collective
loss
[veh*h]
Simulation time
Semi dynamic TA model
Network operator's perspective
Traveller's perspective
Static TA model Semi-dynamic TA model Difference
Period collective loss Period collective loss absolute relative
AM peak 07:00 - 10:00 42554 07:00 - 11:00 74774 32220 76%
PM peak 16:00 - 19:00 35156 16:00 - 19:00 44560 9404 27%
24h period 00:00 - 24:00 77710 00:00 - 24:00 119334 41624 54%
54. 54
Challenge the future
SDTAQ – comparison with STAQ on BBMB
Conclusions on accuracy:
• the relaxation of the empty network assumption by the semi-dynamic TA model yields more
demand and hence more collective loss in time periods starting with residual traffic from a previous
time period.
• On the BBMB, this yields up to 76% more collective losses during the peak periods and also
extension of especially the AM peak period.
• Considering the entire 24h period, the semi-dynamic TA model yields 54% more collective loss.
• These substantial differences indicate that using a static TA model (i.e.: assuming an empty network
at the start of each assignment) severely under-estimates delays on congested networks. It is
therefore very likely that the empty network assumption in static TA models influences (policy)
decisions based upon queue size and delay related model outcomes on congested networks.
55. 55
Challenge the future
Comparison of calculation times and convergence
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
[CELLRANGE]
00:00
00:30
01:00
01:30
02:00
02:30
03:00
03:30
6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00
Calculation
time
[hh:mm]
Simulation timeperiod
Grafiektitel
Semi Dynamic (assignment) Semi Dynamic (traffic transfer) Static
Static Semi-dynamic Difference
Assignment Assignment Traffic transfer Total
Average 6h-20h 01:14 01:21 00:31 01:53 51%
Total 6h-20h 17:27 19:06 07:19 26:26 51%
Total 24h 28:33 30:13 07:29 37:43 32%
Numbers above bars represent
#iterations required to reach
DG < 1E-04
Calculation times in [hh:mm]
on an AMD Ryzen 9 3900X
@3.79 Ghz and 128GB of RAM
56. 56
Challenge the future
SDTAQ – comparison with STAQ on BBMB
Conclusions on calculation times and convergence:
• Calculation times per time period in the static TA model vary between 1:08h and 1:30h with required number of
iterations between 8 and 11 iterations
• Maximum calculation times for the semi-dynamic TA model are 1:44h (+16%) and 13 iterations (+18%).
• On top of that, the transfer of residual traffic requires an additional 5 minutes up to 1:30h (up to +50%
compared to the static TA model).
• in time periods with queues, the semi-dynamic TA model requires on average 51% more calculation time,
predominantly due to calculation time spent by the traffic transfer module
• Note that the TA model implementation is optimized C++ code, whereas the residual traffic transfer module is a
prototypical implementation in Ruby using file-based data exchange with the assignment model.
• Given its low computational complexity, additional calculation time for the residual traffic transfer module
should drop to less than 10% when its code would be merged with the TA model codebase
57. -
Vragen? Meer info? Contact?
titel presentatie
Presentatie voor Rijkswaterstaat - WVL
2023-01-11
slideshare.net/LuukBrederode
researchgate.net/profile/Luuk-Brederode
lbrederode@dat.nl / +31 (0) 6 27 36 98
30
Notes de l'éditeur
NB: over methodiek vertel ik vrijwel niets omdat dat vorig jaar al tijdens mijn Platos presentatie aan bod is gekomen: https://www.slideshare.net/LuukBrederode/20200311-platos2020-matrixkalibratie-op-intensiteiten-congestiepatronen-en-reistijden-fontsembedded
