1.
-
Strategische micromodellen
zonder statistische ruis
Het kan!
Maar wanneer is het nou echt relevant?
Luuk Brederode (DAT.Mobility) - spreker
Peter Klein Kranenbarg (Utwente / DAT.Mobility)
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 1

2.
-
Gewenste eigenschappen voor strategische
modellen (1/2)
Strategische modellen worden toegepast om scenario’s / maatregelen te beoordelen die lange
termijn effecten hebben op het mobiliteitssysteem en moeten daarom stabiel zijn:
modeluitkomsten representeren de situatie waarin reizigers hun gedrag hebben aangepast aan
het scenario.
Dit vraagt om uitkomsten die voldoen aan vooraf gedefinieerde wiskundige condities zoals
maximale entropie of gebruikersevenwicht.
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 2

3.
-
Gewenste eigenschappen voor strategische
modellen (2/2)
Strategische modellen worden toegepast op scenario’s ver in de toekomst met daarom hoge
onzekerheid op de invoer. De uitvoer wordt daarom altijd relatief t.o.v. een referentie situatie
beschouwd en moet dus vergelijkbaar zijn: verschillen in modeluitvoer moeten alleen
veroorzaakt kunnen worden door verschillen in modelinvoer.
Dit vraagt om uitkomsten die niet beïnvloed zijn door stochastische processen en/of door een
gebrek / verschil aan stabiliteit tussen referentie en scenario.
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 3

4.
-
Aanvullende gewenste eigenschap:
afhankelijkheden van keuzes meenemen
vrijdag 25 maart 2022
4
Persoon heeft een
deelauto abbonement
Deelauto is niet in
gebruik door anderen
Deelauto
beschikbaar als:
Voortransport naar
deelauto niet via
bezitsvervoermiddel;
-OF-
Bezitsvervoermiddel
wordt op de terugweg
weer opgepikt
Macromodel
(geaggregeerd)
Macromodel
(gedesaggregeerd)
Micromodel
Beschikbaarheid
vervoerwijze afhankelijk van:
Persoon/huishoud eigenschappen
Keuzes van andere mensen
Eerder gemaakte eigen keuzes
Onze huidige
Stedelijk /
regionale modellen
LMS / NRM,
VMA
Albatross,
Octavius, …
Voorbeelden van
toepassingen in Nederland:
Stabiel
Vergelijkbaar
Modeluitkomsten zijn:

5.
-
(on-)vergelijkbaarheid in micromodellen
5
Verschillen uit microscopisch vervoersvraagmodel
o.b.v. Random trekkingen (seed=1)
100 veh increase
100 veh decrease
Verschillen uit microscopisch vervoersvraagmodel
o.b.v. Statistical Noise Elimination Technique (SNET)
Effect op wegvakintensiteiten van toevoegen van 180 inwoners in omcirkeld gebied

6.
-
Hoe komt dat nou?
• Een keuzemodel bepaalt de kans op het kiezen van een alternatief
• Keuzemodellen beschrijven groepen mensen
• Een microsimulator simuleert keuzes voor elk individu op basis van deze kansen.
• De microsimulator moet dus informatie ‘bij verzinnen’ die niet uit het keuzemodel komt
• Namelijk: welke individuele agents welke keuzes maken
• Twee problemen bij naïeve implementaties van microsimulatoren (‘Random sampling’):
1. Als je random informatie toevoegt wordt niet altijd voldaan aan de gemiddelde uitkomsten van het
keuzemodel
2. De ‘verzonnen’ informatie in een keuzesituatie beïnvloed de invoer van een volgende keuzesituatie
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 6

7.
-
Voorbeeld: keuzesituatie 1
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 7
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (met 0.8 OVkortingskaart)
Keuzemodel 1
Maatsch participatie
25%
75%
Deelpopulatie
Verklarende variabelen Probabilities
Vermenigvuldigen
Modeluitkomst
1.25 agents
(met 0.8 kortingskaart)
3.75 agents
(met 0.8 kortingskaart)
Parameters
𝛽1, 𝛽2, 𝛽3
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (4 met, 1 zonder OVkortingskaart)
Random sampling
Winkeloppervlak
#Leerlingplaatsen
Macromodel
Micromodel
25%
75% ?
?
5 agents
(met 0.8
kortingskaart)
0-5 agents
(waarvan 0-4 met kortingskaart)
0-5 agents
(waarvan 0-4 met kortingskaart)
5 agents
(waarvan 4 met
kortsingskaart)

8.
-
Standaard methode voor discretisatie in microsimulatoren. In context van keuzesituatie 1:
• Trek 5 keer een willekeurig alternatief uit de keuzeset { , , , }
verwachtingswaarde is:1.25 x en 3.75 x
beste discrete fit is: 1.00 x en 4.00 x
maar het resultaat van 100 verschillende
trekkingen voor 5 agents is anders:
Random sampling?
8

9.
-
Statistical noise elimination technique (SNET) to
the rescue! (keuzesituatie 1)
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 9
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (4 met, 1 zonder OVkortingskaart)
SNET
1 agent
(met of zonder kortingskaart)
4 agents
(waarvan 0 of 1 zonder kortingskaart)
Micromodel
/
/
25%
75%
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (met 0.8 OVkortingskaart)
Keuzemodel 1
Maatsch participatie
25%
75%
Deelpopulatie
Verklarende variabelen Probabilities
Vermenigvuldigen
Modeluitkomst
1.25 agents
(met 0.8 kortingskaart)
3.75 agents
(met 0.8 kortingskaart)
Parameters
𝛽1, 𝛽2, 𝛽3
Winkeloppervlak
#Leerlingplaatsen
Macromodel
5 agents
(met 0.8
kortingskaart)
5 agents
(waarvan 4 met
kortingskaart)

10.
-
Statistical noise elimination technique (SNET) to
the rescue! (keuzesituatie 1)
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 10
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (4 met, 1 zonder OVkortingskaart)
SNET
1 agent
(met of zonder kortingskaart)
4 agents
(waarvan 0 of 1 zonder kortingskaart)
Micromodel
/
/
25%
75%
Keuzesituatie 1: motiefkeuze voor segment ‘student’ (met 0.8 OVkortingskaart)
Keuzemodel 1
Maatsch participatie
25%
75%
Deelpopulatie
Verklarende variabelen Probabilities
Vermenigvuldigen
Modeluitkomst
1.25 agents
(met 0.8 kortingskaart)
3.75 agents
(met 0.8 kortingskaart)
Parameters
𝛽1, 𝛽2, 𝛽3
Winkeloppervlak
#Leerlingplaatsen
Macromodel
5 agents
(met 0.8
kortingskaart)
5 agents
(waarvan 4 met
kortingskaart)
1
SNET garandeert
beste discrete fit
SNET garandeert geen
onnodige verschillen
t.o.v. referentie situatie

11.
-
Voorbeeld: keuzesituatie 2
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 11
Keuzesituatie 2: vervoerwijzekeuze voor segment ‘student, met OVkortingskaart, school’
Keuzemodel 2
Maatsch participatie
25%
75%
Deelpopulatie
Verklarende variabelen Probabilities
Vermenigvuldigen
Modeluitkomst
0.65 agents
1.95 agents
Parameters
𝛽4, 𝛽5, 𝛽6
Keuzesituatie 2: vervoerwijzekeuze voor segment ‘student, met OVkortingskaart, school’
Random sampling
0-4 agents
0-4 agents
Reistijd auto
Reistijd OV
Macromodel
Micromodel
25%
75%
2.6 agents
0-4 agents
?
?
?

12.
-
SNET to the rescue! (keuzesituatie 2)
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 12
Keuzesituatie 2: vervoerwijzekeuze voor segment ‘student, met OVkortingskaart, school’
Keuzemodel 2
Maatsch participatie
25%
75%
Deelpopulatie
Verklarende variabelen Probabilities
Vermenigvuldigen
Modeluitkomst
0.65 agents
1.95 agents
Parameters
𝛽4, 𝛽5, 𝛽6
Keuzesituatie 2: vervoerwijzekeuze voor segment ‘student, met OVkortingskaart, school’
SNET
1 agent
2 agents
Reistijd auto
Reistijd OV
Macromodel
Micromodel
25%
75%
2.6 agents
3 agents

13.
-
Analyse op omvang statistische ruis
• Statistische ruis is niet altijd een probleem. De kans dat statistische ruis modeluitkomsten
overschaduwd is kleiner:
1. wanneer uitkomsten op een hoger aggregatieniveau worden beschouwd; en/of
2. wanneer het verschil in modelinvoer tussen scenario en referentie (de ‘omvang’ van het scenario) groter is
• SNET biedt de mogelijkheid om te kijken voor wat voor modeltoepassingen SNET absoluut
noodzakelijk is en wanneer het alleen een mooie bonus is.
• Daartoe delen we een 4 tal modeltoepassingen in aan de hand van:
1. Het aggregatieniveau waarop modeluitkomsten worden beschouwd
2. De 'omvang' van het scenario
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 13

14.
-
Analyse op omvang statistische ruis (WIP )
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 14
Knip
180 extra
inwoners
opening station
Stadshagen n340
#agents
#beinvloede
agents ~50+ ~180+ ~5000+ ~25000+
zone/segment ~10
Aandeel zone/segmentcombinaties in studiegebied waarvoor de
afwijking op het scenario effect door statistische ruis > 1% is
HB-paar ~25
Aandeel Hbparen in studiegebied waarvoor de afwijking op het
scenario effect door statistische ruis > 1% is
zone (aank/vertr) ~100
Aandeel zones in studiegebied waarvoor de afwijking van productie of
attractie op het scenario effect door statistische ruis > 1% is
wegvak ~5000 1.6% 42.8% 0.0% 37.6%
Aandeel wegvakken in studiegebied met >1000vtg/etmaal waarvoor
de afwijking op het scenario effect door statistische ruis >1% is
matcompress-paar ~10000
Aandeel matrixCompress paren waarvoor de afwijking op het
scenario effect door statistische ruis >1% is
studiegebied-breed ~300000
Afwijking aantal voertuigkilometers in studiegebied als gevolg van
statistische ruis
Aggregatieniveau

15.
-
Knip
15
MicroSimulated demand model
using Monte Carlo sampling (seeds fixed)
MicroSimulated demand model
using SNET

16.
-
180 extra inwoners (WIP )
16
MicroSimulated demand model
using Monte Carlo sampling (seeds fixed)
MicroSimulated demand model
using SNET

17.
-
Opening station Zwolle Stadshagen (WIP )
17
MicroSimulated demand model
using Monte Carlo sampling (seeds fixed)
MicroSimulated demand model
using SNET

18.
-
Aansluiting N340/A28
18
MicroSimulated demand model
using Monte Carlo sampling (seeds fixed)
MicroSimulated demand model
using SNET

19.
-
Conclusies
• Uitkomsten van strategische modellen moeten stabiel en vergelijkbaar zijn.
• Om te kunnen rekenen aan nieuwe mobiliteitsconcepten zijn micromodellen nodig
• Naïef geïmplementeerde micromodellen zijn niet goed vergelijkbaar door statistische ruis
• SNET zorgt voor micromodellen waarvan uitkomsten wel vergelijkbaar zijn
• Wanneer ingevuld toont de tabel op slide 14 voor welke modeltoepassingen SNET
noodzakelijk is of alleen een mooie bonus.
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 19

20.
-
Voorlopige conclusies
• Voeg niet even snel een Monte Carlo sampling methode toe aan je vervoersvraagmodel
wanneer je er een presentatie over moet houden
• Ruis is minder hinderlijk wanneer er grote effecten zijn
• Ruis is minder hinderlijk wanneer (deterministische) routekeuze effecten dominant zijn
• Kwantitatieve resultaten volgen wanneer het lek in de Monte Carlo sampling methode
boven is (resultaat zal te horen zijn op het European transport conference 2022 en op
Modelling world 2022)
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 20

21.
vrijdag 25 maart 2022
Strategische micromodellen zonder statistische ruis: het kan! 21