Riassunto analitico
Nelle moderne metropoli il mezzo di trasporto preferenziale è l’automobile.
L’elevato numero di veicoli rende complessa la pianificazione urbana e spesso porta a congestioni e aree in cui l’inquinamento atmosferico supera le soglie di accettabilità.
I modelli di traffico sono uno strumento efficace per aiutare le municipalità a gestire il problema del traffico nell’area urbana.
Possono essere utilizzati per predire variazioni di traffico in seguito a lavori di mantenimento della superficie stradale, nel caso richiedano la chiusura di un tratto stradale.
I modelli di traffico possono anche far emergere quali sono le aree critiche dove si concentrano le congestioni.
Al fine di creare un modello di traffico accurato sono richiesti i dati raccolti da una rete di sensori distribuiti sull’area di interesse.
I costi richiesti per creare questa rete potrebbero essere eccessivi per una pubblica amministrazione, tuttavia in molte città alcuni sensori sono già presenti e vengono impiegati con scopi differenti.
Nella città di Modena, il nostro caso di studio, più di 300 spire conta veicoli sono collocate vicino agli incroci semaforici.
Questi sensori sono utilizzati localmente per controllare la logica semaforica ma i dati di traffico da essi raccolti, per esempio il numero di veicoli e la velocità media, non sono mai stati utilizzati in precedenza.
Lo scopo di questa tesi è realizzare una micro simulazione di traffico usando i dati raccolti delle spire come input e generando flussi di traffico che corrispondano a quelli reali.
Al fine di sviluppare una soluzione economica sono stati utilizzati software open source, la simulazione è stata infatti realizzata utilizzando Sumo (Simulation of Urban MObility) mentre OSM (Open Street Map) è stato scelto come risorsa per i dati geografici relativi ad una ampia area di Modena.
Diversi script Python sono stati sviluppati per interagire con SUMO, generando e modellando i file di input al modello, per impostare una simulazione che fornisse in output informazioni relative alla densità di traffico (veicoli\Km) e al numero di veicoli in tutti i tratti stradali inclusi nella mappa.
Per modificare i percorsi dei veicoli sono stati utilizzati degli oggetti integrati in SUMO chiamati calibratori.
Per confrontare i dati reali con i valori ottenuti dalla simulazione è stato necessario inserire spire virtuali all’interno della simulazione, che registrassero il numero di veicoli e la velocità media nei punti in cui si trovano realmente le spire di traffico.
L’output della simulazione è un file contenente le serie temporali dei valori di flusso veicolare per ogni spira virtuale, tratto stradale e corsia nella mappa.
Quindi, per comparare i risultati con le misurazioni reali e validare il modello, sono state utilizzate rappresentazioni grafiche e fastDTW ( Dynamic Time Warping).
La nostra analisi preliminare dei risultati mostra che nelle posizioni in cui sono collocati i sensori i flussi simulati mostrano lo stesso andamento di quelli reali nella maggior parte dei casi.
Tramite una ulteriore analisi è emerso che anche nelle posizioni dove misurazioni reali non erano disponibili l’andamento del numero di veicoli giornaliero era consistente con quello misurato nelle aree prossimali dove erano presenti sensori.
Alcune aree della mappa non erano molto popolate da veicoli poiché non vi era alcuna spira nelle vicinanze e i flussi sono generati sulla base dei valori reali misurati dalle spire.
Osservando l’output delle simulazioni sono state rilevate alcune congestioni di traffico irrealistiche dovute a errori nella struttura della mappa.
Per risolvere questi problemi e ottenere una simulazione più realistica altre risorse di dati relative alla domanda di traffico sono necessarie e i dati geografici verranno integrati con ulteriori informazioni riguardanti la viabilità e la struttura della rete urbana.
|
Abstract
In modern cities, road vehicles are the preferred mean of transportation. The high number of vehicles complicates urban planning and often results in traffic congestions and areas of increased air pollution. Traffic systems are characterized by several features that make them hard to analyze, control and optimize.
Traffic modeling aim to accurately recreate traffic as observed and measured in the street, thus could help municipalities to effectively tackle the traffic problem. In fact, traffic models could be used to predict traffic variations when planning maintenance works which require the closure of a road. Traffic models can also point out traffic bottlenecks for congestion mitigation.
To create an accurate traffic model, the data collected from a network of sensors distributed over the area of interest is required. The costs for the construction of such a distributed system can be burdensome for public administrations. However, in many cities, some distributed sensors are already employed for other purposes.
In the city of Modena, our case study, more than three hundred induction loops sensors are located near traffic light controlled junctions. These devices are used locally to control the traffic light logic but their traffic-related data, for instance, the vehicle counts and the average speed, have never been used before.
Taking advantage of the information collected from these sensors a traffic model had been set up for the urban area of the city of Modena.
In this work we generate traffic flows matching real data, using the induction loops real-time data as the input of a microsimulation traffic model.
Only open source software were considered in order to develop a cost-effective solution. In fact, the simulations were realized using SUMO (Simulation of Urban Mobility) while OSM (Open Street Map) was adopted as the source of geographical data relative to a wide area of Modena. The data about lanes and road classification were integrated in the proximity of traffic lights junctions.
Several Python scripts were developed to interact with SUMO, generating and modeling input and output files.
Calibrators (SUMO objects) were used to redirect vehicle routes and virtual induction loops (SUMO objects) were adopted to compare the real values with values obtained in the simulation.
The simulation can produce an output file containing the time series of the flow values at each virtual induction loop, edge or lane in the map. Thus, to compare the results with real measurements and validate the model, graphic representation and fast DTW (Dynamic Time Warping) were adopted.
Our preliminary analysis shows that, in the position where sensors were located, the simulated flow follows real measurements in most cases.
Further investigations came across that, even in the positions where real measurements were not available, the trend of the daily simulation outputs were consistent with the measured daily trend in proximal areas.
Some areas of the map were not much populated by vehicles since the induction loops were not present nearby.
Further analysis pointed out that some junctions were affected by unrealistic traffic jams due to errors in map structure.
To overcome these issues and obtain a more realistic simulation, more traffic demand information would be collected and further geographical data sources would be integrated.
|
