The Swedish Postgraduate School in Intelligent Transport - PowerPoint PPT Presentation

The ¡Swedish ¡Postgraduate ¡School ¡ in ¡Intelligent ¡Transport ¡Systems ¡ ¡ Jan ¡Lundgren ¡ ITS ¡World ¡Congress, ¡October ¡8, ¡2015 ¡

The ¡Swedish ¡Postgraduate ¡School ¡ in ¡Intelligent ¡Transport ¡Systems ¡ CooperaDon ¡between ¡ITS ¡Sweden ¡and ¡seven ¡universiDes ¡ ¡ Supported ¡by ¡the ¡Swedish ¡Transport ¡AdministraDon ¡and ¡the ¡ ¡ Swedish ¡Governmental ¡Agency ¡for ¡InnovaDon ¡Systems ¡(VINNOVA) ¡ ¡

The ¡Swedish ¡Postgraduate ¡School ¡ in ¡Intelligent ¡Transport ¡Systems ¡ Aim: ¡ • Improve ¡the ¡PhD-­‑educaDon ¡through ¡specialised ¡ doctoral ¡courses ¡and ¡extended ¡supervision ¡of ¡students ¡ ¡ • Promote ¡academic ¡research ¡within ¡the ¡field ¡of ¡ITS ¡ relevant ¡for ¡industry ¡and ¡society ¡ • Increase ¡the ¡interest ¡and ¡focus ¡of ¡transportaDon ¡ research ¡and ¡educaDon ¡within ¡the ¡universiDes ¡ ¡ • Establish ¡networks ¡for ¡collaboraDon ¡both ¡naDonally ¡ and ¡internaDonally ¡

Modeling ¡and ¡Simula0on ¡Study ¡of ¡ ¡ Heavy-­‑Duty ¡Vehicle ¡Platooning ¡ ¡ ¡ ¡ ¡ ¡ ¡ Qichen ¡Deng ¡ ¡ KTH ¡Royal ¡InsDtute ¡of ¡Technology ¡ ¡

Research ¡ques0ons ¡ • What ¡are ¡the ¡benefits ¡of ¡platooning ¡heavy-­‑duty ¡ vehicles ¡on ¡highway ¡(HDVs)? ¡ • When ¡can ¡two ¡HDVs ¡form ¡a ¡platoon? ¡

Benefits ¡– ¡Improve ¡Fuel ¡Efficiency ¡of ¡HDV ¡

Benefits ¡– ¡Improve ¡Traffic ¡Efficiency ¡ ¡ Traffic Flow Rate [veh/lane/hour] Traffic Flow Rate [veh/lane/hour] 1500 1500 No HDV Platooning No HDV Platooning HDV Platooning with CVS Policy HDV Platooning with CVS Policy 1000 1000 500 500 0 0 0 50 100 150 0 50 100 150 Traffic Density [veh/lane/km] Traffic Density [veh/lane/km] (a) ¡ (b) ¡ Traffic Flow Rate [veh/lane/hour] Traffic Flow Rate [veh/lane/hour] 1500 1500 No HDV Platooning No HDV Platooning HDV Platooning with CVS Policy HDV Platooning with CVS Policy 1000 1000 500 500 0 0 0 50 100 150 0 50 100 150 Traffic Density [veh/lane/km] Traffic Density [veh/lane/km] (c) ¡ (d) ¡ (a) ¡10% ¡of ¡total ¡traffic ¡is ¡HDVs; ¡(b) ¡15% ¡of ¡total ¡traffic ¡is ¡HDVs; ¡(c) ¡20% ¡of ¡total ¡traffic ¡is ¡HDVs; ¡ (d) ¡25% ¡of ¡total ¡traffic ¡is ¡HDVs. ¡

When ¡can ¡two ¡HDVs ¡form ¡a ¡platoon? ¡ • Key ¡factors ¡affecDng ¡the ¡HDV ¡platooning ¡formaDon: ¡ 1. Traffic ¡density ¡ 2. Driving ¡behavior ¡of ¡passenger ¡car ¡ 3. Speed ¡of ¡HDVs ¡ Lane 2 Lane 1

Platoon ¡Forma0on ¡of ¡Two ¡HDVs ¡on ¡a ¡Two-­‑Lane ¡Highway 2000 Reference 1800 Front HDV Speed 70km/h HDV Platoon Formation Time [s] Front HDV Speed 75km/h 1600 Front HDV Speed 80km/h 1400 16 vehcles 1080s 1200 1000 17 vehicles 720s 800 600 18 vehicles 540s 400 16 18 20 22 24 26 28 Number of Vehicles between Two HDVS plus Traffic Density of Lane 2

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ Ellen ¡Grumert ¡ Linköping ¡University ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡ -­‑ ¡Mo0va0on ¡ ¡ Flow ¡ Source: ¡Foto ¡taken ¡by ¡user ¡ Fir0002 , ¡publiced ¡at ¡www.wikipedia.org ¡(accessed ¡2014-­‑09-­‑21) ¡ Density ¡ ¡ 𝒓 < ​𝒓↓𝒅 𝒓↓𝒅 ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡ -­‑ ¡Approach ¡and ¡method ¡ SUMO ¡ Source: ¡Foto ¡taken ¡2010 ¡by ¡Holger ¡Ellgaard, ¡publiced ¡at ¡www.wikipedia.org ¡(accessed ¡ 2011-­‑04-­‑13) ¡ V2V ¡ InformaDon ¡ ¡ InformaDon ¡ InformaDon ¡från ¡ ¡ central ¡styrning ¡ I2V/V2I ¡ InformaDon ¡ ¡ InformaDon ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡ -­‑ ¡Main ¡conclusions ¡ • The ¡performance ¡of ¡the ¡variable ¡speed ¡limit ¡systems ¡is ¡dependent ¡on ¡the ¡choice ¡of ¡ algorithm ¡for ¡deciding ¡on ¡which ¡variable ¡speed ¡limit ¡to ¡use ¡on ¡the ¡road. ¡ • CooperaDve ¡variable ¡speed ¡limit ¡systems ¡using ¡I2V ¡harmonize ¡the ¡flow ¡compared ¡to ¡ regular ¡variable ¡speed ¡limit ¡systems. ¡ ¡ • LimitaDons ¡in ¡having ¡fixed ¡measurement ¡points. ¡V2V ¡could ¡probably ¡improve ¡the ¡ performance ¡further ¡allowing ¡for ¡measurement ¡point ¡in ¡between ¡detectors. ¡ • Speed ¡limits ¡reflecDng ¡the ¡condiDons ¡on ¡the ¡road ¡gives ¡best ¡performance. ¡ • Early ¡prevision/early ¡detecDon ¡limits ¡the ¡effects ¡of ¡high ¡flows. ¡ • The ¡capacity ¡levels ¡are ¡of ¡high ¡importance ¡for ¡the ¡performance. ¡

¡Performance ¡evalua0on ¡of ¡coopera0ve ¡ ¡ awareness ¡in ¡C-­‑ITS ¡ ¡ ¡ ¡ ¡ ¡ Nikita ¡Lyamin ¡ Halmstad ¡University ¡ ¡

Background ¡

Research ¡problems ¡

Dynamic ¡Origin-­‑Des0na0on ¡Matrix ¡Es0ma0on ¡ for ¡off-­‑line ¡applica0ons ¡ ¡ ¡ ¡ ¡ ¡ Athina ¡Tympakianaki ¡ KTH ¡Royal ¡InsDtute ¡of ¡Technology ¡ ¡

OD ¡es0ma0on ¡problem ¡ ¡ • OD estimation is important in many applications - essential input traffic simulation models (microscopic, planning models) - traffic management (ITS systems) - traffic prediction - transportation planning - evaluation of different strategies • Find an OD matrix that best matches a set of indirect observations (e.g. counts, speeds) • Underdetermined problem , many unknowns fewer equations: different OD matrices result in the same traffic counts • Addition of more data sources reduces the set of possible solutions – requires more general formulations of the problem and solution algorithms • Traffic simulation is used to capture the traffic conditions resulting from different OD matrices

Proposed ¡OD ¡es0ma0on ¡methods ¡ 1. A gradient algorithm with formulation based on an assignment matrix that maps OD flows to counts at sensor locations (e.g. Toledo and Kolechkina, 2013). 2. Cluster-based SPSA algorithm (Tympakianaki, Koutsopoulos, Jenelius, 2014) - Modification of the commonly used SPSA (Spall, 1998) algorithm. Motivation : • Different OD magnitudes • Unstable performance, algorithm diverged Modified algorithm, cluster-based SPSA: • OD pairs are clustered based on some criteria: § Homogeneity within cluster § Magnitude of OD flows § Size of cluster § Number of clusters • Gradient is approximated independently for each cluster

Case ¡study ¡– ¡synthe0c ¡data ¡ • Södermalm network, Stockholm • 1100 urban and freeway and urban links • ’True’ OD demand: synthetic data - 462 OD pairs - 7-8 a.m. study period - 15 min time interval • Sensor coverage: 5% of the total number of links. • Traffic observations: counts, speeds Mesoscopic traffic simulation model: Mezzo ¡ • ¡ 600000 ¡ 70 ¡ ¡ Objec0ve ¡func0on ¡value ¡ 500000 ¡ 60 ¡ 50 ¡ 400000 ¡ ¡ RMSE ¡ 40 ¡ 300000 ¡ 30 ¡ 200000 ¡ 20 ¡ 100000 ¡ 10 ¡ 0 ¡ 0 ¡ 0 ¡ 200 ¡ 400 ¡ 600 ¡ 800 ¡ 1000 ¡ 1200 ¡ IniDal ¡error ¡ SPSA ¡ c-­‑SPSA ¡ Number ¡of ¡func0on ¡evalua0ons ¡ SPSA ¡ c-­‑SPSA ¡ OD ¡flows ¡(veh/h) ¡ Counts ¡(veh) ¡ Speeds ¡(km/h) ¡ • More robust algorithmic performance • More accurate OD matrices • Less sensitive to the selection of the algorithmic parameters • Improved practical convergence

Motorway ¡applica0on ¡using ¡real ¡data ¡ 14 ¡km ¡ 14 ¡OD ¡pairs ¡ How ¡well ¡does ¡the ¡ Incident ¡ method ¡esDmates ¡ the ¡OD ¡flows ¡when ¡ On-­‑ramp ¡ an ¡ incident ¡occurs ? ¡ Detour ¡ Södertälje ¡-­‑ ¡Bredäng ¡ Off-­‑ramp ¡ OD ¡esDmaDon: ¡ 250 ¡ • Gradient ¡descent ¡algorithm ¡ 200 ¡ OD ¡flow ¡change ¡(%) ¡ 150 ¡ • MCS ¡counts ¡ 100 ¡ Counts ¡ IniDal ¡error ¡ Final ¡error ¡ 50 ¡ (veh/h) ¡ 0 ¡ RMSE ¡ 103 ¡ 56 ¡ -­‑50 ¡ -­‑100 ¡ ME ¡ 29,3 ¡ 0,83 ¡ 6:00 ¡ 6:15 ¡ 6:30 ¡ 6:45 ¡ 7:00 ¡ Time ¡(hh:mm) ¡ OD ¡pair ¡2 ¡ OD ¡pair ¡3 ¡ OD ¡pair ¡1 ¡

Transport ¡for ¡sustainable ¡urban ¡development ¡– ¡ ¡ integrated ¡modelling ¡of ¡ ¡ ¡ ¡ ¡ walk, ¡cycle ¡and ¡public ¡transport ¡ ¡ ¡ ¡ ¡ Gerasimos ¡Loutos ¡ Linköping ¡University ¡