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) ¡

¡

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 ¡ The ¡Swedish ¡Postgraduate ¡School ¡ in ¡Intelligent ¡Transport ¡Systems ¡

¡ ¡ ¡ ¡

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 ¡ ¡

50 100 150 500 1000 1500

Traffic Density [veh/lane/km] Traffic Flow Rate [veh/lane/hour]

No HDV Platooning HDV Platooning with CVS Policy 50 100 150 500 1000 1500

Traffic Density [veh/lane/km] Traffic Flow Rate [veh/lane/hour]

No HDV Platooning HDV Platooning with CVS Policy 50 100 150 500 1000 1500

Traffic Density [veh/lane/km] Traffic Flow Rate [veh/lane/hour]

No HDV Platooning HDV Platooning with CVS Policy 50 100 150 500 1000 1500

Traffic Density [veh/lane/km] Traffic Flow Rate [veh/lane/hour]

No HDV Platooning HDV Platooning with CVS Policy

(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. ¡

(a) ¡ (b) ¡ (c) ¡ (d) ¡

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 1 Lane 2

Platoon ¡Forma0on ¡of ¡Two ¡HDVs ¡on ¡a ¡Two-­‑Lane ¡Highway

16 18 20 22 24 26 28 400 600 800 1000 1200 1400 1600 1800 2000 Number of Vehicles between Two HDVS plus Traffic Density of Lane 2 HDV Platoon Formation Time [s] Reference Front HDV Speed 70km/h Front HDV Speed 75km/h Front HDV Speed 80km/h

16 vehcles 1080s 18 vehicles 540s 17 vehicles 720s

¡ ¡ ¡ ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡ ¡ ¡ ¡ ¡ ¡

Ellen ¡Grumert ¡

Linköping ¡University ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡

• ­‑ ¡Mo0va0on ¡ ¡

Source: ¡Foto ¡taken ¡by ¡user ¡Fir0002, ¡publiced ¡at ¡www.wikipedia.org ¡(accessed ¡2014-­‑09-­‑21) ¡

¡ 𝒓<​𝒓↓𝒅 𝒓↓𝒅 ¡

Density ¡ Flow ¡

Coopera0ve ¡ITS ¡in ¡traffic ¡management ¡

• ­‑ ¡Approach ¡and ¡method ¡

InformaDon ¡ ¡ InformaDon ¡ InformaDon ¡ ¡ InformaDon ¡ InformaDon ¡från ¡ ¡ central ¡styrning ¡

Source: ¡Foto ¡taken ¡2010 ¡by ¡Holger ¡Ellgaard, ¡publiced ¡at ¡www.wikipedia.org ¡(accessed ¡ 2011-­‑04-­‑13) ¡

V2V ¡ I2V/V2I ¡ SUMO ¡

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 ¡

¡

¡ ¡

0 ¡ 100000 ¡ 200000 ¡ 300000 ¡ 400000 ¡ 500000 ¡ 600000 ¡ 0 ¡ 200 ¡ 400 ¡ 600 ¡ 800 ¡ 1000 ¡ 1200 ¡ Objec0ve ¡func0on ¡value ¡ Number ¡of ¡func0on ¡evalua0ons ¡ SPSA ¡ c-­‑SPSA ¡ 0 ¡ 10 ¡ 20 ¡ 30 ¡ 40 ¡ 50 ¡ 60 ¡ 70 ¡ IniDal ¡error ¡ SPSA ¡ c-­‑SPSA ¡ RMSE ¡ 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 ¡

How ¡well ¡does ¡the ¡ method ¡esDmates ¡ the ¡OD ¡flows ¡when ¡ an ¡incident ¡occurs? ¡ OD ¡esDmaDon: ¡

• Gradient ¡descent ¡algorithm ¡
• MCS ¡counts ¡

Counts ¡ (veh/h) ¡ IniDal ¡error ¡ Final ¡error ¡ RMSE ¡ 103 ¡ 56 ¡ ME ¡ 29,3 ¡ 0,83 ¡

• ­‑100 ¡
• ­‑50 ¡

0 ¡ 50 ¡ 100 ¡ 150 ¡ 200 ¡ 250 ¡ 6:00 ¡ 6:15 ¡ 6:30 ¡ 6:45 ¡ 7:00 ¡ OD ¡flow ¡change ¡(%) ¡ Time ¡(hh:mm) ¡ OD ¡pair ¡2 ¡ OD ¡pair ¡3 ¡ OD ¡pair ¡1 ¡

On-­‑ramp ¡ Off-­‑ramp ¡ Incident ¡ Detour ¡

Södertälje ¡-­‑ ¡Bredäng ¡ 14 ¡km ¡ 14 ¡OD ¡pairs ¡

¡ ¡ ¡ ¡

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

Gerasimos ¡Loutos ¡

Linköping ¡University ¡

Project ¡View ¡

The ¡goal ¡is ¡to ¡improve ¡the ¡modeling ¡of ¡bicycle ¡ trips ¡in ¡current ¡demand ¡models ¡ AIM ¡to: ¡

• Develop ¡techniques ¡for ¡modeling ¡trips ¡chains ¡including ¡bicycle ¡and ¡public ¡

transport ¡legs. ¡

• IdenDficaDon ¡of ¡appropriate ¡level ¡of ¡detail ¡for ¡non-­‑motorized ¡modes. ¡
• IdenDfy ¡factors ¡important ¡for ¡bicycle ¡mode ¡choice ¡and ¡factors ¡important ¡for ¡

policy ¡analyses. ¡

¡

Policy ¡variables ¡– ¡ ¡ Factors ¡that ¡influence ¡the ¡share ¡of ¡cyclists ¡

Built ¡environment ¡

Urban ¡form ¡(distance), ¡infrastructure ¡ ¡ and ¡faciliDes ¡at ¡work ¡

Natural ¡environment ¡

Hilliness, ¡climate ¡and ¡weather ¡

Socio-­‑economics ¡

Gender, ¡age, ¡income, ¡ ¡car ¡and ¡bicycle ¡ownership, ¡ ¡ employment ¡status ¡

Psychological ¡factors ¡

Amtudes, ¡social ¡norms ¡and ¡habits ¡

Cost, ¡travel ¡0me, ¡effort ¡& ¡safety ¡

Mode ¡choice ¡models ¡

Built ¡environment ¡

Urban ¡form ¡(distance), ¡infrastructure ¡ ¡ and ¡faciliDes ¡at ¡work ¡

Natural ¡environment ¡

Hilliness, ¡climate ¡and ¡weather ¡

Socio-­‑economics ¡

Gender, ¡age, ¡income, ¡ ¡car ¡and ¡bicycle ¡ownership, ¡ ¡ employment ¡status ¡

Psychological ¡factors ¡

Amtudes, ¡social ¡norms ¡and ¡habits ¡

Cost, ¡travel ¡0me, ¡effort ¡& ¡safety ¡

Mode ¡choice ¡models ¡es0ma0on ¡

Survey ¡Data ¡(Revealed ¡Preference, ¡ex. ¡RVU) ¡

• InformaDon ¡on ¡conducted ¡trips ¡& ¡socio-­‑economic ¡variables ¡
• Drawback: ¡only ¡characterisDcs ¡for ¡individual’s ¡chosen ¡mode ¡
• I. ¡e. ¡Missing ¡travel ¡Dme ¡and ¡distance ¡(non-­‑used) ¡alternaDves ¡

Regression ¡Models ¡ Trip ¡planning ¡applikaDon ¡

Available ¡tools ¡and ¡future ¡development ¡

Currently ¡used ¡models ¡

• Sweden: ¡SAMPERS, ¡Local ¡EMME ¡or ¡VISUM-­‑models, ¡SLL ¡VISUM-­‑model ¡
• Do ¡not ¡include ¡specific ¡bicycle ¡and ¡walk ¡factors ¡(e.g. ¡infra, ¡costs) ¡
• Cycity: ¡project ¡targets ¡to ¡improved ¡data ¡collecDon ¡(more ¡surveys, ¡GPS ¡data ¡

from ¡cyclists ¡etc.) ¡

• MoveMeter ¡(MoveMobility), ¡Brutus ¡(Strafica) ¡in ¡a ¡Swedish ¡semng. ¡

¡ Frame ¡a ¡new ¡transport ¡demand ¡tool ¡

• Include ¡modelling ¡trips ¡chains ¡with ¡several ¡modes ¡
• Assignment ¡of ¡trips ¡to ¡the ¡street ¡(OpenStreetMap) ¡network ¡for ¡all ¡modes ¡usin
• Time ¡table ¡data ¡for ¡public ¡transport ¡for ¡walk/PT-­‑trips ¡
• Bicycle ¡rouDng ¡using ¡a ¡trip ¡planner ¡(in ¡OSM ¡network) ¡
• TradiDonal ¡car ¡assignment ¡(in ¡OSM ¡network) ¡

¡ ¡ ¡ ¡

¡ ¡ Access ¡management ¡in ¡intermodal ¡freight ¡ ¡ transporta0on ¡ ¡ ¡ ¡

Stefan ¡P ¡G ¡Jacobsson ¡

Chalmers ¡University ¡ ¡

¡ ¡

Access ¡management ¡in ¡intermodal ¡freight ¡transporta0on ¡-­‑ ¡ Iden0fied ¡problems1 ¡

Decentralised Many actors Different modes Deficiencies in the interaction Practical problems in the hubs Lack of high-quality real-time data2 Decentralised Decentralised Decentralised Decentralised ________________________

1 According to Marchet et al., 2012, Perego et al., 2011, Bujis and Wortmann 2014 2 According to SteadiSeifi et al., 2014

Access ¡management ¡for ¡carrier ¡operaDons ¡in ¡intermodal ¡freight ¡transportaDon ¡ Research ¡gap ¡ Research ¡agenda ¡/ ¡ Next ¡steps ¡ (1) ¡Problem ¡ idenDficaDon ¡and ¡ moDvaDon ¡ Con-­‑ versaDons ¡ Obser-­‑ vaDons ¡ Literature ¡ study ¡ Bench-­‑ marking ¡ (2) ¡Define ¡the ¡objecDves ¡for ¡a ¡ soluDon ¡ Access ¡management ¡ Handling ¡of ¡carrier ¡access ¡ Beper ¡understanding ¡and ¡ knowledge ¡ Literature ¡ study ¡ Con-­‑ versaDons ¡ Obser-­‑ vaDons ¡

Access ¡management ¡in ¡intermodal ¡freight ¡ transporta0on ¡-­‑Methodology ¡

• For ¡smaller ¡actors ¡
• Use ¡already ¡exisDng ¡IT-­‑systems ¡
• InteracDon ¡in ¡real-­‑Dme ¡
• Qualify ¡for ¡access ¡to ¡an ¡intermodal ¡container ¡

terminal ¡

Access ¡management ¡in ¡intermodal ¡freight ¡ transporta0on ¡-­‑ ¡Solu0on ¡

¡ ¡ ¡ ¡

¡Development ¡& ¡Evalua0on ¡of ¡Mobile ¡Phone ¡App ¡for ¡ ¡ Detec0ng ¡Safety ¡Cri0cal ¡Event ¡of ¡Motorcycle ¡Rider ¡ ¡

Noor ¡Azreena ¡Kamaluddin ¡

Lund ¡University ¡

¡

Introduc0on ¡

q An app for motorcyclists will be developed to register safety critical events. q Safety critical events will be identified by certain trigger variables (e.g. jerk). q The app helps to describe the course of events in a (near) accident. q The effects and rider acceptance of the system will be studied in a real life study.

Background

Ø Safety : crucial issue of motorcycle (More than 60% of fatalities, 20x higher risk) Ø Shortfalls issue – Complementary method (Reliable estimation) Ø Vital prerequisite to set-up more realistic targets for crash/casualty reduction programmes Ø No available or standard procedure in use for collecting self-reported accidents in Malaysia

¡

Objec0ves ¡

Ø Collect self-reported accidents & determine under-reporting - GAP Ø Develop & test of a mobile apps (e-Call) for motorcyclists – enrich current system Ø Identify/predict safety critical events based on sudden acceleration change (jerk) Ø Produce complementary method of accident recording system Ø Map locations with a higher single-accident risk based on the smartphone application (eCall app)

The ¡eCall ¡System ¡for ¡Motorcyclist ¡

Usefulness: Ø Send/prepare message SOS centre Ø Minimize rate of fatalitie Immediate medical assi Ø Collection of anonymou data & identify bike-acci prone area: Good basis prevention