šablona zprávy

Transkript

šablona zprávy - CityPlan spol. s r.o.

Příručka pro tvorbu a hodnocení mikroskopických simulací
dopravy
Výstup projektu TA01031193
KONCEPT K 1.7.2013 – K PŘIPOMÍNKOVÁNÍ
Poskytovatel Technologická agentura ČR
účelové podpory: Evropská 2589/33b
160 00 Praha 6
Zastoupený: Ing. Rut Bízkovou
Zhotovitel:
AF-CITYPLAN spol. s r. o.,
Jindřišská 889/17, 110 00 Praha 1
Ing. Peter Súkenník
Ing. Petr Hofhansl, Ph. D.
Ing. Martin Varhulík
Vysoké učení technické v Brně, Fakulta stavební,
Veveří 331/95, 602 00 Brno
Mgr. Tomáš Apeltauer, PhD.
Ing. Martin Všetečka
Ing. Jiří Apeltauer
Ing. Michal Radimský, Ph.D.
Ing. Martin Smělý
Číslo zakázky zhotovitele: 11 – 3 – 005
Datum: prosinec 2013
OBSAH
1
ÚVOD __________________________________________________________________ 4
1.1
VYUŽITÍ PŘÍRUČKY ................................................................................................................... 4
1.1.1
Z perspektivy příjemce modelových výstupů ..................................................................... 4
1.1.2
Z perspektivy tvůrce modelu ............................................................................................. 5
1.2
VZTAH PŘÍRUČKY K NORMÁM A TECHNICKÝM PODMÍNKÁM .................................................... 5
1.3
OBECNOST A NEZÁVISLOST PŘÍRUČKY ...................................................................................... 5
2
CO JE MIKROSIMULACE____________________________________________________ 6
2.1
MODELOVÉ SKUPINY DLE ROZSAHU A MÍRY PODROBNOSTI MODELU ....................................... 6
2.2
TVORBA MODELOVÉ SÍTĚ ......................................................................................................... 7
2.3
MODELOVÁNÍ POPTÁVKY......................................................................................................... 7
2.4
2.3.1
Modely chování ................................................................................................................ 7
2.3.2
Parametry chování a vozidel ............................................................................................. 8
2.3.3
Porozumění modelu.......................................................................................................... 8
2.3.3.1
Modelové vrstvy .................................................................................................................. 8
2.3.3.2
Nahodilost v modelu............................................................................................................ 9
2.3.3.3
Dynamika v modelu ...........................................................................................................11
ČASOVÁ A FINANČNÍ NÁROČNOST SIMULACE ......................................................................... 12
3
KDY JE VHODNÉ NASADIT MIKROSIMULACI __________________________________ 13
4
POSTUP PŘI TVORBĚ MIKROSIMULACE ______________________________________ 15
4.1
4.2
4.3
IDENTIFIKACE ÚČELU A ROZSAHU STUDIE, VÝBĚR NÁSTROJE................................................... 16
4.1.1
Účel studie ..................................................................................................................... 16
4.1.2
Výběr nástroje ................................................................................................................ 16
4.1.3
Prostorové a časové ohraničení ....................................................................................... 18
SBĚR A PŘÍPRAVA VSTUPNÍCH DAT......................................................................................... 19
4.2.1
Geometrie ...................................................................................................................... 19
4.2.2
Řízení dopravy ................................................................................................................ 19
4.2.3
Aktuální dopravní poptávka ............................................................................................ 19
4.2.4
Kalibrační data................................................................................................................ 20
4.2.5
Budoucí dopravní poptávka ............................................................................................ 22
TVORBA MODELU .................................................................................................................. 23
4.3.1
Nastavení kapacity komunikací ....................................................................................... 24
4.3.2
Simulace pěších .............................................................................................................. 26
4.3.2.1
„Příjezdový“ model chodců ...............................................................................................27
Aplikace mikroskopických simulačních nástrojů – KONCEPT K 1.7.2013
1
4.4
ODSTRAŇOVÁNÍ CHYB, LADĚNÍ MODELU................................................................................ 28
4.5
VERIFIKACE, KALIBRACE A VALIDACE MODELU........................................................................ 29
4.5.1
Posouzení míry shody modelu a reality pomocí statistických nástrojů .............................. 30
4.5.2
Kalibrace modelu ............................................................................................................ 34
4.5.3
Cílově orientovaná kalibrace ........................................................................................... 36
4.5.4
Validace modelu ............................................................................................................. 37
4.6
HODNOCENÍ ALTERNATIV ...................................................................................................... 38
4.7
INTERPRETACE/DOKUMENTACE VÝSTUPŮ .............................................................................. 38
4.7.1
Časové zdržení ................................................................................................................ 39
4.7.2
Délka kolony................................................................................................................... 39
4.7.3
Hustota dopravního proudu ............................................................................................ 40
4.7.4
Rychlost ......................................................................................................................... 41
4.7.5
Spotřeba paliva a produkce emisí .................................................................................... 42
4.7.6
Emise hluku .................................................................................................................... 44
4.7.7
3D objekty v simulaci a vizualizaci ................................................................................... 44
4.8
ČAS K PŘEKONÁNÍ STAVU NULOVÉ SATURACE ........................................................................ 45
4.9
MINIMÁLNÍ POČET SIMULAČNÍCH PROCESŮ ........................................................................... 46
4.10 KONTROLA VÝSTUPŮ ............................................................................................................. 50
5
CHYBY SIMULAČNÍCH MODELŮ ____________________________________________ 51
6
ZÁVĚR_________________________________________________________________ 55
7
REJSTŘÍK_______________________________________________________________ 56
8
LITERATURA ____________________________________________________________ 57
PŘÍLOHA I – KONTROLNÍ LIST PRO TVŮRCE SIMULACE _________________________________ 58
PŘÍLOHA II – KONTROLNÍ LIST PRO POSUZOVATELE SIMULACE __________________________ 62
Obrázek 1 – Úrovně chování řidiče (zdroj: [5]) .................................................................................................. 9
Obrázek 2 – Schéma průběhu simulační studie (zdroj:[5]) .............................................................................. 15
Obrázek 3 – Dopravně analytické nástroje (zdroj:[3]) ..................................................................................... 17
Obrázek 4 – Model dle rozsahu/míry podrobnosti (zdroj: PTV) ...................................................................... 17
Obrázek 5 – Výběr nástroje pro zpracování studie (zdroj: [4]) ........................................................................ 18
Obrázek 6 – Prostorové ohraničení simulační studie (obrázek podle [5], upraveno) ...................................... 19
Obrázek 7 – Úprava prognózovaných intenzit (bez adekvátního omezení kapacity dopravního systému) dle
znalosti kapacity úzkých hrdel (zdroj:[3], upraveno) ....................................................................................... 23
2
Obrázek 8 – Saturovaný tok a jeho závislost na vybraném modelovém parametru (Wiedemann 74 – model
dopravního chování pro intravilán, software VISSIM) ..................................................................................... 24
Obrázek 9 – Saturovaný tok a jeho závislost na vybraném modelovém parametru (Wiedemann 99 – model
dopravního chování pro extravilán, software VISSIM) .................................................................................... 25
Obrázek 10 – Závislost intenzity dopravy na rychlosti saturovaného toku pro softwarové nástroje AIMSUN a
S-Paramics. ...................................................................................................................................................... 26
Obrázek 11 – Interakce chodců v plochách pro chodce (neliniové vedení chodců) ......................................... 26
Obrázek 12 – Různé druhy interakce v simulaci .............................................................................................. 27
Obrázek 13 – Nárazové (nahoře) a kvazi-kontinuální (dole) dávkování chodců v simulaci............................. 28
Obrázek 14 – Ukázka výsledků celostátního sčítání dopravy, pro jednotlivé úseky jsou určeny intenzity
dopravy za 24 hodin jako celoroční průměr .................................................................................................... 31
Obrázek 15 – Proces kalibrace ........................................................................................................................ 35
Obrázek 16 – Grafická ukázka kalibrovaného modelu v případě pracovní zóny na dálnici............................. 36
Obrázek 17 – Grafická ukázka kalibrovaného modelu v případě pracovní zóny na dálnici............................. 36
Obrázek 18 – Grafické srovnání průběhu dojezdových časů ........................................................................... 38
Obrázek 19 – Ukázka analýzy hustoty dopravního proudu v softwaru VISSIM ............................................... 41
Obrázek 20 – Ukázka analýzy hustoty dopravního proudu v softwaru AIMSUN ............................................ 41
Obrázek 21 – Ukázka výstupu simulačního modulu – kumulativní emise NOx ve dvou srovnávaných
variantách, výstup softwaru VISSIM ................................................................................................................ 43
Obrázek 22 – Ukázka výsledku výpočtu emisí v simulačním modelu, grafická interpretace celkových emisí . 43
Obrázek 23 – Ukázka 3D objektů v simulaci AIMSUN ..................................................................................... 44
Obrázek 24 – Ukázka 3D objektů v simulaci (zdroj: AF-CityPlan, PTV, Ourston) ............................................. 45
Obrázek 25 – Ilustrace doby pro překonání stavu nulového nasycení sítě ...................................................... 46
Tabulka 1 – Příklad měření počtu vozidel stojících v koloně na vjezdu signalizované křižovatky (zdroj: [6]) . 21
Tabulka 2 – Validační veličiny (zdroj: [5]) ........................................................................................................ 37
Tabulka 3 – Minimální počet simulačních procesů dle úrovně spolehlivosti a požadovaného rozsahu .......... 49
3
1
ÚVOD
Mikroskopické simulace dopravního proudu na bázi počítačové simulace jsou v praxi využívány již
několik desetiletí. K jejich značnému rozvoji došlo především v poslední dekádě, kdy rapidní rozvoj
výkonného počítačového hardwaru i programovacích jazyků umožnil vznik mnohých simulačních softwarů s
různým přístupem k modelování lidského chování v dopravním proudu. Z toho vyplývá i potřeba srovnání a
hodnocení různých mikrosimulačních modelů na jedné straně a definice standardů při vytváření simulací,
jejich hodnocení a prezentaci výsledků na straně druhé.
Na jedné straně narůstá počet analytických a prognostických prací využívajících mikroskopickou simulaci
– stejně jako i samotný počet simulačních nástrojů – a vzniká tak potřeba metodického usměrnění a
stanovení standardů k zajištění úrovně kvality prací a jejich konzistence, na straně druhé potenciální
příjemci mikrosimulačních výstupů nemají k dispozici kromě reklamních materiálů jednotlivých tvůrců
simulačních nástrojů, žádný všeobecně platný dokument jako informační zdroj o tom, co simulace má/může
splňovat, jak má být připravena, formátována a interpretována a co má/může přinést formou výsledků.
1.1
VYUŽITÍ PŘÍRUČKY
V případě Příručky pro vytváření, hodnocení a interpretaci výsledků mikrosimulačních modelů
předpokládáme dvojí využití - na jedné straně u samotných tvůrců simulačních modelů, kteří ji využijí jako
vodítko, nápovědu a zdroj základních požadavků na kvantitu a kvalitu analytické a prognostické práce s
mikrosimulačním modelem, na straně druhé u příjemců analytických a prognostických prací, kteří dle ní
mohou definovat své požadavky na dílo a lépe porozumět jeho výsledkům.
1.1.1 Z perspektivy příjemce modelových výstupů
Skupinu potenciálních odběratelů tvoří objednatelé dopravních analýz a prognóz a příjemci jejich
výsledků, jako např. ŘSD (Ředitelství silnic a dálnic), Policie ČR, krajské nebo městské odbory dopravy příp.
soukromí objednatelé (projekční firmy, developeři, dopravní inženýři). Pro tyto příjemce výsledků je
informačním zdrojem, který je obeznámí s možnostmi simulací, standardy při jejich vytváření,
formátováním a interpretací výsledků a rovněž s kvalitativním rámcem mikrosimulačních postupů.
Zjednodušeně řečeno, příručka má zprostředkovat informace:
-
Kdy je vhodné nasazení mikroskopické simulace a co je možno po ní požadovat;
Jak má být simulace provedena a ověřena;
Jaké výstupy je možno očekávat;
Jak rozumět výsledkům.
V mnoha případech jsou veřejné autority (např. odbory dopravy) nebo jimi pověřené osoby/společnosti
spíše v roli posuzovatele výsledků simulační studie a v takových případech předkládaná příručka rovněž
poslouží jako vodítko a informační zdroj.
4
1.1.2 Z perspektivy tvůrce modelu
Příručka předpokládá u tvůrce modelu základní znalosti z oblasti dopravního inženýrství a věnuje se tedy
pouze záležitostem spjatým s procesem mikroskopické simulace.
Příručka má sloužit jako návod nebo informační průvodce pro tvůrce mikrosimulačních modelů, od
výběru analytického nástroje, přípravy vstupních dat, přes výstavbu modelu, jeho kalibraci až k analýze
výsledků simulace a jejich interpretaci. Skupinu potenciálních odběratelů resp. uživatelů reprezentují tedy
komerční firmy a státní, obecní nebo akademické instituce působící na poli dopravních analýz a prognóz s
využitím simulačních modelů.
1.2
VZTAH PŘÍRUČKY K NORMÁM A TECHNICKÝM PODMÍNKÁM
Tato příručka nenahrazuje technickou normu nebo technické podmínky. Lze ji chápat jako jejich
doplnění a rozšíření, a to zejména v případech, které jsou mimořádně vhodné pro aplikaci mikroskopických
simulací, tj. v případech, kdy simulace získává ve srovnání s běžnými metodami posouzení komparativní
výhodu, nebo je přímo jedinou možností pro stanovení hodnověrného výsledku (viz kap. 3).
1.3
OBECNOST A NEZÁVISLOST PŘÍRUČKY
Předkládaná příručka je neutrální ve vztahu k jednotlivým softwarovým nástrojům. Její obsah je
obecný, bez přímé vazby na použitý software a proto také není náhradou manuálů k použití a nastavení
jednotlivých softwarových nástrojů. Neuvádí konkrétní hodnoty pro jednotlivé parametry konkrétních
simulačních softwarů, popisuje však principy, které je nutné dodržet a také definuje základní požadavky při
tvorbě simulačních modelů. Pro postup při nasazení vybraného softwarového nástroje je vždy potřebná
také znalost manuálu vytvořeného developerem předmětného softwaru nebo příručky vytvořené pro
předmětný software.
5
2
CO JE MIKROSIMULACE
Modelování obecně je napodobování reálného děje nebo jeho části. Jde o selektivní aproximaci, tj.
výběrové přiblížení realitě. Vybírají se pouze podstatné vlivy a ty podružné se zanedbávají (např. počasí).
Reálné vztahy a závislosti se na základě pozorování transformují do matematických vztahů a algoritmů,
které vytvářejí sofistikovaný matematický model.
Simulace obecně představuje proces napodobování reálného děje, přičemž se jedná o simplifikovanou
aproximaci. Simulační dopravní model sestává z několika submodelů, z nichž se každý stará o specifickou
úlohu v procesu simulace reálného děje (car following model, lane change model a další). Submodely
následování vozidla, které řídí interakci vozidla s před ním jedoucím vozidlem (car following model), je
možno rozdělit na modely bezpečné vzdálenosti (safety distance model), psycho-fyzikální modely (psychophysical) a modely jiného typu. V poslední době byly do mikrosimulačních modelů přidány také speciální
submodely pro realistickou simulaci chodců včetně interakce s motorovou dopravou. Algoritmy popisující
chování v dopravním proudu se stále zdokonalují a přibývá kalibračních parametrů umožňujících nastavení
přibližující se specifickým podmínkám/charakteristikám dopravního proudu v čase a místě (národní nebo
regionální specifika).
Mikrosimulace lze také popsat jako dynamické a stochastické modelování individuálních pohybů vozidel
v systému dopravních komunikací. Každé vozidlo je přemísťováno v síti v malých časových krocích (< 1 s)
v souladu s fyzickými vlastnostmi vozidla (délka, maximální akcelerace apod.), základními pravidly pohybu
(vztah mezi rychlostí, dráhou, zrychlením apod.) a pravidly dopravního chování řidičů (následování vozidla,
změna pruhu apod.).
2.1
MODELOVÉ SKUPINY DLE ROZSAHU A MÍRY PODROBNOSTI MODELU
a) Makroskopické simulační modely
Makroskopické modely se vyskytují ve dvou modelových variantách – jako tzv. modely dynamiky
kapalin, které bývají používány především pro simulaci a řízení dálniční dopravy a, jako dopravně
plánovací modely, tzv. modely cestovního času, kde odpor trasy je modelován jako funkce
zatížení na trase. Obě modelové varianty se zabývají dopravními proudy bez jejich členění na
jednotlivé součásti (vozidla). Popis dopravního provozu probíhá prostřednictvím agregovaných
proměnných jako dopravní zatížení meziuzlových úseků nebo průměrná rychlost dopravy na
daném meziuzlovém úseku. Vztahy mezi agregovanými veličinami cestovního času, rychlosti,
intenzity a hustoty dopravního proudu jsou obvykle formulovány matematickými vztahy
(fundamentální diagram).
b) Mezoskopické simulační modely
K této skupině patří modely, při kterých sice jednotlivá vozidla a jejich pohyb silniční sítí jsou
zohledňovány, avšak pohyby vozidel jsou kromě makroskopických souvislostí popisovány bez
zohlednění interakce mezi jednotlivými vozidly.
c) Mikroskopické simulační modely
Jednotlivá vozidla, ze kterých je složený dopravní proud, v této modelové skupině tvoří nejmenší
elementy systému. V simulaci se zohledňují rovněž individuální vlastnosti různých vozidel a
řidičů stejně jako interakce mezi vozidly. Pravidla, na základě kterých se vozidla v modelu
pohybují a vzájemně reagují (např. volba rychlosti či jízdního pruhu), jsou dané ve formě
6
výpočtových algoritmů. Mikroskopické modely jsou potenciálně přesnější než makroskopické a
umožňují reprezentaci detailnějších problémových úloh.
d) Hybridní modely
Do této skupiny se řadí modely, které vykazují znaky mikroskopických i makroskopických
modelů. Jsou to např. modely, ve kterých je doprava v různých místech modelu interpretována
jiným způsobem (např. makroskopické zobrazení meziuzlových úseků ve spojení
s mikroskopickým pojetím chování v odbočovacích manévrech v navazujících uzlech.
e) Submikroskopické simulační modely
Submikroskopické simulační modely modelují stav vozidla podrobněji než rovině řidič-vozidlo.
Těmito modely tak mohou být zobrazovány např. i motor a hnací ústrojí. Vyznačují se
mimořádně vysokým stupněm detailnosti a s tím spojenými vysokými nároky na čas potřebný
k sestavení modelu a vstupní modelová data.
2.2
TVORBA MODELOVÉ SÍTĚ
Síťový model sestává z různých síťových elementů popisujících dopravní infrastrukturu. Mezi
nejdůležitější se řadí meziuzlové úseky neboli „linky“ (nebo hrany) s definovaným počtem pruhů, šířkovými
a sklonovými parametry a uzly neboli křižovatky s jejich geometrickými a topologickými vlastnostmi včetně
řídících plánů nebo algoritmů signalizovaných uzlů. Časově proměnná data, jako např. dopravně závislé
signální plány, se označují jako dynamická data modelu.
2.3
MODELOVÁNÍ POPTÁVKY
Dopravní poptávka určuje, jak velký objem dopravy má být zaveden do modelované dopravní sítě a
s jakým časovým rozložením. Podle toho, co má být zkoumáno a jak velká je simulovaná síť, jsou možné tři
způsoby popisu dopravní poptávky v simulačních modelech:



Podíly v odbočovacích vztazích (rozdělení dopravy na vjezdu do křižovatky na jednotlivé možné
směry jízdy);
Explicitní popisy tras (souhrn odbočení pro řadu uzlů, explicitní popis trasy od zdroje do cíle
včetně všech odbočovacích manévrů v uzlech na trase);
Matice zdroj-cíl (dopravní poptávka vyjádřená objemy dopravy mezi jednotlivými dopravními
zónami bez přiřazení explicitních tras).
2.3.1 Modely chování
V modelech chování se používají algoritmy, kterými je definováno chování jednotlivých jednotek řidičvozidlo. V mikroskopických dopravních modelech se všeobecně rozlišuje mezi třemi elementárními modely
chování:


Model následování vozidla, který stanovuje odstup řidiče při jízdě v koloně (resp. při
následování jiného vozidla, tj. jízda „v závěsu“) a interakci mezi vzájemně se následujícími
vozidly;
Model pro změnu pruhu, který určuje pravidla, na základě kterých dochází ke změnám pruhu
v dopravním modelu;
7

Model volby trasy, který určuje trasu vozidla v silniční síti. Trasou se rozumí pevná řada
meziuzlových úseků a spojení mezi zdrojovým a cílovým příčným profilem, která je vozidlu
přiřazena v průběhu simulace.
2.3.2 Parametry chování a vozidel
Základní data modelu a výpočetní postupy modelů chování se uvnitř simulačních modelů nastavují
prostřednictvím parametrů, kterými bude model nastaven k plnění požadované úlohy. V zásadě se rozlišuje
mezi těmito parametry:


Parametry k popisu chování účastníků dopravního provozu (např. požadovaná rychlost a způsob
reagování);
Parametry k popisu vozidel (např. délka, šířka, maximální rychlost, akcelerace apod.);
Oba typy parametrů bývají v modelech zohledňovány prostřednictvím rozdělení (četnosti) a představují
tím stochastické veličiny. Jelikož výsledek simulace významně závisí na těchto modelových parametrech, je
nutno jejich stanovování věnovat zvláštní pozornost. Pro většinu modelů existují takzvané standardní sety
parametrů. Tato přednastavení mohou být použita pro první přiblížení potřebám modelové úlohy.
V konkrétním případě je však potřebné ověřit, jestli tyto standardní hodnoty jsou relevantní a vedou k
realistickým výsledkům, nebo musí být náležitě upraveny.
2.3.3 Porozumění modelu
2.3.3.1
Modelové vrstvy
a) Modelování strategického chování řidiče
V závislosti na dostupných datech může být v simulačních modelech dopravní poptávka
přiřazována na dopravní síť různým způsobem – definicí statických tras nebo odbočovacích
podílů, nebo na základě dynamického zatěžování.
b) Modelování taktického chování řidiče
Modelování taktického dopravního chování může nejméně využít solidní teoretické základny.
Zatímco modely pro následování vozidla a výběr trasy jsou již desetiletí předmětem výzkumů,
taktické elementy řidičova chování jsou dostupné pouze ve formě ojedinělých zpracování
vybraných situací. Praxe ukazuje, že právě v úrovni taktického chování může simulační model
vykazovat slabiny, přičemž se jedná především o situace, které jsou kritické pro kapacitu
síťových elementů v sítích s vysokým dopravním zatížením.
Doposud existuje pouze málo modelů s plnohodnotně integrovanými podélnými a příčnými
pohyby, mezi submodelem pro podélné a submodelem pro příčné pohyby však funguje alespoň
jistá komunikace. To např. umožňuje, aby vozidlo, které se chystá provést předjížděcí manévr a
tudíž změnit pruh, mohlo akcelerovat již ve svém výchozím pruhu, jelikož předpokládá, že
v průběhu krátkého okamžiku bude k tomu vytvořen prostor (časoprostorová mezera). Model
následování vozidla sám o sobě by to však nepřipustil, protože nevidí žádný důvod k přiblížení se
k pomalejšímu vozidlu.
Dalším aspektem taktického chování řidiče je, že jeho rozhodování nezahrnuje pouze
bezprostřední okolí (chování řidiče např. ve výběru pruhu mohou ovlivňovat nejen sousední
8
vozidla a následující křižovatka ale i vozidla v širším okolí a druhá či dokonce třetí následující
křižovatka).
c) Modelování operačního/provozního chování řidiče
V nejnižší – operační vrstvě je modelováno, jak se bude chovat vozidlo v následujícím časovém
kroku, tedy jak bude brzdit, zrychlovat či měnit směr jízdy. Většina simulačních modelů odděluje
popis operativního chování na dvě části: chování v podélném směru (longitudinální, tj.
především akcelerace/decelerace) a chování v příčném směru (laterální, tj. především změna
jízdního pruhu).
Obrázek 1 – Úrovně chování řidiče (zdroj: [5])
2.3.3.2
Nahodilost v modelu
Podle [5] ve fyzice jistou dobu dominovala představa světa jako hodinového stroje (Laplaceho démon) –
že když je člověk dostatečně chytrý, po definici všech počátečních podmínek a rovnic dokáže popsat
budoucnost (Laplace je často zcela neprávem považován za naivního propagátora představy absolutně
deterministického vesmíru, analogického kolosálnímu hodinovému stroji, který by po zadání všech rovnic a
počátečních podmínek všech částic ve vesmíru umožňoval absolutně přesně předvídat budoucnost – zdroj:
Wikipedie). Počátkem 20. století se ale zjistilo, že i v případě komplikovaných deterministických systémů je
stochastický popis smysluplný: naše neznalost mikroskopických procesů vede k tomu, že detailní popis
musí být nahrazen více agregovaným. Přitom přehlížené „stupně volnosti“ se projeví na agregované úrovni
jako šum nebo nahodilost. To je možné přímo převést do dopravy – samotné mikroskopické modely
chování jsou v nejlepším případě agregovaným popisem toho, jak se rozhodují řidiči. Jinou otázkou je, jestli
na agregované úrovni hraje roli nahodilost, nebo jestli je dostačující brát v úvahu pouze průměrné hodnoty.
9
Jeden z nejdůležitějších instrumentů, s jehož pomocí se vytváří nahodilost v počítačových programech,
je generátor náhodných čísel. Pod tím se rozumí algoritmus, který, vycházejíc z jednoho nebo několika
startovacích čísel, vytvoří sekvenci náhodných čísel, které odpovídající statistické testovací metody
klasifikují jako náhodné. Přesně vzato taková sekvence náhodnou sekvencí samozřejmě není: začneme-li se
stejnou startovací hodnotou, vytvoří se stejná sekvence čísel. Proto se v této souvislosti hovoří o
pseudonáhodných číslech. Vytvořit dobré generátory náhodných čísel je poměrně těžké, aktuálně je jich
však popsána celá řada (viz literatura, internet). Lze však najít rovněž i příklady, kterými je demonstrováno,
že určitý generátor náhodných čísel negeneruje náhodná čísla – tj. statistickými testy je dokazováno, že
vytvořená čísla nejsou náhodná.
Náhoda má význam minimálně ve třech rovinách:



Nahodilost v počátečních podmínkách znamená, že absolutně stejný stav se (téměř) nikdy
nevytvoří: v jedno určité úterní ráno v 8:00 je stav dopravy podobný jako v jiné úterý předtím,
ale ne identický. V simulačním modelu ovšem je možné připravit stejný výchozí stav, nahodilost
tak má význam pouze ve srovnání s realitou.
Nahodilost v dynamice znamená, že i při přesně stejných podmínkách se systém s určitou
pravděpodobností bude vyvíjet jinak než při prvním pozorování. Odstup, při kterém řidič blížící
se k překážce začne brzdit, je při každém opakovaném pokusu jiný. Typicky se pro takové
experimenty nalezne pravděpodobnostní rozdělení odstupů, při kterých řidič začíná brzdit.
Mnohé, v literatuře diskutované, mikroskopické modely jsou takovými stochastickými modely
(např. Nagel; Schreckenberg, 1992, Krauß; Wagner; Gawron, 1996, Chowdhury; Santen;
Schadschneider, 2000). Zajímavé však je, že odpovídající simulační modely jsou přesně vzato
deterministické: začne-li se se stejnými počátečními podmínkami včetně startovací hodnoty
generátoru náhodných čísel, získá se stejný výsledek. Až když se změní startovací hodnota
generátoru náhodných čísel, dospěje simulace k požadovanému rozdělení.
Nahodilost v parametrech je třetím důležitým zdrojem nahodilosti: různí řidiči brzdí v různých
vzdálenostech od překážky. V „různých“ znamená, že i výsledná rozdělení reakčních dob jsou
rozdílná, tj. že se liší (minimálně) v průměrné hodnotě a standardní odchylce.
S nahodilostí je úzce spjata otázka reprodukovatelnosti. Jak již bylo popsáno, při stejné startovací
hodnotě generátoru náhodných čísel dosáhneme stejných výsledků simulace (nemusí platit v případě
paralelních výpočtů na více počítačích). Pozměníme-li v každém simulačním procesu počáteční hodnotu
generátoru náhodných čísel, bude řada výsledků simulace stejně nahodilá, jako realita. Bohužel nahodilost
znamená i to, že vypovídací hodnota jedné jediné simulace je silně omezena. Až více simulačních procesů
společně vytváří smysluplnou výpověď, která pak může být opatřena průměrnou hodnotou a standardní
odchylkou. Avšak i při čistě deterministickém způsobu posuzování se doporučuje provést více simulačních
procesů s lehce pozměněnými parametry: jen tehdy se získá výpověď o tom, jestli je výsledek simulace
dostatečně „robustní“ a tedy se vlivem malých nepřesností nezmění ve zcela opačný. I deterministické
systémy, obzvláště komplexní systémy jako dopravní provoz, mohou pro jenom lehce odlišné výchozí
podmínky vykazovat úplně odlišné výsledky.
Výsledky jednotlivých simulačních procesů leží buď dostatečně těsně u sebe, tj. že např. umožňují
stanovení akceptovatelné průměrné hodnoty, nebo se kupí v rozdílných hodnotách. Ve druhém případě se
může stát, že k otázce položené před samotným posuzováním by bylo možné dát různé odpovědi. Příklad:
při posuzování nového řízení světelné signalizace se ve většině simulačních procesů zjistí skutečně lepší
hodnoty (např. v 80 % případů), příležitostně ale dochází ke zhroucení dopravního proudu vlivem kumulace
10
„nešťastných“ okolností, což vede k mnohem horším hodnotám. V 80 % případů je tak nové řízení lepší než
to stávající, v 20 % ale horší. Na základě uvedeného případu je možné odvodit první instrukce, kolik
simulačních procesů je potřebných. Lze z toho odvodit jednu jistou odpověď: pokud bychom provedli pouze
jednu simulaci, byl by výsledek s jistotou nesprávný, jelikož odpověď by zněla buď „řešení je lepší“ nebo
„řešení je horší“. Bohužel není možné podat jednoznačnou odpověď na otázku typu „kolik“ ale pouze
odpovídající pravděpodobnosti. Bude-li provedeno v uvedeném příkladu 10 simulačních procesů, bude
pravděpodobnost, že získáme pouze jediný výsledek, již pouze 10,7 %. To se dá interpretovat jako míra
jistoty, s kterou je možné důvěřovat zjištěnému výsledku. Z toho vyplývá doporučení: „čím více simulačních
procesů, tím lépe“ (viz také detaily v kap. 4.9).
2.3.3.3
Dynamika v modelu
Pojem „dynamika“ nebo „dynamický“ se používá v několika významech, mezi kterými je nutno
rozlišovat:





Dynamická simulace
Tímto slovním spojením se vyjadřuje dynamický průběh přemísťování vozidel po modelové síti,
který vizuálně působí jako více či méně plynulý pohyb vozidel (plynulost pohybu závisí na
časovém kroku simulace, zpravidla 0,1 až 1 s). Za dynamickou se tak zpravidla označuje
simulace, u které lze simulovaný děj kontinuálně či pseudo-kontinuálně sledovat.
Dynamika vozidel
Popisuje dynamické charakteristiky vozidel jako akcelerace, decelerace, výkon, hmotnost apod.
Tyto charakteristiky ovlivňují chování vozidla v síti (např. při rozjezdech, nebo při stoupání
v rampě mimoúrovňové křižovatky).
Dynamika pěších
Podobně jako u vozidel, simulační softwary nebo jejich doplňkové moduly umožňují definovat
různé kategorie pěších s rozdílnými dynamickými charakteristikami. Zde nehraje významnou roli
akcelerace, ale rychlost v různých podmínkách (podélný sklon trasy, schodiště dolů, schodiště
nahoru, rampy spod.) a chování chodce (vychází z jiných teoretických konstrukcí než chování
vozidla, resp. řidiče).
Dynamika dopravního proudu
Popisuje dynamické charakteristiky dopravního proudu jako např. rychlost, hustota, intenzita či
akcelerační šum. Dopravní proud je tvořen jednotlivými vozidly s individuálními dynamickými
charakteristikami.
Dynamické zatěžování
Simulační softwary umožňují „statické“ definování jednotlivých tras mezi zdrojem a cílem cesty
simulovaného vozidla (určí tvůrce modelu) nebo zatěžování silniční sítě probíhá „dynamicky“, tj.
přiřazení vozidel na jednotlivé trasy provádí simulační software postupně v průběhu simulace na
základě zkušeností z předchozího iteračního kroku (dynamické zatěžování probíhá v iteračních
krocích, intenzity jsou dány maticí přepravných vztahů). Při statickém zatěžování simulace
odpoví na otázku – jaké důsledky bude mít interakce vozidel, při dynamickém zatěžování navíc
odpoví na otázku – jak budou zatížené jednotlivé části sítě. Jinak řečeno, při dynamickém
zatěžování jsou informace o zatížení jednotlivých tras výstupem simulace, při statickém
zatěžování jsou vstupnými daty do simulace.
11


2.4
Dynamické řízení
Pod pojmem dynamické řízení se rozumí dynamické řízení světelné signalizace, ramp metering,
preference vozidel hromadné dopravy a různé telematické aplikace (mýtné, řízení využití pruhů,
regulace rychlosti dle zatížení atd.). Simulační softwary (nebo jejich doplňkové moduly)
umožňují definici virtuálních detektorů a simulaci řízení signalizace v závislosti na aktuálním
dopravním zatížení. Umožňují definici stejných řídících algoritmů a diagramů, které se používají
pro skutečné řízení světelných signalizací a telematických aplikací.
Dynamická prezentace výsledků
Kromě „statické“ podoby výsledků ve formě grafů či tabulek lze výsledky simulace prezentovat
v podobě videosekvencí nebo animovaných obrázků ilustrujících změny sledovaných
charakteristik v čase. Lze tak demonstrovat např. vlnové šíření místa zastavování dopravního
proudu (šokové vlny), změny rychlostí v jednotlivých částech silniční sítě, vývoj produkce emisí a
jiné jevy v průběhu simulovaného časového intervalu.
ČASOVÁ A FINANČNÍ NÁROČNOST SIMULACE
Intuitivní uživatelské rozhraní některých simulačních nástrojů může svádět k pocitu rychlého a
nenáročného zvládnutí procesu tvorby mikrosimulačního modelu. Je nutné si však uvědomit, že za seriózní
simulační studií stojí mnohem více pečlivé práce, než jen vytvoření modelu a jeho „spuštění“. Časově
náročnou součástí simulační studie může být již získání vstupních dat a pak datových setů pro kalibrační a
validační proces. Samotná kalibrace modelu je časově extenzivní částí simulační studie v závislosti na
složitosti a rozsahu modelu. Dalším významným determinantem je počet posuzovaných variant a rozsah
hodnocení. Další časové nároky vznikají v případě potřeby simulace dynamického řízení nebo v případě
speciálních úloh.
Časová náročnost zpracování simulační studie se tak pohybuje od jednoho měsíce u jednoduchých úloh,
kolem 2 až 3 měsíců u běžných projektů a více než 3 měsíce u velkých složitých projektů.
Finanční náročnost pro zpracování simulační studie v českých podmínkách se pohybuje řádově
v desetitisících (od 60 tis.) až stotisících, u velkých a složitých projektů je to i více. Pro ilustraci
doporučujeme k nahlédnutí tabulku 31 v práci [13], kde je uveden soubor případových studií s využitím
mikroskopických modelů – časové rozpětí u těchto projektů dosahuje 5 až 18 měsíců a rozpočet dosahuje u
šesti projektů méně než 250 000 $, u tří projektů v rozsahu 250 000 – 500 000 $, u tří projektů v rozsahu
500 000 – 1 000 000 $ a u dvou projektů více než 1 000 000 $.
1
Tabulka č. 3 s názvem „Summary of 15 Case Study Projects“ na str. 44, publikováno v: SBAYTI, Hayssam a David RODEN.
AECOM. Best Practices in the Use of Micro Simulation Models: Prepared for: American Association of State Highway and
Transportation Officials (AASHTO). Arlington, VA 22201, 2010, 76 s.
12
3
KDY JE VHODNÉ NASADIT MIKROSIMULACI
Mikrosimulace vyžaduje více vstupních dat a času ke zpracování než makroskopické modely nebo
postupná analýza jednotlivých křižovatek pomocí výpočetních softwarů. Na druhou stranu je mnoho
případů, kdy nasazení mikrosimulace je mnohem vhodnější nebo dokonce nezbytné.
Hlavní důvody pro nasazení mikroskopické simulace jsou:
-
-
-
-
-
-
-
Předpoklad synergických efektů
V komplexních dopravních systémech s velkým počtem křižovatek a různorodým dopravním
proudem (vozidla, chodci, cyklisti…), s malou vzájemnou vzdáleností uzlů a křižování lze očekávat
vzájemné ovlivňování a spolupůsobení (synergii), např. zasahování kolony do následující křižovatky,
blokování vjezdu/výjezdu křižovatky neregulovaným proudem pěších, vliv těžkých nákladních vozidel
na délku kolony a její rozplynutí. Synergické efekty mohou zůstat při izolovaném (separátním)
posuzování jednotlivých křižovatek neodhaleny!
Dopravní situace s kritickou saturací
Je-li míra saturace vysoká, na rozhraní stabilního a nestabilního stavu dopravního proudu nebo
blízko této hranice.
Překročení kapacity, stavy kongesce
Dochází-li, resp. je předpokládané překročení kapacity některých segmentů dopravní sítě.
Testování kapacitních hranic systému
Speciální typ inženýrské úlohy, ve které je zapotřebí kvantifikovat hranice únosného dopravního
zatížení pro konkrétní dopravní řešení a lokalitu. Jde o otázku, kterou je potřebné řešit např. pro
rozvojové oblasti měst a obcí (většinou v kombinaci s prognostickými makro-modely).
Nestandardní způsoby řešení
Nestandardní technické nebo organizační řešení dopravního prostoru, které nemá žádnou oporu
v normě nebo technickém předpisu (připojení bez připojovacího pruhu na rychlostní silnici), nebo
splňuje technické požadavky pouze částečně (např. připojovací pruh nedostatečné délky), nebo je
mimo rozsah normového posouzení (např. extrémně malá délka průpletu).
Technické řešení bez prokázaných zkušeností
Je-li navrženo nové řešení dopravního prostoru nebo jeho rekonstrukce takovým způsobem, se
kterým jsou žádné nebo pouze nedostatečné zkušenosti v reálném provozu (např. okružní křižovatka
částečně řízena světelnou signalizací a jiné hybridní systémy).
Dynamické řízení, preference vozidel VHD, ITS
Je-li křižovatka nebo celá soustava křižovatek řízena dynamicky, tj. s proměnnými signálními plány
dle aktuální dopravní poptávky na jednotlivých vjezdech, nebo je-li křižovatka vybavena zařízením
pro preferenci vozidel VHD. Další možností pro nasazení mikrosimulace je testování telematických
systému (inteligentních dopravních systémů) jako např. ramp metering, řízení rychlosti pomocí
značení s proměnnou symbolikou apod.
Potřeba informací o dynamice jízdy pro detailní hodnocení emisí a hluku
Je-li potřeba zjištění detailních informací o dynamice jízdy (aktuální rychlost a zrychlení/zpomalení
v daném bodě trasy) pro každé vozidlo v dopravním proudu např. pro potřeby přesného výpočtu
emisí či hluku.
Caltrans (2002) uvádí tyto podmínky, při kterých je vhodné nasazení mikroskopické simulace:
13




Podmínky, které nesplňují základní předpoklady nezávislosti požadované HCM
o Zasahování kolony od jedné křižovatky do druhé křižovatky;
o Kolony přesahující délky odbočovacích pruhů;
o Kolony zasahující z místních komunikací na nadřazené komunikace;
o Kolony zasahující od míst ramp meteringu do místních komunikací.
Podmínky, které nejsou dostatečně dobře pokryty HCM
o Přesah kolony do sousední křižovatky či komunikace;
o Vícepruhové vjezdy se světelnou signalizací nebo značkou „stop, dej přednost v jízdě“;
o Stoupací pruhy pro pomalá vozidla;
o Krátké rozšíření nebo zúžení pruhů u světelné signalizace;
o Mezní body mezi různými systémy světelné signalizace s různou délkou cyklu;
o Prioritizace ve světelné signalizaci (např. železniční přejezd, stanice hasičů);
o Podmínky pro vjezd do pruhů pro vozidla s vysokým obsazením (angl. HOV) nebo
podmínky počátku a ukončení těchto pruhů;
o Obousměrné pruhy pro odbočení vlevo (řešení používané v USA, simulační softwary ho v
současnosti neumožňují simulovat přímo);
o Okružní křižovatky;
o „Úzké“ křižovatky typu diamant (malá vzájemná vzdálenost úrovňových křižovatek v
MÚK);
o Podmínky řízení mimořádných událostí (vzhledem k tomu, že HCM a makroskopické
modely předpokládají ustálený stav v každém analyzovaném období, nejsou vhodné pro
přesné sledování tvoření a rozptylu kongescí souvisejících s náhodnými přechodnými
podmínky způsobenými mimořádnými událostmi.).
Výběr řešení z alternativ, ze kterých žádná neeliminuje kongesci (výběr „nejméně špatné“
varianty)
Testování možností, které mění charakteristiky vozidel a chování řidičů
Transport for London (2003) uvádí tyto podmínky jako vhodné pro užití simulačních modelů:








Komplexní provozní schémata (např. prioritizace autobusů, pokročilá světelná signalizace, řízení
mimořádných situací, různé módy výběru mýta);
Významné konflikty mezi různými účastníky silničního provozu (chodci, cyklisti, autobusy…);
Hlavní (např. uzavření pruhů, zjednosměrnění, mýtné brány);
Politicky citlivé projekty, které by mohly profitovat z vizualizace;
Plánování a návrh projektů s vysokou hodnotou a potenciálem výrazných úspor v případě
zpracování mikroskopických simulačních modelů;
Emulace provozu dynamického řízení světelné signalizace s významnou úsporou v přípravě
signálního plánu a optimalizaci;
Studie městských center;
Provoz tramvají a lehkých vlaků.
14
4
POSTUP PŘI TVORBĚ MIKROSIMULACE
Obrázek 2 – Schéma průběhu simulační studie (zdroj:[5])
Příprava
Definice/formulace úlohy
Míra detailu
Prostorové a časové ohraničení zájmové oblasti
Podkladová data, statistická předběžná úvaha
Příprava
Vytvoření základního modelu
Statická data modelu
Dynamická data modelu
Dopravní poptávka
Analýza chyb
Inicializace
Zhodnocení podkladových dat
Počet datových
setů > 00
Jsou k dispozici
data srovnatelné
studie?
NE
ANO
NE
simulace
není
smysluplná
NE
Počet datových
setů >1
ANO
ANO
Příprava kalibrace
Výběr vhodných veličin
Stanovení akceptovatelné chybovosti
Stanovení počtu simulačních procesů
Provedení simulačních procesů a
porovnání výsledků s datovým
setem 1
Provedení simulačních procesů a
porovnání výsledků s datovým
setem nebo daty srovnatelné studie
Dodržená míra
chybovosti
NE
Změna
modelových
parametrů
Dodržená míra
chybovosti
ANO
Příprava validace
Standardní sada parametrů
Provedení simulací a porovnání
výsledků s podkladovými daty
Provedení simulací a porovnání
výsledků s datovým setem 2
ANO
NE
Dodržená míra
chybovosti
NE
Změna
modelových
parametrů
ANO
Simulační studie má pouze omezenou
výpovědnou hodnotu
Příprava validace
Dodržená míra
chybovosti
Kalibrace
a validace
Příprava kalibrace
NE
ANO
Validovaný model
Kalibrovaný model
Simulační experiment
Simulační experiment
Použití modelu na různé varianty
Vyhodnocení simulačních výsledků
Možné pouze kvalitativní srovnání variant
Vyhodnocení simulačních výsledků
Dokumentace
Přesné údaje o podkladových datech
Představení výsledků simulace
Údaje o velikosti chyby
Simulační
experiment
Dokumentace
Přesné údaje o podkladových datech
Představení výsledků simulace
Údaje o velikosti chyby
Zmínka o chybějící validaci
Dokumentace
15
4.1
IDENTIFIKACE ÚČELU A ROZSAHU STUDIE, VÝBĚR NÁSTROJE
4.1.1 Účel studie
Cíle studie by měly odpovědět na základní otázky:



Proč je studie potřebná;
Jaké otázky mají být zodpovězeny;
Kdo jsou příjemci výsledků resp. osoby/instituce s rozhodovací pravomocí?
V mnoha případech je před zahájením prací přínosné stanovení nejen toho, co má být analyzováno, ale i
toho co předmětem analýzy být nemá. Tím se lze vyhnout nedorozuměním mezi zadavatelem a
realizátorem studie a také bude zajištěn jeden z předpokladů efektivity práce.
4.1.2 Výběr nástroje
Obecné předpoklady vhodnosti pro nasazení mikroskopické simulace neboli její typické aplikace jsou
popsány v kap. 3. Mikrosimulace může poskytnout velké množství informací, ale na druhé straně se může
stát časově i finančně náročnou metodou. Důležitou úlohou manažera projektu je volba nákladově
efektivního řešení.
Výběr softwarového nástroje je ovlivněn těmito faktory:






Dostupnost zdrojových dat;
Definovaný časový rámec;
Dostupná paleta nástrojů;
Rozsah posuzovaného území;
Požadovaná míra detailu;
Ekonomická efektivnost řešení.
Mezi nejvýznamnější faktory při obecné volbě nástroje pro provedení dopravní analýzy je požadovaná
míra detailu a rozsah územního pokrytí. Jde-li o studii regionu (např. okres, kraj), je komplexní nasazení
mikroskopické simulace vyloučeno, je nutné zvolit mezoskopický nebo makroskopický nástroj a pouze
vybrané citlivé části podrobit podrobné analýze v mikroskopickém měřítku v simulační studii, je-li to
shledáno jako potřebné a přínosné.
Členění nástrojů lze provést na základě různých hledisek, je třeba rozlišovat rozsah nasazení, míru
detailu, přístup (analytický, simulační…) apod. Nákladovou efektivitu simulační studie je v některých
případech možné a nutné docílit zjednodušením v přístupu, jako např.:


Využití statických signálních plánů místo dynamického řízení
Je-li saturace křižovatek natolik vysoká, že dynamické řízení neposkytuje významné přínosy ve
srovnání s optimálním statickým signálním plánem, lze použít statické signální plány bez
zkreslení výsledků.
Nahrazení komplikovaného způsobu simulace pěších jednodušším
Ne všechny simulační úlohy vyžadují sofistikovanou simulaci pěších, např. izolovaný přechod pro
chodce a úloha, která není zaměřena na hodnocení pěších, si vystačí i s jednodušším modelem
16


pěších. Podobně dávkování chodců např. po výstupu z vozidla hromadné dopravy, lze
v některých jednodušších případech nahradit jiným nástrojem než vyšším modelem chodců.
Zanedbání velmi málo využívaných komunikací nebo manévrů
Např. je-li simulována městská síť, ve které dojde k realizaci odbočení do konkrétní ulice pouze
jednou v simulaci a toto odbočení nevyvolá ovlivnění dopravního proudu, lze ho zanedbat.
Zanedbání malých podélných sklonů
Např. zanedbání sklonů do 2 % nebo v místech bez výskytu nákladních vozidel.
Rozsah územního pokrytí
Obrázek 3 – Dopravně analytické nástroje (zdroj:[3])
Tradiční
poptávkové modely
HCM Software,
Synchro,
Traffix…
Makrosimulační
modely:
Transyt…
Mikrosimulační
modely: VISSIM,
Paramics, Aimsun…
ulice
křižovatky
skupiny vozidel
individuální vozidla
Míra detailu
Obrázek 4 – Model dle rozsahu/míry podrobnosti
(zdroj: PTV)
Z hlediska rozsahu modelu a míry jeho detailu lze
obecně modely rozdělit do tří základních kategorií
(pro ilustraci viz Obrázek 4):



Mikroskopické
Odpovídají zpravidla velikosti menší
části města nebo koridoru.
Mezoskopické
Odpovídají zpravidla velikosti města
nebo menšího regionu.
Makroskopické
Odpovídají zpravidla velikosti regionu
(okres, kraj, země…).
Je nutno zdůraznit, že uvedené hranice mezi
jednotlivými kategoriemi modelů jsou pouze
orientační a pro konkrétní typ úlohy mohou nabýt
jiných hodnot.
17
Obrázek 5 – Výběr nástroje pro zpracování studie (zdroj: [4])
4.1.3 Prostorové a časové ohraničení
Prostorové ohraničení posuzované oblasti je nutno volit vždy v závislosti na typu úlohy, která má být
řešena. Obecně možno rozlišovat mezi zájmovou oblastí, kde dochází ke změnám a ovlivněnou oblastí, ve
které se projeví změny realizované v zájmové oblasti. Ovlivněná oblast má být volena dostatečně velká
takovým způsobem, aby byly zachyceny všechny podstatné potenciální problémy generované změnami
v zájmové oblasti. Nápomocnými v této úloze mohou být např. rozdílové pentlogramy dopravy
z makroskopického nebo mezoskopického modelu.
V praxi může docházet ke sporům ohledně ovlivněné oblasti. Developer bude mít zájem o minimalizaci
odhadu ovlivněné oblasti, naopak odpůrci záměru mohou požadovat neadekvátně velké oblasti
k posouzení. Velikost ovlivněné oblasti, která bude dále posuzována v simulační studii, by proto měla být
odvozena od rozdílového diagramu2 variant a následně projednána s příslušnými autoritami
s rozhodovací pravomocí (např. odbor dopravy).
Časové ohraničení simulační studie zpravidla představuje špičkovou hodinu (nebo 50ti rázovou hodinu)
s časem potřebným pro překonání stavu nulového nasycení simulačního modelu (viz kap. 4.8) a někdy také
s určitým časem po uplynutí špičkové hodiny (je-li např. vyšetřována délka vlivu extrémních intenzit ve
špičkové hodině). Specifické úlohy mohou vyžadovat i využití jiných časových intervalů (např. sedlová
hodina).
2
Rozdílový diagram je používán…DOPLNIT
18
Obrázek 6 – Prostorové ohraničení simulační studie (obrázek podle [5], upraveno)
vazby
Zájmová oblast
Ovlivněná oblast
4.2
SBĚR A PŘÍPRAVA VSTUPNÍCH DAT
4.2.1 Geometrie
Geometrické data představují parametry jako počet pruhů, šířku, délku, podélný sklon, návrhovou
rychlost a horizontální zakřivení. V případě křižovatek jsou dalšími potřebnými daty úhel křížení, počty a
délky řadících pruhů a odbočovací směrové poloměry. Tato data jsou obvykle převzata z digitálního
podkladu (dwg/dxf/dgn výkresy komunikační sítě, ortofotomapy nebo satelitní snímky) nebo importem
s GIS-map či makroskopických modelů (EMME, VISUM). Pro směrová zakřivení je obvykle v softwarech
nutno definovat redukci rychlosti dle empirického měření rychlostí nebo dle definovaného vztahu
poloměr/rychlost pro jednotlivé kategorie vozidel. Podélný sklon bývá softwary využíván k úpravě rychlosti
zejména u nákladních vozidel na rampách a dlouhých stoupáních.
4.2.2 Řízení dopravy
Nejlepším způsobem je získat data o řízení od správců signalizačních zařízení, resp. od návrhářů jejich
řídících plánů. V případě dynamických řídících plánů je to nutností (včetně řídícího diagramu a detektorů).
V případě statických řídících plánů je možné i pozorování a zaznamenávání přímo na místě. Svislé a
vodorovné dopravní značení je možné zaznamenat na místě pomocí fotografií, videozáznamu, tabletové
aplikace s předdefinovanými symboly nebo převzít dle digitálního návrhu.
4.2.3 Aktuální dopravní poptávka
Data o aktuální dopravní poptávce lze zjistit manuálním či automatických sčítáním nebo převzít
z kalibrovaného makroskopického modelu (vytvořeného např. ve VISUMu nebo EMME). Existence
makroskopického modelu a možnost importu dat do mikroskopického modelu značně zvyšuje efektivnost
při tvorbě mikroskopického simulačního modelu. Data o dopravní poptávce bývají v mikrosimulaci
kódována principiálně třemi způsoby:


Ve formě matic přepravního proudu
Lze využít v případech dynamického zatěžování, kdy mikrosimulační model přiřazuje vozidla na
jednotlivé trasy (viz také kap. 2.3.3.3);
Ve formě vstupních intenzit a podílech na jednotlivých trasách
19

Lze využít v případě znalosti intenzit na jednotlivých trasách (např. export či odečtení
z makro/mezzo modelu). V tomto případě vozidlo dostane informaci o své celé trase po vjezdu do
modelu nebo před první křižovatkou;
Ve formě vstupních intenzit a intenzit na všech křižovatkových směrech v jednotlivých křižovatkách.
V tomto případě vozidlo dostane informaci před každou křižovatkou o své trase přes tuto konkrétní
křižovatku.
4.2.4 Kalibrační data
Kalibrační data představují výsledky empirického měření kapacity a charakteristik jako jsou cestovní čas,
rychlost, zdržení a délka kolony. Kalibrační data musí být zaznamenávána spolu se záznamem intenzit
dopravy.





Inspekce simulovaného místa
Návštěva simulovaného místa a pozorování dopravního proudu alespoň ve špičkové
hodině se doporučuje v každém případě, jelikož ne všechny aspekty dopravního chování
musí být zaznamenány při standardních dopravních průzkumech. Užitečným zdrojem
informací může být rovněž videozáznam.
Cestovní časy
Nejlepším způsobem získávání dat o cestovním času je plovoucí vozidlo, kdy jedno nebo
několik vozidel v průběhu analyzovaného intervalu projíždí opakovaně vybranou trasu a
zaznamenává cestovní čas. Set zjištěných cestovních časů se pak statisticky vyhodnotí,
běžně s 95procentní mírou spolehlivosti, přičemž interval spolehlivosti se určuje
individuálně dle aktuální potřeby vzhledem k požadované přesnosti měření, počtu
opakování a typu měření.
Bodová/úseková rychlost
Rychlost lze měřit rovněž využitím plovoucího vozidla v kombinaci se záznamovým
zařízením a GPS. Mnohem širší databázi rychlostí lze ale získat ze záznamů smyček
umístněných ve vozovce příp. z jiných typů trvale zabudovaných/umístněných
detektorů. V praxi lze využít i přenosné sčítací zařízení (např. radarové sčítací zařízení
Sierzega). V případě vícepruhových komunikací je nutno měřit rychlost v každém pruhu
zvlášť. Z výsledků měření se obvykle vytváří histogram rychlostí pro jednotlivé kategorie
vozidel.
V případě měření ve volném dopravním proudu lze výsledná data použít k nastavení
požadované rychlosti v simulačním softwaru. Měření mimo volného dopravního proudu
poslouží ke kalibraci simulačního modelu.
Kapacita a saturovaný tok
Data o kapacitě a saturovaném toku jsou důležitá pro zjištění, kdy v dopravním systému
dochází k přechodu do stavu kongesce. Saturovaný tok lze měřit poměrně jednoduše, jeli saturace vjezdu alespoň 90 %, sčítáním vozidel, které projedou v průběhu trvání
zeleného signálu. Měření by mělo probíhat alespoň 1 hodinu (30 minut, není-li
nepřetržitě po dobu jedné hodiny dostatečně dlouhá kolona vozidel na vjezdu). Měření
kapacity segmentu mimo signalizované křižovatky se doporučuje provádět po delší
dobu.
Zdržení
20
Délka časového zdržení může být vyčíslena ze záznamu plovoucího vozidla jako rozdíl
cestovního času při volném dopravním proudu a při aktuálním dopravním zatížení.
Tento postup lze využít v případě menšího počtu tras, v opačném případě (při velkém
počtu tras v komplexních sítích) by šlo o časově náročné měření. V komplexních sítích je
vhodnější měřit pouze vybrané trasy plovoucím vozidlem a další zdržení měřit na
jednotlivých křižovatkách (zdržení průjezdem křižovatky). Na světelně signalizovaných
křižovatkách lze využít postupu uvedeného v HCM (HCM 2000: kap. 16, příloha A). Tento
postup spočívá v počítání stojících vozidel na křižovatkovém vjezdu v pravidelných
intervalech 10 – 20 s (jiné zdroje uvádějí i 30 s). Tento počet se vynásobí zvoleným
časovým intervalem, čímž se získá celkové zdržení stáním. Podělením tohoto čísla
celkovým počtem vozidel, která projela stop-čárou (sčítáno separátně) získáme
průměrné zdržení stáním na vozidlo. Konverzi zdržení stáním na celkové zdržení možno
pak provést použitím vztahu dle HCM, čímž se zohlední rozjezdy a brzdění vozidel.
Příklad:
Tabulka 1 – Příklad měření počtu vozidel stojících v koloně na vjezdu signalizované křižovatky
(zdroj: [6])
počet vozidel stojících v koloně
Čas
č. cyklu
16:34
1
2
3
4
5
6
7
8
16:42
16:47
suma
č. intervalu
1
2
3
4
5
6
7
8
3
6
7
5
4
5
3
4
8
12
11
7
6
7
6
7
11
15
14
10
10
9
8
11
15
16
14
13
12
13
12
16
12
6
2
13
3
4
12
9
2
0
0
2
0
0
0
0
0
0
0
0
0
0
0
2
2
37
64
88
111
61
4
0
6
Interval sčítání:
Celkový počet vozidel v koloně:
Celkový počet vozidel na vjezdu:
Čas v koloně na 1 vozidlo:
Počet zastavujících vozidel:
Korekční faktor pro de-/akceleraci:
Podíl zastavujících vozidel:
Zdržení decelerací a akcelerací:
Celkové zdržení:

1
1
0
371
15 s
371
530 (sčítáno druhým sčítačem)
15*371/530*0,9 = 9,5 s (0,9 = konstanta)
223 (sčítáno druhým sčítačem)
4 (dle tabulky HCM)
223/530 = 0,42
0,42 * 4 = 1,7 s
9,5 + 1,7 = 11,2 s
Korekční faktor pro akceleraci/deceleraci závisí na rychlosti volného dopravního proudu
a průměrném počtu vozidel zastavujících v koloně na 1 jízdní pruh. Počet zastavujících
vozidel je počet vozidel, která zastaví na vjezdu alespoň jeden krát, přičemž každé
vozidlo je počítáno pouze jednou bez ohledu na počet zastavení.
Délka kolony
21
Délka kolony závisí na definici okamžiků, kdy se vozidlo stává součástí kolony a kdy jí být
přestává. Jeden z přístupů je definování rychlostních mantinelů, ohraničujících pásmo
kolony, např. 5 km/h a 10 km/h (sníží-li se rychlost vozidla na 5 km/h, stává se součástí
kolony, zvýší-li jeho rychlost nad 10 km/h, přestává být součástí kolony – tento postup je
uplatňován např. v softwaru VISSIM). Při praktickém měření je však takové rozlišování
silně subjektivní. O něco jednodušší je zaznamenávání počtu stojících vozidel. Přesto
délka kolony je jako kalibrační parametr poněkud problematická.
4.2.5 Budoucí dopravní poptávka
Dopravní prognózu pro výhledové období lze získat z makro/mezoskopického dopravního modelu.
Modelová prognóza je nejčastějším způsobem kalkulace budoucích objemů dopravy. Nemodelovou
prognózu využitím růstových koeficientů lze využít v případě jednoduchých projektů, nebo pouze pro
orientační/hrubé posouzení.
Vychází-li simulace pouze z projekce výsledků série dopravních sčítání, je nutno tuto transformovat do
podoby vstupních dat pro simulační software. Zde jsou, podobně jako v případě dopravních dat o
současném stavu, principiálně tři možnosti transformace výsledků sčítání:



do matice přepravních vztahů, která vypovídá o objemu dopravy mezi jednotlivými
dopravními zónami,
do objemů intenzit na vjezdech do modelu a intenzit v křižovatkových pohybech na
jednotlivých křižovatkách,
do objemů intenzit na vjezdech do modelu a intenzit na všech trasách zdroj-cíl
v modelu.
Prognózovaná poptávka a kapacita systému
Při přebírání dat z dopravní prognózy je nutno zvážit, do jaké míry je v dopravní prognóze zohledněna
kapacita systému. Jednoduchá trendová prognóza, resp. prognóza na základě růstových koeficientů
nepracuje s kapacitou dopravního systému. Modelové prognózy mohou vykazovat různou míru omezení
kapacity systému, od striktního zohlednění úzkých hrdel přes „měkké“ nastavení kapacitních hranic až po
velmi volnou kapacitu dopravního systému. V některých případech je proto v zájmu zajištění realistických
vstupních hodnot pro simulovanou oblast nutno provést korekci na základě znalostí úzkých hrdel v blízkosti
simulované oblasti. Obrázek níže (Obrázek 7) uvádí takový příklad, kdy před vjezdem do simulované oblasti
se nachází úzké hrdlo, přičemž dopravní prognóza v daném místě není kapacitně omezena. Prognózovaná
intenzita před i za úzkým hrdlem IP = 3 600 voz/h, korigovaná intenzita před úzkým hrdlem IK = 3 600 voz/h,
za hrdlem již však IK = 2 800 voz/h, jelikož ověřená kapacita úzkého hrdla činí 2 800 voz/24.
22
Obrázek 7 – Úprava prognózovaných intenzit (bez adekvátního omezení kapacity dopravního systému)
dle znalosti kapacity úzkých hrdel (zdroj:[3], upraveno)
Úzké hrdlo
Kapacita = 2800
Oblast
IP = 3600
IK = 2800
mikrosimulace
IP = 3600
IK = 3600
V ideálním případě jsou úzká hrdla již implementována v dopravním modelu a dopravní prognóza
kalkulována se zohledněním kapacity dopravního systému.
Spolehlivost prognózy dopravní poptávky
Každá prognóza ve svých výsledcích nese jistou míru nejistoty. Tato vyplývá z nejistoty při určování růstu
poptávky (budoucí intenzity dopravy) na jedné straně a z nejistoty o stavu budoucí nabídky na straně druhé
(stav silniční sítě). I relativně malé změny v oblasti kapacity dopravního systému mimo oblasti studované
mikrosimulací mohou způsobit značnou změnu v intenzitě vozidel směřujících do zájmové oblasti.
Významný vliv má také ekonomický a urbanistický rozvoj regionu. Je proto dobrým přístupem počítat
v analýze s jistou mírou nejistoty. V zájmu eliminace poddimenzování nebo naddimenzování dopravní
poptávky se doporučuje provést 2 testy „odolnosti“, s objemy dopravy na úrovni 90 % a 110 %
prognózované poptávky. Je-li si dopravní inženýr vědom vyšší nejistoty ohledně budoucí poptávky, může
provést testy i s vyšší změnou očekávané poptávky nežli ± 10 %.
4.3
TVORBA MODELU
Tvorba modelu je souborem specifických činností, jejichž zvládnutí je nejlépe pokryto školením na
jednotlivé softwarové nástroje. Tato kapitola proto ozřejmuje pouze všeobecné principy a zásady
s předpokladem univerzální platnosti pro všechny běžné dopravně zaměřené simulační softwary.
Principiálně jsou tři hlavní typy vstupních dat, které je potřebné implementovat do modelu:



Geometrie modelu (pruhy, délky, šířky…);
Řídící data (pravidla přednosti v jízdě, signální plány…);
Dopravní poptávka.
Běžný postup při kódování základních vstupních dat:
1)
2)
3)
4)
5)
Import podkladové grafiky (CAD soubory, GIS soubory, orto-foto sobory, mapové podklady…);
Nastavení šablon a vzorů (nastavení standardních parametrů modelových prvků);
Definice typů/kategorií vozidel, skladby dopravního proudu;
Definice uzlů a meziuzlových úseků dle grafického podkladu;
Definice atributů meziuzlových úseků (počet pruhů, šířka pruhů, podélný sklon…);
23
6) Definice atributů uzlů (parametry řízení uzlu, řadící pruhy, stop čáry, signální plán/řídící logika,
definice pravidel přednosti v jízdě…);
7) Definice dopravní poptávky:
a. zdrojových/cílových zón nebo uzlů a matice přepravních vztahů;
b. zdrojových zón/uzlů, tras a intenzit na trasách
c. zdrojových zón/uzlů a relativních intenzit v křižovatkových směrech na jednotlivých
křižovatkách
8) Nastavení doplňujících parametrů (redukce rychlosti vlivem geometrie, příkazové omezení rychlosti,
zpoplatnění komunikačních prvků);
9) Definice veřejné hromadné dopravy (trasy linek, zastávky);
10) Definice ostatních účastníků dopravního provozu (chodci, cyklisti) a interakčních ploch (přechody
pro chodce, společný dopravní prostor…);
11) Definice vizuálních prvků (3D objekty, dopravní značení).
4.3.1 Nastavení kapacity komunikací
Jedním ze základních předpokladů funkční a relevantní mikroskopické simulace dopravního proudu je
správné nastavení základních kapacit. Každý software má přednastavené jednotlivé modelové parametry
(„standardní set parametrů“) a každý dobrý software umožňuje jejich změnu resp. přizpůsobení lokálním
podmínkám. Přizpůsobení lokálním podmínkám a specifikám lze provést na základě vlastních měření nebo
měření provedených jinými autory ve stejné nebo srovnatelné lokalitě (za stejných nebo srovnatelných
podmínek).
Obrázky níže (Obrázek 8, pro detaily viz uživatelský manuál softwaru VISSIM [11]
Obrázek 9) ilustrují možnosti změny modelových parametrů konkrétního software za účelem změny
hodnoty saturovaného toku. Jak je z obrázků patrné, software umožňuje nastavení saturovaného toku
v relativně širokém rozsahu, což poskytuje na jedné straně velmi dobré možnosti pro kalibraci, na straně
druhé riziko chybného nastavení.
Obrázek 8 – Saturovaný tok a jeho závislost na vybraném modelovém parametru (Wiedemann 74 –
model dopravního chování pro intravilán, software VISSIM)
bx_mult = multiplikační část požadované bezpečné vzdálenosti
24
bx_add = aditivní část požadované bezpečné vzdálenosti
pro detaily viz uživatelský manuál softwaru VISSIM [11]
Obrázek 9 – Saturovaný tok a jeho závislost na vybraném modelovém parametru (Wiedemann 99 –
model dopravního chování pro extravilán, software VISSIM3)
CC1 = časový odstup: je to čas [s], který řidič chce udržovat od vozidla před ním (vyšší hodnota = opatrnější řidič)
pro detaily viz uživatelský manuál softwaru VISSIM [11]
Kromě parametrického nastavení modelu mohou kapacitu komunikací rovněž ovlivňovat i další
parametry v závislosti na použitém software. Je nutné například věnovat pozornost nastavení minimálního
a maximálního odstupu vozidel nebo parametrům, které simulují „agresivitu řidičů“ atd. V rámci verifikace
modelu (viz kap. 4.5), by mělo být ověřeno, zda se model chová podle našich očekávání a požadavků. Různé
nástroje totiž mohou i při maximální snaze o shodné nastavení dostupných parametrů poskytovat zcela
odlišné výsledky. Jako příklad lze uvést následující srovnání softwarových nástrojů S-Paramics a AIMSUN.
Cílem testu bylo ověřit vývoj intenzity dopravního proudu na jednopruhové komunikaci, bude-li dosaženo
saturovaného toku při různých rychlostech. Jak je v grafu vidět, každý nástroj poskytuje zcela odlišné
výsledky, což je zapříčiněno především odlišnou logikou modelovacího jádra systému. Nelze konkrétně říct,
zdali je jeden model dobrý a druhý špatný, ale je nutné zvážit, zdali je vhodný pro konkrétní aplikaci.
3
Pro detaily k jednotlivým scénářům viz PTV VISSIM Manual [11]
25
Obrázek 10 – Závislost intenzity dopravy na rychlosti saturovaného toku pro softwarové nástroje
AIMSUN a S-Paramics.
4.3.2 Simulace pěších
Obecně lze užívané přístupy k simulaci dopravního proudu pěších rozdělit na:
 Liniové vedení chodců
Zpravidla bez vzájemné interakce chodec – chodec, ale s funkční interakcí vozidlo – chodec. Tento
způsob lze využít pro simulaci jednoduchých přechodů pro chodce a ve všech případech, kdy
vzájemná interakce mezi chodci je podružná.
 Definice ploch pro pohyb – interakčního prostoru se vzájemnou interakcí chodců (např. Helbingův
model sociálních sil)
Tento způsob simulace chodců definuje interakční prostor, ve kterém se chodci pohybují dle
modelových algoritmů. Díky funkční interakci mezi chodci navzájem lze sledovat pohyb davu, vliv
překážek, vzájemné křižování, evakuační procesy apod.
Obrázek 11 – Interakce chodců v plochách pro chodce (neliniové vedení chodců)
Interakční
prostor
26
Obrázek 12 – Různé druhy interakce v simulaci
4.3.2.1
„Příjezdový“ model chodců
„Příjezdový“ model chodců neboli způsob, jakým chodci vstupují do modelové sítě lze rozdělit do dvou
přístupů:


Definice hodinové intenzity dle implicitního příjezdového modelu (stejně jako u vozidel)
Časové rozdělení vstupu chodců do modelu tak řídí algoritmus implementovaný v softwaru.
Dávkování reflektující reálné jevy
Jde o případy, kdy dochází k nějakému druhu dávkování pěších, jako např. výstup skupiny pěších
z vozidla a jejich následná chůze přes přechod pro chodce. Takových koncentrovaných „dávek“
může být v průběhu simulace několik nebo několik desítek. Jejich vliv na dopravní proud je pak
jiný, než v případě náhodného rozdělení v průběhu simulovaného času.
27
Obrázek 13 – Nárazové (nahoře) a kvazi-kontinuální (dole) dávkování chodců v simulaci
4.4
ODSTRAŇOVÁNÍ CHYB, LADĚNÍ MODELU
Před kalibrací modelu je potřebné provést sérii testů k ověření, že vstupní data byla implementována
korektně a model je plně funkční:
1) Síťová konzistence
a. Chyby hlášené softwarem při zadávání dat a spuštění simulace – nutno vyřešit dle návodu
k danému softwaru. Chyby, na které je schopen upozornit samotný software, závisí na
konkrétním softwarovém nástroji;
b. Konektivita, funkčnost tras – ověření propojení zdrojů a cílů, spojitosti tras;
2) Interakce
a. Pravidla přednosti v jízdě – sledování dopravního proudu v křižovatkách, ověření funkčnosti
pravidel, korektní interakce (bez překrývání vozidel nebo ježdění přes sebe, správné
nastavení nadřazených a podřazených proudů);
b. Pravidla změny pruhu – ověření funkčnosti vynucené i nevynucené změny pruhu;
c. Řídící logika – ověření funkčnosti řídící logiky v křižovatkách, na rampách, v pruzích
(telematické aplikace).
3) Poptávka
a. Součty na modelových vjezdech a výjezdech – ověření objemů dopravy vstupujících a
vystupujících z/do modelu. Je nutno mít na zřeteli, že součty nemusí sedět absolutně přesně
na základě jednoho kontrolního sčítání z titulu stochastické povahy dávkování vozidel do
modelu;
28
Skladba dopravního proudu – ověření podílu jednotlivých kategorií vozidel;
b. Kontrolní součty – jsou-li předem známy intenzity na vybraných profilech v modelové síti a
nejedná se o dynamické přiřazování na síť, možno provést kontrolní součty na těchto
profilech (mimo vjezdů a výjezdů z modelu). Opět platí, že nemusí dojít k absolutní shodě
(stochastický model).
Ladění modelu se běžně provádí:




4.5
vizuálním sledováním simulace při nízkých intenzitách, kdy se sleduje funkčnost uzlů, tras,
interakce účastníků dopravy apod.,
vizuálním sledováním simulace při přetížení nebo asymetrickém zatížení,
sledováním konkrétního vozidla na celé jeho trase,
grafickou analýzou, tj. sledováním vybraného parametru prostřednictvím vybarvování vozidel,
či segmentů modelu dle hodnoty sledovaného parametru, např. rychlosti, hustoty, intenzity
nebo zdržení.
VERIFIKACE, KALIBRACE A VALIDACE MODELU
V případě tvorby dopravních modelů a modelů obecně jsou velmi často používány pojmy verifikace,
kalibrace a validace modelu, které jsou nicméně často zkreslovány nebo nesprávně pochopeny. Z toho
důvodu je nejprve nezbytné tyto pojmy správně umístit a vyjasnit.
Verifikace modelu znamená proces, na jehož konci musíme mít odpověď na otázku, zda se zvažovaný
nástroj nebo model v celkovém pohledu i jednotlivých detailech chová v souladu s požadavky, které na něj
jeho uživatel klade. Tento soulad není zdaleka tak samozřejmý, jak se na první pohled může zdát. Uživatel
má v dnešní době k dispozici širokou paletu nástrojů, přičemž nelze automaticky předpokládat, že libovolný,
byť široce používaný softwarový nástroj, bude ve všech ohledech nabízet optimální kombinaci možností.
Verifikaci bychom tak mohli v přeneseném smyslu popsat jako výběr vhodného nástroje pro tvorbu
mikrosimulace, v případě zadavatele pak jako výběr vhodného zpracovatele modelu, který daným
nástrojem disponuje. Jako zcela základní příklad verifikace lze uvést kategorie vozidel a možnost jejich
statistického rozdělení v modelu. V případě, že zvažovaný nástroj či model není schopen generovat
kategorie vozidel i jejich statistické rozdělení dle požadavků zadavatele, daný nástroj neprošel verifikací. Je
přitom nutné zdůraznit, že verifikace ještě nemá automaticky vztah k realitě – o úspěšné verifikaci v tuto
chvíli ještě nemusí rozhodovat skutečná skladba vozidel získaná např. naším měřením, ale čistě požadavky
uživatele.
Z hlediska posloupnosti jednotlivých aktivit při tvorbě modelu je verifikace nezbytnou součástí výběru
vhodného nástroje ještě před započetím tvorby samotného modelu.
Kalibrace modelu už naopak vazbu mezi modelem a reálnými daty předpokládá. Jedná se o často
relativně složitý a zdlouhavý, nicméně nezbytný proces, kdy modifikujeme jednotlivé dílčí parametry
modelu tak, aby se jeho dílčí chování co nejvíce přiblížilo pozorovanému chování reálných vozidel na
dopravní síti. Pokud použijeme předchozí příklad, tak jestliže očekáváme určité statistické rozdělení
kategorií vozidel na modelované síti, tak během kalibrace modelu na základě empirických dat parametry
29
tohoto rozdělení nastavíme tak, aby generoval obdobnou skladbu vozidel, jakou jsme sledovali v reálném
případě. Správně kalibrovaný model pak v dílčích náhledech vykazuje dobrou shodu s realitou.
Po úspěšné kalibraci modelu následuje poslední krok, jeho validace. Jedná se o finální test modelu, který
by měl být od kalibrace zcela oddělen, a to především z pohledu použitých dat. Data by měla být rozdílná
nejen fyzicky ale i typově. Tedy pokud pro kalibraci použijeme například rychlost nebo délku kolon, pro
validaci použijeme například dojezdové doby. Tím zajistíme, že data budou už ze své podstaty fyzicky
rozdílná, navíc ale zvýšíme kontrolu nad fungováním modelu. Velmi snadno totiž může dojít k situaci, kdy
pečlivou úpravou konkrétních parametrů modelu za účelem jeho kalibrace můžeme nevědomky
deformovat model v jiných parametrech a zcela jej odchýlit od reality. Tyto odchylky ovšem mnohem snáze
odhalíme, validujeme-li na typově jiných datech. Pokud je to možné, měl by být proces validace oddělen i
personálně, tedy by měl být prováděn jiným pracovníkem než tím, který prováděl kalibraci.
4.5.1 Posouzení míry shody modelu a reality pomocí statistických nástrojů
Jak bylo uvedeno výše, kvalitní model musí reprodukovat data odpovídající reálnému chování vozidel.
Tvůrce modelu se přirozeně v této fázi zaměří na empirická data, která získal již před tvorbou modelu
nejčastěji v podobě profilových měření a agregovaných dat. Typicky se jedná o průměrné rychlosti vozidel
nebo intenzity dopravního proudu v daných místech (profilech) komunikace sloučené (agregované) za
určitý časový úsek (nejčastěji 5 – 15 minut).
Pro posouzení míry shody modelu s realitou lze použít některé běžné statistické nástroje. V následující
části si přiblížíme ty nejčastější:
Střední absolutní chyba (Mean Absolute Error - MAE) je definována následujícím způsobem
∑|
|
kde ei představuje danou veličinu získanou empiricky (např. průměrnou rychlost v úseku i) a mi pak
stejnou veličinu generovanou modelem. Absolutní hodnoty rozdílů těchto hodnot sečteme a vydělíme
počtem intervalů. Fakticky tedy určíme aritmetický průměr jednotlivých absolutních hodnot odchylek, kdy
v každém úseku budeme mít k dispozici jedno měření a statistiku budeme počítat v rámci celé sítě (typicky
se jedná o sčítání dopravy, kdy známe intenzity dopravy pro jednotlivé části sítě).
30
Obrázek 14 – Ukázka výsledků celostátního sčítání dopravy, pro jednotlivé úseky jsou určeny intenzity
dopravy za 24 hodin jako celoroční průměr
Alternativou ke střední absolutní chybě je střední absolutní procentuální chyba (Mean Absolute
Percentage Error), kdy předchozí vzorec pouze doplníme a výsledkem je pak nikoliv chyba vyjádřená
v měřených jednotkách (např. počet vozidel za hodinu), ale vyjádření procentuální odchylky modelu a
reality.
∑
|
|
Nejčastěji využívanou veličinou statistiky je pak střední kvadratická odchylka (Root Mean Squared Error RMSE), kdy určíme aritmetický průměr druhých mocnin (tzv. čtverců) jednotlivých odchylek a výsledek
odmocníme.
√ ∑(
)
Uvedené vztahy předpokládají, že zpracováváme pro každý úsek jedinou naměřenou hodnotu. Pokud
máme k dispozici více časových intervalů, typicky několik hodin v průběhu dopravní špičky, můžeme
statistickou shodu jednotlivých intervalů posuzovat zvlášť a sledovat, jak se shoda modelu a reality vyvíjí
v čase během jednotlivých fází dne.
31
∑|
|
kde t představuje číslo daného časového úseku. Dalším možným zjednodušením je pak určovat hodnotu
MAE přes všechny úseky i časové intervaly,
∑
kde T představuje celkový počet časových úseků. Toto maximální zjednodušení, kdy zpracujeme do
jediné hodnoty všechny úseky sítě a zároveň všechny časové intervaly, je už ale opravdu hraniční.
Každá z těchto veličin má svoje vhodné i méně vhodné užití. Jako příklad můžeme vzít střední absolutní
procentuální chybu (MAPE), která je vyjádřená v procentech (tedy nevyžaduje hlubší znalost posuzovaných
veličin, přesto má konkrétní obsah), a proto je poměrně často využívaná jako podkladový materiál pro
rozhodování. Například výsledná MAPE intenzity dopravy velikosti 0,05 ukazuje, že odchylka modelované a
reálné (naměřené) intenzity na dopravní síti činí 5%. Tato hodnota je ale vypovídající různým způsobem.
Nejvyšší spolehlivosti výsledku dosáhneme, pokud současně statisticky zpracováváme co nejvíce
homogenní skladbu úseků silniční sítě. V případě, že do statistického vyhodnocení současně zahrneme
výrazně odlišné prvky sítě (např. současně silnice první i třetí třídy), bude velmi pravděpodobně dílčí
hodnota MAPE v případě silnic nižších tříd vycházet výrazně vyšší než u silnic vyšších tříd. Výsledkem bude
silně zkreslený výsledek, který bude méně citlivý na primární nastavení parametrů modelu a zpětná vazba,
nezbytná pro validační proces, se zbytečně oslabí.
Rozumným východiskem je v takovém případě silniční síť rozdělit do skupin dle naměřených hodnot
veličiny, kterou používáme pro posouzení správnosti modelu (např. intenzity dopravy). Obdobně kriticky je
nutné přistupovat ke všem dalším veličinám, které do statistického zpracování vstupují.
Pokud bude totiž jmenovatel vzorce (tedy v našem případě naměřená intenzita dopravy) oscilovat
výrazným způsobem napříč dopravní sítí, bude výsledek zkreslený.
Jako další příklad statistického posouzení lze uvést statistiku GEH, která je použita v DMRB (Design
Manual for Roads and Bridges). Jedná se o formu chí-kvadrát, je obvykle využíván při testu dobré shody
a v principu ověřuje, zdali má náhodná veličina nějaké určité předem dané rozdělení). Statistika zahrnuje
jak relativní, tak absolutní chybu a je tedy vhodná pro vyjádření shody modelu a reality. V tabulce níže jsou
uvedeny doporučené hodnoty odchylek intenzit a výsledky statistiky GEH dle DMRB, která je určena
následujícím vztahem:
GEH =
(M  C ) 2
,
(M  C ) / 2
kde M je intenzita spočítaná v modelu a C je intenzita empiricky získaná v terénu.
32
Přijatelné hodnoty
Kritérium
cíl
NAMODELOVANÉ vs. SKUTEČNÉ HODINOVÉ INTENZITY
Profilové intenzity s maximální odchylkou 15%
(pro intenzity 700-2700 voz/h)
Profilové intenzity s maximální odchylkou 100 voz/h
Minimálně v 85 % případů
(pro intenzity menší než 700 voz/h)
Profilové intenzity s maximální odchylkou 400 voz/h (pro
intenzity větší než 2700 voz/h)
Intenzita na „screenline“ s maximální odchylkou 5%*
Ve všech případech
(5 komunikací a více)
GEH statistika pro individuální intenzity menší než 5
Minimálně v 85 % případů
GEH statistika pro „screenline“ menší než 4*
Ve všech případech
POROVNÁNÍ NAMODELOVANÝCH A CESTOVNÍCH ČASŮ
Rozdíl časů s maximální odchylkou 15%
Minimálně u 85 % cest
(maximálně však 1 minuta)
*Screenline je myšlená čára, kterou protneme model napříč a hodnotíme součet namodelovaných
intenzit protnutých komunikací s hodnotami naměřenými (opět v součtu). Používá se při ověření, jestli
například pohyb v rámci města ze severu na jih, odpovídá naměřeným skutečnostem. Ověření jednotlivých
protnutých komunikací může vyjít v pořádku, avšak celkově může být pohyb v jednom ze směrů
nadhodnocen, nebo podhodnocen. Toto hodnocení se uplatní u rozsáhlejších modelů. Obdobně můžeme
model například protnout kolem centra, a sledovat pohyb z centra ven a obráceně. V takovémto případě
však tuto uzavřenou křivku nazýváme kordonem.
V předchozím textu jsme uvedli teoretické nástroje pro zpracování dat při kalibraci a validaci. Tyto
nástroje lze použít v obou případech, stejně tak lze například použít grafické srovnání rychlostí nebo
cestovních časů, viz obr. agregovaných rychlostí před dopravním zúžením. V tomto případě je však výsledek
obtížně kvantifikovatelný a je tedy nutné příslušný graf doplnit řádným popisem. Vždy si však musíme být
přesně vědomi toho, proč jsme danou metodu použili a zdali je vhodná pro náš případ a strukturu našich
dat. V následující kapitole si uvedeme konkrétní kroky a situace, které je žádoucí při kalibraci a validaci
provést.
33
4.5.2 Kalibrace modelu
Vzhledem k tomu, že v moderních softwarových nástrojích pro mikrosimulaci je velké množství
parametrů a dalších nastavení, je nutné vzít v úvahu následující kroky:

přijmout ty výchozí parametry, kterým lze důvěřovat,

omezit kalibraci na zpracovatelné množství parametrů,

globální parametry, které ovlivňují celý model, je třeba kalibrovat jako první,

ostatní parametry, které ovlivňují např. jeden úsek, jsou kalibrovány ve druhé vlně,

menší časový krok simulace dává přesnější výsledky, i když je náročnější na výpočet.
Následující čtyři kroky jsou doporučovány pro kalibraci mikrosimulačních modelů:

kontrola dopravní sítě
Je třeba provést kontrolu fyzického znázornění sítě, včetně kontroly počtu pruhů na úseku, před
i za křižovatkou, zadání správných signálních plánů, zadání autobusových zastávek a jízdních
řádů, správnosti připojovacích a odbočovacích pruhů atd.

kalibrace kapacity
Kalibrace kapacity probíhá úpravou parametrů jak globálních, tak ostatních, linkových.
Nejdůležitější z nich jsou kritická mezera pro změnu jízdního pruhu, reakční doba řidiče, zdržení
při rozjezdu na světelně řízených křižovatkách, akceptovatelná mezera pro křížení atd.

kalibrace poptávky
Poptávka je v mikrosimulačních modelech reprezentována dvěma způsoby. Buď intenzitami na
úsecích, složením dopravního proudu a křižovatkovými intenzitami, nebo maticí zdroj x cíl,
kterou model sám přiřadí na síť. Matice dopravní poptávky je vhodnějším vstupem, protože
vozidla mají v modelu více možností dopředu plánovat svoji cestu včetně změny jízdního pruhu.
Kalibrace dopravní poptávky se obvykle provádí na vybraných úsecích komunikací (např. na
kordonu kolem zájmového území).

kalibrace dopravního výkonu
Jako poslední krok kalibrace se provádí kontrola takových parametrů, jako cestovní čas, zdržení
či délka kolony. Může dojít ke změnám rychlosti a kapacity na jednotlivých úsecích, ale změny
musí být v souladu s předchozím krokem kalibrace, proto by se měly provádět šetrně. Průběh
celé kalibrace je znázorněn na následujícím obrázku.
34
Obrázek 15 – Proces kalibrace
Je užitečné si zadat určité cíle, jejichž dosažení určí, zda proběhla kalibrace správně, jako je například
maximální procentuální rozdíl modelovaných a naměřených intenzit, odchylky v průběhu rychlostí a
podobně (například viz statistika GEH či další statistické nástroje).
Další kalibrační kritéria mohou být následující:

Kalibrace rychlosti (dle [7])
Cílem této aktivity je získat v simulaci průběh rychlostí vozidel co možno nejblíže k reálnýmu průběhu
rychlostí a dosáhnout shody v podmínkách, kdy dochází ke zhroucení dopravního proudu, s reálním místem,
které je úzkým hrdlem (bottleneck). Simulační parametry určené ke kalibraci zahrnují požadovanou rychlost
a hodnoty akcelerace a decelerace. Simulační software obvykle umožňuje definovat nejen jednu konkrétní
rychlost pro skupinu vozidel, ale rozdělení rychlosti např. pomocí kumulativní křivky. Požadovaná rychlost je
pak náhodnou veličinou s definovaným pravděpodobnostním rozdělením.
35
Obrázek 16 – Grafická ukázka kalibrovaného modelu v případě pracovní zóny na dálnici

Kalibrace objemů dopravy/intenzit
Cílem této aktivity je získat v simulaci intenzity dopravy co možno nejblíže realitě. Kalibrační data jsou
přitom ta, která nejsou vstupními daty do simulace (samostatný datový set z měření).
Obrázek 17 – Grafická ukázka kalibrovaného modelu v případě pracovní zóny na dálnici
4.5.3 Cílově orientovaná kalibrace
Tato aktivita závisí na předmětu a cíli simulace. Ilustrováno na konkrétním případu: účelem projektu bylo
zhodnotit algoritmus adaptivního ramp meteringu. I když kalibrační výsledky na základě kalibrace rychlosti a
intenzit vedly k velmi uspokojivým výsledkům ve stavu bez ramp meteringu, ve stavu s ramp meteringem
byly výsledky neuspokojivé a to zejména v reprodukci délky kolony. Důvodem bylo, že malé iniciační
odlišnosti v modelu postupně zesílily díky adaptivní povaze řídícího algoritmu. Proto bylo přistoupeno ke
36
kalibraci délky kolony, čímž byly upraveny některé specifické lokální proměnné (jako např. rychlostní limity
a sklony).
4.5.4 Validace modelu
Jak bylo popsáno výše, po úspěšné kalibraci je nezbytné model validovat, a to za použití odlišných dat,
než kterých bylo použito při kalibraci. Nástroje však mohou být obdobné, nebo stejné, například grafické
srovnání průběhu dojezdových časů (viz následující obrázek). V tabulce níže jsou uvedeny příklady možných
validačních veličin.
Tabulka 2 – Validační veličiny (zdroj: [5])
formulace úlohy
možná validační veličina
vjezdové chování
volba trasy a přiřazování na síť
kapacita hlavní komunikace
dopravní provoz na úrovňové křižovatce
dopravní chování v koridoru
kapacita silničních zařízení
rozdělení časových mezer
akceptované časové mezery
vytížení jednotlivých pruhů
místo a počet změn pruhů
profilové zatížení
délka kolony
procentuální efektivnost/atraktivita trasy
intenzita odbočujících
cestovní čas
intenzita dopravy
rychlost
vstupní čas
délka kolony
cestovní čas
zdržení
kritické časové mezery
rychlostní profil
počet zastavení
doba pobytu
délka kolony
37
Obrázek 18 – Grafické srovnání průběhu dojezdových časů
4.6
HODNOCENÍ ALTERNATIV
Hodnocení alternativ obsahuje několik kroků:
1.
2.
3.
4.
5.
6.
Vytvoření výchozí poptávkové prognózy;
Vytvoření projektových alternativ pro analýzu;
Výběr způsobu měření efektivity;
Aplikace modelu (opakované spuštění modelu);
Zpracování výsledků (tabulky, grafy);
Vyhodnocení alternativ (variant).
4.7
INTERPRETACE/DOKUMENTACE VÝSTUPŮ




Popisná interpretace
Kvalitativní a výběrový kvantitativní popis výsledků jednotlivých variant a jednotlivých
sledovaných veličin a sumární popis výsledků formou slovního popisu.
Tabelární interpretace
Obvykle je využívána pro kvantitativní srovnání jednotlivých variant s nulovou variantou nebo
s variantou současného stavu a případné vzájemné srovnání variant. Umožňuje použití
absolutních a relativních hodnot.
Grafická interpretace
Grafy, obrázky, schémata, diagramy reprezentující výsledky jednotlivých variant anebo
srovnávací grafiky.
Dynamická interpretace
Animované obrázky a grafy (např. dynamické zobrazení změn rychlostí v síti).
Videosekvence – obvykle dynamický pohled na simulaci dopravního proudu, tj. reálný pohyb
vozidel, cyklistů a chodců v zájmovém území se zaměřením se na důležité části a aspekty dané
varianty (např. ilustrace délky kolony nebo vlivu chodců na plynulost dopravy).
38
4.7.1 Časové zdržení





Časové zdržení vyplývající z geometrie trasy
Jde o časové zdržení způsobené směrovými a případně výškovými oblouky nebo zúženými úseky
vozovky. Snížení rychlosti vozidla musí pro příslušné části modelu implementovat tvůrce modelu
(obvykle se definuje prostřednictvím změny požadované rychlosti ve vymezeném úseku) nebo je
simulováno na základě v programu již vestavěného mechanizmu (např. na základě znalosti
vztahu mezi poloměrem zakřivení a jízdní rychlostí). V intravilánovém prostředí se snížení
rychlosti nejčastěji aplikuje v místech směrových oblouků v křižovatkách.
Časové zdržení způsobené vlivem dopravního zatížení
Toto zdržení vzniká vlivem vzájemné interakce vozidel v dopravním proudu. Jednoduchou
ilustrací je jízda v pruhu za pomalejším vozidlem – vozidlo, které následuje pomalejší vozidlo, by
v případě volné komunikace jelo vyšší rychlostí (vlastní požadovanou rychlostí, která je vyšší než
požadovaná rychlost pomalejšího vozidla). Čas, o který jede rychlejší vozidlo svojí trasu déle
oproti stavu ve volném dopravním proudu (bez omezení jinými vozidly), je časové zdržení
způsobené vlivem dopravního zatížení. Obvykle je právě toto zdržení měřeno a dokumentováno
simulací a interpretováno ve výsledcích simulace.
Časové zdržení celkové
Je součtem zdržení vyplývajícího z geometrie trasy a vlivem dopravního zatížení.
Časové zdržení stáním vozidla
Jde o zdržení měřené při stání vozidla např. z důvodu kongesce, čekání na zelený signál
v prostoru signalizované křižovatky nebo čekání na časoprostorovou mezeru v nadřazeném
dopravním proudu (v neřízených křižovatkách). Tento údaj bývá často doplňován údajem o
počtu zastavení.
Celková spotřeba času v simulačním modelu
Je měřena za všechna vozidla v simulované síti ve vybraném časovém intervalu. Zpravidla se
využívá pro porovnání konkurenčních variant. Lze ji využít v případech, kdy změny v modelu (v
síti, poptávce, způsobu řízení…) ovlivňují celou síť nebo její velkou část.
4.7.2 Délka kolony
Kolonu vozidel je možné definovat různým způsobem. Simulační softwary proto obvykle umožňují
definování okamžiku vzniku a zániku kolony na základě vybraného kritéria nebo sady kritérií. Těmito kritérii
bývají např. rychlost a odstupy mezi vozidly. Kolona tak může být simulačním softwarem registrovaná např.
od poklesu rychlosti pod 5 km/h po opětovné překročení hranice 15 km/h při současném dodržení odstupu
vozidel do 20 m. Subjektivní vnímání kolony v reálném dopravním proudu může být však odlišné, proto je
potřeba věnovat definičním limitům kolony v simulaci patřičnou pozornost a jejich hodnoty v simulační
studii uvést.


Časové rozlišení měření délky kolony
Délku kolony je možné v simulačním softwaru měřit obvykle v definovatelném intervalu, např. 1
hodina, 1 minuta, 10 minut apod. Pro hodnocení vývoje kolony v čase a zjištění lokálních
extrémů je potřebné volit menší interval (do 1 min.). Z grafů časového vývoje délky kolony je
patrný charakter kolony (stabilní nebo oscilační, s výraznými extrémy nebo s malými odchylkami
od průměru).
Maximální a průměrná délka kolony
39
V průběhu jednoho simulačního procesu software vyhodnotí průměrnou i maximální délku
kolony ve stanovených časových intervalech. Simulačních procesů však musí proběhnout více
(zpravidla alespoň 10) a ve výsledku simulace je potřeba stanovit jednu hodnotu. Pro
průměrnou délku kolony se doporučuje průměr z průměrů v jednotlivých simulačních procesech.
Pro maximální délku kolony se doporučuje vybrat maximum z maxim v jednotlivých simulačních
procesech.
Průměrná délka kolony:
̅
∑
̅̅̅̅
Maximální délka kolony:
̅̅̅ – průměrná délka kolony v simulačním procesu i
lqi,max – maximální délka kolony v simulačním procesu i
n – počet simulačních procesů

Počet zastavení
Zjištění počtu zastavení v průběhu simulace má význam především v případě srovnávání jednotlivých
variant s nulovou variantou nebo mezi sebou. Vypovídá o dynamice dopravního proudu, která má dopad
kromě jiného na spotřebu paliva a emise.
4.7.3 Hustota dopravního proudu
Hustota dopravního proudu je definována jako počet vozidel na jednotku délky. Pro hodnocení hustoty
dopravního proudu ve sledované síti jsou určující zejména tyto dva faktory:


Délka hodnoceného segmentu
Simulační software zpravidla umožňuje nastavení délky hodnoceného segmentu, např. v rozmezí
10-100 m. Půlkilometrový meziuzlový úsek tak může být rozdělen na 5 až 50 segmentů, ve
kterých bude sekvenčně vyhodnocovaná průměrná hustota dopravního proudu.
Časové rozlišení
Obnovovací frekvenci výsledku výpočtu průměrné hodnoty hustoty dopravního proudu je
možné zpravidla nastavit v sekundách nebo minutách. Každých x sekund nebo minut simulační
program zobrazí nebo zapíše hodnotu hustoty dopravního proudu. Její hodnota může být velmi
názorně zobrazena pomocí barevné stupnice.
40
Obrázek 19 – Ukázka analýzy hustoty dopravního proudu v softwaru VISSIM
Obrázek 20 – Ukázka analýzy hustoty dopravního proudu v softwaru AIMSUN
4.7.4 Rychlost



Bodová/profilová rychlost
Je okamžitá rychlost vztahující se k danému bodu resp. profilu trasy.
Úseková rychlost
Je rychlost stanovená jako průměrná rychlost v definovaném úseku. Její hodnocení závisí
podobně jako u hustoty dopravního proudu na délce hodnoceného segmentu a časového
rozlišení (viz kap. 4.7.3).
Požadovaná versus výsledná rychlost
Tzv. požadovaná rychlost je rychlost, kterou vozidlo v simulaci jede při volném dopravním
proudu (tj. není omezováno jinými vozidly) v úseku bez rychlostního omezení. Tato rychlost je
41
simulovanému vozidlu přiřazena před vstupem do simulované sítě a v průběhu simulace může
být i opakovaně změněna. Výsledná rychlost je rychlost, kterou vozidlo v daném profilu či úseku
dosáhlo při daném dopravním zatížení. Je tedy výsledkem vzájemné interakce jednotlivých
účastníků dopravního provozu.
4.7.5 Spotřeba paliva a produkce emisí
Kalkulace spotřeby paliva a s ní spojená produkce emisí výfukových plynů může být součástí simulačního
software nebo jeho doplňkového modulu. Je možný výpočet horkých i studených emisí. Principiálně lze
přístupy k výpočtu rozdělit na modely:

S koeficientovým výpočtem
Vychází z korelačních rovnic popisujících vztah rychlosti vozidla a jeho spotřeby (resp. emisí)
Příklad koeficientového výpočtu:
Spotřeba paliva = dopravní výkon ve vozokm * k1 + zdržení * k2 + počet zastavení * k3
Přičemž k2 je konstanta a koeficienty k1 a k3 jsou funkcí rychlosti vozidla (k1 = 0,075283 –
0,0015892 * rychlost + 0,000015066 * rychlost ^ 2).

S využitím emisních faktorů (emisních map motorů)
Jde o podrobnější a přesnější výpočet, který je založen na emisních mapách motorů (jejich
hlavním zdrojem je HBEFA4).
Spotřeba paliva a produkce emisí může být vypočtena několika způsoby, jako např.:


Celková
Výpočet všeho spotřebovaného paliva [l] a produkce emisí [g, kg, t] v celé modelové síti.
V definovaném území
Softwary zpravidla umožňují výběr libovolného území, na kterém bude vypočtena spotřeba
paliva [l] a produkce emisí [g, kg, t]. Kromě plošného výběru je možné definovat trasu resp.
koridor pro výpočet nebo vybrat pouze jednu křižovatku.
Emise lze v některých simulačních softwarech nebo jejich přídavných modulech počítat a zobrazovat,
nebo zapisovat výsledky pro segmenty modelové sítě o definované délce (např. 10 m, 20 m, 50 m…).


4
Průběžný výpočet jednotkové zátěže [g/m]
Pro definovaný časový interval (např. 1 min, 5 min) může software vybarvovat modelovou síť
dle zvolené škály, což umožňuje sledovat dynamické změny v průběhu simulace.
Kumulativní výpočet jednotkové zátěže [g/m, kg/m]
Výpočet probíhá podobně jako v předchozím bodě, ale kumulativně, tj. emisní zatížení
předchozího časového intervalu se přičítá k emisnímu zatížení aktuálního intervalu. Běžný
časový interval je od několika minut do 1 hodiny.
HBEFA – The Handbook Emission Factors for Road Transport, http://www.hbefa.net/e/index.html
42
Obrázek 21 – Ukázka výstupu simulačního modulu – kumulativní emise NOx ve dvou srovnávaných
variantách, výstup softwaru VISSIM
Obrázek 22 – Ukázka výsledku výpočtu emisí v simulačním modelu, grafická interpretace celkových emisí
43
4.7.6 Emise hluku
Obvykle simulační softwary slouží jako zdroj dat pro specializované programy pro výpočet hlukových
emisí a imisí, některé simulační softwary však mohou být vybaveny modulem pro vlastní výpočet hlukových
emisí/imisí ze silniční dopravy. Jejich nasazení záleží na druhu úlohy. Jde-li o stanovení hlukových
emisí/imisí v souladu s českými normami a technickými předpisy, je nutno ověřit, zdali simulační software
v oblasti výpočtu hluku odpovídá jejich požadavkům a doložit to v simulační zprávě. Jde-li o komparační
studie a výběr variant, kde není požadován normový výpočet hluku, lze použít metodiku implementovanou
do simulačního softwaru a do simulační zprávy uvést její charakteristiky.
4.7.7 3D objekty v simulaci a vizualizaci
Simulační softwary umožňují vložení 3D objektů z vlastní nebo uživatelské databanky. Na přání
objednatele tak lze simulaci vybavit jakýmikoli statickými (budovy, stromy, sloupy, značky…) i dynamickými
3D objekty (vozidla, vlaky, lodě, parkovací závory, vrata, dveře…). 3D objekty přítomné v simulaci však
mohou významným způsobem navyšovat nároky na výkon a paměť počítače a výpočetní čas (v 3D módu).
Zpravidla se proto vyplatí vkládat 3D objekty až po dokončení analýz, tedy pouze pro finální vizualizaci
v závěru simulační studie.
Kromě vytvoření vizualizace přímo v simulačním softwaru se zpravidla nabízí také možnost exportu dat o
dopravním proudu do externího softwarového nástroje (3DS MAX apod.), v kterém se provede vizualizace
plně v souladu se simulací. Naopak pro import 3D objektů je vhodným a volně dostupným zdrojem např.
aplikace Google SketchUp5 a její 3D Warehouse6 (pouze pro software podporující formát *.skp).
Obrázek 23 – Ukázka 3D objektů v simulaci AIMSUN
5
http://www.sketchup.com/intl/en/product/gsu.html
6
http://www.sketchup.com/intl/en/product/3dwh.html
44
Obrázek 24 – Ukázka 3D objektů v simulaci (zdroj: AF-CityPlan, PTV, Ourston)
4.8
ČAS K PŘEKONÁNÍ STAVU NULOVÉ SATURACE
Simulační modely při jejich spuštění vykazují obvykle nulovou saturaci modelové sítě, tj. v modelové síti
se nenacházejí žádná vozidla. Určitý časový úsek od startu simulace musí být proto vyloučen z hodnocení a
jeho délku musí obvykle stanovit tvůrce modelu. Délka časového úseku pro překonání stavu nulového
nasycení má být obecně tak dlouhá, aby na jeho konci bylo dosaženo rovnovážného stavu, tj. že počet
vozidel v síti se již významně nemění. Neustálí-li se počet vozidel v síti v průběhu 15 minut, může být
důvodem, že kapacita modelové sítě je nižší, než objem dopravy vstupující do modelu. V takovém případě
bude počet vozidel narůstat vlivem kongesce, nebo se ustálí, jelikož kongesce doroste až na okraj
modelované sítě. V takových případech se doporučuje jeden z těchto dvou postupů:
1) Přidání časového úseku před a za simulovanou špičkovou hodinu s nižší intenzitou dopravy;
2) Není-li žádoucí přidávání časových úseků s nižším zatížením, doporučuje se doba pro překonání
stavu nulového nasycení v hodnotě dvojnásobku času potřebného k projetí modelové sítě (resp.
nejdelší skutečně využité trasy v modelu) při volném dopravním proudu.
45
Obrázek 25 – Ilustrace doby pro překonání stavu nulového nasycení sítě
Počet vozidel v modelové síti
Růst počtu vozidel vlivem kongesce
„zahřívací“ perioda = 20 min.
Rovnovážný stav
Simulační čas
Zdroj:
4.9
MINIMÁLNÍ POČET SIMULAČNÍCH PROCESŮ
Výsledky mikroskopické simulace jsou do jisté míry závislé na generátoru náhodných čísel
implementovanm do simulačního softwaru, který zjednodušeně řečeno rozhoduje o tom, kdy přesně dané
vozidlo vstoupí do modelu, jaká bude jeho požadovaná rychlost, míra agresivity, vybraná trasa apod. Je
totiž rozdíl (vzhledem k výsledkům simulace), jestli např. do křižovatky přijede 5 vozidel současně nebo
s nějakým časovým odstupem a jestli tento odstup bude rovnoměrný nebo ne. Existuje tedy velké množství
kombinací (při stejném celkovém hodinovém zatížení) a jejich dopady se ve výsledcích simulace budou
navzájem lišit. Od průměrných hodnot ze všech simulačních procesů však bude odchylka při dobře
fungujícím modelu pouze malá. Je však nutno provést dostatečný počet simulačních procesů s rozdílným
nastavením generátoru náhodných čísel k zajištění spolehlivých výsledků. Provedení více simulačních
procesů rovněž dává možnost poukázat na možnou míru odchylek od průměrných hodnot v extrémních
případech (v nejhorších možných kombinacích). Ke stanovení potřebného počtu simulačních procesů se
používají tyto statistické veličiny:

Směrodatná odchylka (výběrová)
√
∑(
̅)
46
kde:
x = hodnota proměnné měřitelné v simulaci (např. zdržení)
̅ = průměrná hodnota proměnné (z jednotlivých simulačních procesů)
N = počet simulačních procesů

Požadovaná úroveň spolehlivosti
Požadovaná úroveň spolehlivosti je pravděpodobnost, že skutečná hodnota leží v cílovém intervalu
spolehlivosti. Obvyklým přístupem je volba 95procentní úrovně spolehlivosti. Platí, že vyšší úroveň
spolehlivosti vyžaduje více simulačních procesů.

Požadovaný interval spolehlivosti
Interval spolehlivosti je rozsah hodnot, ve kterém může ležet skutečná hodnota. Výběr intervalu
spolehlivosti závisí především na účelu, pro který budou použity výsledky simulace. Pokud jsou např.
testovány dvě velmi podobné alternativy, k jejich rozlišení je vhodné volit velmi malý interval
spolehlivosti. Jsou-li testovány alternativy s většími rozdíly, je možné tolerovat větší interval
spolehlivosti. Platí, že menší interval spolehlivosti vyžaduje větší počet simulačních procesů
k dosažení dané úrovně spolehlivosti.
Znát přesně potřebný počet simulačních procesů ke stanovení statisticky spolehlivé výsledné průměrné
hodnoty (nebo jiné statistické veličiny) není možné předem (před spuštěním simulace), nicméně je možné
to zjistit na základě několika simulačních procesů. Požadovaný minimální počet simulačních procesů lze
stanovit řešením rovnice:
(
)
√
IS(1-alfa)% = (1-alfa) % interval spolehlivosti, kde alfa odpovídá pravděpodobnosti, že skutečná
průměrná hodnota neleží v intervalu spolehlivosti
t(1-alfa/2),N-1 = studentovo t-rozdělení pro pravděpodobnost oboustranné chyby (v součtu alfa) s N-1
stupni volnosti, kde N odpovídá počtu opakování
s = směrodatná odchylka modelových výstupů
Pro praktický postup je potřeba provést např. 5 simulačních procesů, stanovit výběrovou směrodatnou
odchylku sledované veličiny (např. zdržení) a určit potřebný počet simulačních procesů dle tabulky.
47
Tabulka 3 uvádí řešení výše uvedené rovnice pro různé úrovně a intervaly spolehlivosti. Pro ilustraci: je-li
směrodatná odchylka zdržení 1,5 s a požadovaný interval spolehlivosti je 3 s, pro 95procentní úroveň
spolehlivosti bude zapotřebí 8 simulačních procesů ke stanovení zdržení s přesností ± 1,5 s.
48
Tabulka 3 – Minimální počet simulačních procesů dle úrovně spolehlivosti a požadovaného rozsahu
požadovaný rozsah (=interval
spolehlivosti/směrodatná
odchylka)
požadovaná
úroveň
spolehlivosti
minimální počet
simulačních procesů
0,5
0,5
0,5
1
1
1
1,5
1,5
1,5
2
2
2
99%
95%
90%
99%
95%
90%
99%
95%
90%
99%
95%
90%
130
83
64
36
23
18
18
12
9
12
8
6
Příklad:
Je potřebné určit počet simulačních procesů pro simulovanou silniční síť – soustavu tří křižovatek.
Simulační model je vyladěn, kalibrován a připraven k vyhodnocování. Postup je následující:
1) Výběr vhodné proměnné:
Časové zdržení v síti, měřeno v sekundách v průběhu špičkové hodiny
2) Provedení 5 simulačních procesů, každý se stejným celkovým dopravním zatížením ale s jiným
nastavením generátoru náhodných čísel (vždy jiné „random seed number7“)
3) Volba úrovně a intervalu spolehlivosti:
Úroveň spolehlivosti: 95 %
Interval spolehlivosti: 10
4) Výpočet směrodatné odchylky měřené proměnné
5) Stanovení minimálního počtu simulačních procesů
Požadovaný rozsah = 10 / 10,2  1

23 simulačních procesů
simulační
proces č.
průměrná hodnota
časového zdržení v síti
1
2
3
4
5
838
849
866
850
855
výběrová směrodatná
potřebný počet
odchylka
simulačních procesů
10,2
23
Závěr: Ke stanovení průměrného zdržení v síti s přesností ± 5 s a s úrovní spolehlivosti
95 % je zapotřebí 23 simulačních procesů.
7
Startovací číslo sloužící k vytvoření sekvence pseudonáhodných čísel, viz také kap. 2.3.3.2. na str. 9.
49
4.10 KONTROLA VÝSTUPŮ
Kontrola výstupů by měla být provedena nezávisle na jeho zpracování a měla by obsahovat:

všeobecnou kontrolu chyb nezávislým expertem,

komparativní studie, zpracované na jiných modelech (je-li dostatek financí),

další statistické analýzy,

alternativní analýzy využívající odlišné scénáře.
Další možností kontroly modelu je provést jednoduchý test na jedné křižovatce a na něm sledovat
saturaci před řízenou křižovatkou (v koloně) a rozdělení vozidel do jednotlivých jízdních pruhů před
křižovatkou. Tento test potvrdí (příp. vyvrátí) vstupní parametry, protože obsahuje nejdůležitější prvky
mikrosimulace, a to akceptovatelný odstup mezi vozidly, následování vozidla a změnu jízdního pruhu.
50
5

CHYBY SIMULAČNÍCH MODELŮ
Grid-lock
K tomuto stavu dochází např. v situaci, kdy dojde k zablokování provozu v křižovatce z důvodu
nesprávného nastavení předností v jízdě (vozidla si dávají přednost navzájem a ani jedno nevjede do
konfliktní plochy). Při sledování průběhu simulace lze grid-lock lehce zpozorovat, avšak simulačních
procesů je zpravidla 10 a více a ne všechny se detailně sledují přímo tvůrcem simulace (pouze se
statisticky vyhodnotí softwarem). Ke grid-locku ale může dojít pouze v několika simulačních
procesech a i tyto je nutné odhalit. Využít lze k tomu sledování vývoje délky kolony např. pomocí
grafu a pak ověřit extrémní hodnoty (co je důvodem jejich vzniku – nedostatek kapacity uzlu nebo
grid-lock).

Nedostatečné „rozlišení“ simulace a nedostatečný počet sledovaných prvků
Simulační softwary zpravidla umožňují nastavení „rozlišení“ simulace neboli četnost propočtu dat
(polohy vozidel, rychlostí, přednosti v jízdě atd.) v rozmezí 1/10 s až 1 s. Je-li rozlišení simulace
nastaveno na 1/10 s, poloha vozidel a třeba potřeba dát přednost je propočtena 10 x za sekundu.
Toto nastavení vede k nejpřesnější simulaci, ale zároveň má nejvyšší nároky na hardware (výpočet
trvá déle, simulace může běžet pomaleji – v závislosti na rozsahu a komplexnosti simulované sítě).
Naopak rozlišení v hodnotě 1 s vede k rychlejší simulaci, ale zvyšuje riziko nepřesnosti simulace a
opticky konfliktních situací (v jedné sekundě vozidlo při vyšší rychlosti ujede dlouhou dráhu a nemusí
včas dojít ke korekcím např. při řazení se v pruzích, následování vozidla nebo dávání přednosti
v jízdě).
Některé softwary umožňují nastavení „rozsahu řidičova vnímání“ nebo počtu sledovaných „prvků“,
což zjednodušeně vyjadřuje, čeho všecho, resp. v jakém rozsahu, si vozidlo „všímá“ ve svém okolí, tj.
kolik prvků ve svém okolí (např. vozidel) současně zahrnuje do rozhodování o svém vlastním
chování. Jde o jakousi míru „adaptivity“, přičemž jako „prvky“ ovlivňující chování vozidla mohou
vystupovat nejen jiná vozidla, ale třeba také síťové prvky jako místa s omezenou rychlostí. Možnosti
nastavení dopravního chování je nutno nastudovat v manuálu konkrétního softwaru.

Zanedbání nebo podcenění důležitých účastníků dopravního provozu (chodci, cyklisté, MHD
apod.)
Běžně minoritní účastníci dopravního provozu jako např. chodci či cyklisti mohou mít v některých
případech zásadní vliv na dopravní proud vozidel. Nejde jen o velmi vysoké intenzity např. chodců,
ale i např. jejich značně vysoká koncentrace do krátkých časových intervalů (případ křižovatky
Kamýcká x Internacionální v Praze Suchdole, kde přechází studenti ze zastávky MHD přes křižovatku
směrem k univerzitě vždy po příjezdu autobusů) nebo naopak permanentní zastavování proudu
vozidel jednotlivci.

Zanedbání ovlivňujících dopravních manévrů (např. parkovací manévry)
U některých intravilánových komunikací mohou hrát zásadní roli v plynulosti dopravy parkovací
manévry (zdržení z důvodu podélného, šikmého či kolmého parkování). Výsledek simulace tak může
být zkreslen při jejich zanedbání.
51

Absence kalibrace nebo validace modelu
Každý simulační model by měl být alespoň kalibrovaný, v ideálním případě také validovaný.
Simulační studie, které postrádají tyto součásti, nesou vysoké riziko zkreslení výsledků.

Nesoulad poptávky v simulační studii a podkladových datech
o
o

Nesoulad intenzit
Jiné intenzity v simulačním modelu než určují podkladová data (dopravní průzkum, dopravní
prognóza makromodelu apod.) jsou hrubou chybou zkreslující výsledek simulační studie.
Eliminace této chyby je poměrně jednoduchá, lze využít kontrolních profilových virtuálních
sčítačů ve vhodných místech simulačního modelu a provést porovnání s podkladovými daty.
Jde o systematické opatření, které by mělo být prováděné vždy.
Nesoulad skladby dopravního proudu
Obdobně jako v předchozím bodu je potřebné provést kontrolu ve vybraných profilech
simulačního modelu.
Nesprávné definování tras
Při komplexnějších sítích, ve kterých existuje více než jedna trasa mezi vybraným vjezdem a
výjezdem z modelu a trasy jsou definovány staticky (tj. nejde o simulaci s dynamickým výběrem
trasy) musí tvůrce simulace tuto skutečnost brát v potaz. Závisí na způsobu tvorby simulačního
modelu:
o
o

Je-li simulační model importován např. z makromodelu, importují se zpravidla také
jednotlivé trasy a intenzity, čímž se zmíněnému problému předejde.
Jsou-li trasy definovány tvůrcem modelu, musí být v souladu s podkladovými daty. Spojení
zdroje a cíle pomocí „logické“ či „dominantní“ trasy musí být doplněno také ostatními
minoritními trasami, jsou-li v podkladových datech obsaženy a zatíženy. Opomenutí
minoritních tras má za následek nesoulad intenzit a zkreslení výsledků.
Nezohlednění rozhledových poměrů
Místní rozhledové podmínky v uzlech jsou v mnoha případech významným vlivovým faktorem pro
kapacitu uzlu neboli plynulost dopravy. Na nastavení rozhledu v simulaci závisí v simulaci rychlost
přibližujícího se vozidla (nevidí-li na vozidla nadřazeného proudu, snižuje řidič svoji rychlost na
takovou úroveň, aby byl schopen zastavit před konfliktní plochou).
Citlivostní analýza provedená v rámci projektu ALFA TAČR prokázala, že jednotlivé softwary vykazují
výrazné rozdíly v citlivosti na změnu vybraného modelového parametru. U rozhledu zpravidla
rozhodují o průběhu simulace metry, u některých softwarů může jít dokonce o desetiny metru.

Nesprávné nastavení rychlostí
Rychlost je veličina, kterou lze relativně lehce změřit, statisticky vyhodnotit a provést s ní
kalibraci/validaci modelu. Ovlivňuje plynulost dopravy i kapacitu simulované sítě. Zejména je
důležité správné nastavení rychlostí ve směrových obloucích v jednotlivých křižovatkových směrech
(např. levé odbočení) nebo v jednotlivých částech křižovatky (okružní křižovatka a její segmenty).
52
Nastavení rychlostí musí být individualizováno s ohledem na kategorie vozidel (kloubový autobus
projíždí křižovatku jinou rychlostí než osobní vozidlo).

Nesoulad signálních plánů
Jsou-li v simulaci zahrnuty jiné signální plány než ve skutečnosti, dochází samozřejmě také k jiným
výsledkům simulace oproti reálnému provozu.
Některé typy úloh vyžadují také simulaci dynamického řízení či preference vozidel. Tyto funkcionality
(řídící algoritmy) simulační softwary také umějí implementovat do simulovaného děje ve spojení
s virtuálními detektory a programovatelným řízením.

Neprovedení dostatečného počtu simulačních procesů
Provedení pouze jednoho simulačního procesu a vyvozování závěrů pouze z jedné sady simulačních
dat je hrubou chybou. Změny v příjezdových modelech zajišťované pomocí generátoru náhodných
(resp. pseudonáhodných) čísel mohou vést k výrazně odlišným výsledkům. Stanovení potřebného
počtu simulačních procesů je věnována samostatná kapitola (viz kap. 4.9).

Nesoulad dopravního chování
Možnosti nastavení dopravního chování se v jednotlivých softwarech liší a vycházejí z různých
teoretických konceptů. Softwary zpravidla poskytují tzv. standardní sety parametrů, které však nelze
použít univerzálně. Dobrým příkladem nutnosti změny parametrů dopravního chování je např.
dopravní proud na 6pruhové dálnici v ČR, kde podle pravidel a i základních modelových předpokladů
by mělo docházet k řazení vpravo, je-li v pravém (středním) pruhu místo. Že skutečnost na dálnici D1
je z několika důvodů jiná, jistě řidiči znají. Významné dopady na plynulost dopravy má způsob
simulace redukce pruhů a zipování. Dopravní chování je nutno nastavit v každém softwaru dle jeho
možností specifikovaných v manuálu konkrétního softwaru.

Nesprávná definice sítě:
Chyba z nesprávné definice sítě se týká nejčastěji těchto klíčových prvků:
o řadících pruhů (zejména šířka, délka a způsob řazení),
o průpletových úseků (zejména délka, rozhled, rychlosti jízdy a chování řidičů),
o připojovacích a odbočovacích pruhů (zejména délka a chování řidičů).
V praxi jsme často svědky kooperativního chování řidičů (např. na dálnici dočasné přemístění
z pravého jízdního pruhu do levého za účelem umožnění připojení vozidla z připojovacího pruhu)
nebo vynucování vjezdu (gap-forcing) v přetížených neřízených křižovatkách. Implementace pravidel
pro reflexi těchto jevů je v některých případech simulací nutná (konkrétní způsob závisí na
simulačním softwaru).

Absence definice podélného sklonu
Hodnoty podélného sklonu ovlivňují dynamiku dopravního proudu, a to zejména chování těžkých
vozidel ve stoupání (např. rampy mimoúrovňových křižovatek, pruhy pro pomalá vozidla). Aby se
podélný sklon v simulaci projevil, jednotlivým typům vozidel musí být přiřazeny správné dynamické
charakteristiky (akcelerace/decelerace, výkon, hmotnost apod.).
53

Neodpovídající charakteristiky vozidel
o
o

statické (např. rozměry vozidla)
Rozměry vozidla mohou hrát významní roli v místech rozšířených pruhů, kde např. první
vozidla stojí vedle sebe ve dvou řadách, umožňují-li to jejich rozměry (např. 2 osobní vozidla)
nebo v jedné řadě (nákladní vozidlo). Obdobně má na kapacitu uzlu vliv vlevo odbočující
vozidlo při absenci samostatného odbočovacího pruhu – záleží na šířkových proporcích
daného místa a daných vozidel, jestli bude dopravní proud zastaven nebo zpomalen (je-li
možné objíždění vozidla čekajícího na okamžik odbočovacího manévru).
dynamické (akcelerace, decelerace, výkon…)
Ovlivňují dynamiku dopravního proudu a tím i kapacitu sítě. Svoji významnou roli sehrávají
např. při rozjezdech v křižovatkách nebo na úsecích s vyšším podélným sklonem (např.
rampy mimoúrovňových křižovatek). Zvláště důležité jsou v případě simulace fenoménů,
jako jsou např. šokové vlny.
Nevhodná poloha virtuálních detektorů pro měření charakteristik dopravního proudu (délka
kolony, zdržení apod.)
Umístění virtuálních detektorů sloužících k měření charakteristik dopravního proudu v simulacích
musí být vždy popsáno a dokladováno (např. formou obrázku s vyznačením poloh detektorů).
Časové zdržení měřené „na průjezdu křižovatkou“ musí být chápáno v kontextu umístnění detektorů
– zasahuje-li např. kolona na vjezdu do křižovatky i za pozici detektoru označujícího startovací profil
pro měření kolony, logicky to znamená, že skutečné zdržení na daném vjezdu bude vyšší než
v simulaci naměřené. Takové situaci by se měl tvůrce simulace vždy vyhnout, je-li to možné.

Absence periody pro překonání počátečního stavu nulového nasycení
Jde o hrubou chybu zejména u rozsáhlejších a komplexnějších sítí, která zkresluje statistické výsledky
simulace. U malých jednouzlových sítí je její vliv malý. Viz kap. 4.8.

Nevhodná volba rozsahu zájmového území
Důležitým aspektem každé simulační studie je určení ovlivněné sítě (viz kap. 4.1.3). Volba příliš
malého území může přehlédnout potenciální problémy mimo něho. Naopak příliš velké území
zvyšuje komplexitu modelu, riziko chyby a nároky na hardware a realizační čas. Rozsah ovlivněné
sítě lze stanovit v makromodelu, je-li k dispozici formou podkladu pro mikroskopický model, nebo
odborným odhadem v jiných případech. Doporučuje se konzultace s osobou/institucí s rozhodovací
pravomocí před realizací studie.

Neadekvátní definice předností v jízdě
Ve skutečnosti i v simulaci je značný rozdíl mezi jednoduchou předností a značkou „stop, dej
přednost v jízdě“, který hraje roli především v situacích s vysokou mírou saturace uzlu. Simulované
přednosti v jízdě musí proto vždy odpovídat reálnému nebo navrhovanému stavu.
54
6
ZÁVĚR
Tato příručka je výsledkem projektu TA01031193, který byl podpořen Technologickou agenturou ČR.
Řešitelem projektu byla společnost AF-CityPlan s.r.o. ve spolupráci s Vysokým učením technickým v Brně.
Inspirována byla podobnými příručkami nebo směrnicemi vytvořenými v jiných zemích, zejména Německu,
USA a Velké Británii.
55
7
REJSTŘÍK
cestovní čas ........................................................ 20
časové zdržení ........................................ 20, 39, 54
délka kolony............................................ 21, 39, 54
dynamika ............................................................ 11
emise .................................................................. 42
grid-lock .............................................................. 51
hluk ..................................................................... 44
hustota ............................................................... 40
hybridní (modely) ................................................. 7
chodci ........................................................... 26, 51
chování ........................................................... 7, 53
kalibrace ..................................... 20, 29, 34, 36, 52
kapacita ........................................................ 20, 24
ladění .................................................................. 28
makroskopické (modely) ...................................... 6
mezoskopické (modely) ........................................ 6
mikrosimulační (modely) ..................................... 6
mikroskopické (modely) ....................................... 6
nahodilost ............................................................ 9
nulová saturace ............................................45, 54
operační (chování) ............................................... 9
počet simulačních procesů...........................46, 53
poptávka ................................. 7, 19, 22, 23, 28, 52
provozní (chování)............................................... 9
rychlost .............................................20, 35, 41, 52
saturovaný tok ..............................................20, 24
simulace4, 5, 8, 10, 11, 12, 13, 16, 22, 24, 26, 27,
28, 29, 34, 36, 39, 40, 41, 42, 45, 46, 47, 51, 52,
53, 54, 58, 62
síť ..............................................................7, 28, 53
spotřeba ............................................................ 42
strategické (chování)............................................ 8
submikroskopické (modely) ................................. 7
taktické (chování)................................................. 8
validace .........................................................37, 52
verifikace............................................................ 29
vozidlo ................................................................ 54
56
8
LITERATURA
[1]
BOXILL, Sharon Adams a Lei YU. CENTER FOR TRANSPORTATION TRAINING AND RESEARCH
TEXAS SOUTHERN UNIVERSITY. An Evaluation of Traffic Simulation Models for Supporting ITS
Development. Houston, Texas, 2000, 98 s.
[2]
DOWLING, Richard, Alexander SKABARDONIS a Vassili ALEXIADIS. DOWLING ASSOCIATES,
Inc. Traffic Analysis Toolbox Volume III: Guidelines for Applying Traffic Microsimulation Modeling
Software. Washington, D.C.: Federal Highway Administration, 2004.
[3]
DOWLING, Richard. DOWLING ASSOCIATES. Guidelines for Applying Traffic Microsimulation
Modeling Software. Oakland, California 94612: California Department of Transportation, 2002,
98 s.
[4]
ESPADA, Ian, James LUK a Bob LLOYD. Guidelines for Selecting Techniques for the Modelling of
Network Operations. Sydney NSW 2000 Australia: Austroads Ltd., 2010. ISBN 978-1-921709-074.
[5]
FORSCHUNGSGESELLSCHAFT FÜR STRASSEN- UND VERKEHRSWESEN, Arbeitsgruppe
Verkehrsführung und Verkehrssicherheit. Hinweise zur mikroskopischen Verkehrsflusssimulation:
Grundlagen und Anwendung. Ausg. 2006. Köln: FGSV Verlag, 2006. ISBN 39-397-1511-5.
[6]
HCM2010: highway capacity manual. 5th ed. Washington, D.C.: Transportation Research Board,
2010, ^^^sv. ISBN 978-0-309-16077-3.
[7]
HOURDAKIS, John, Panos G. MICHALOPOULOS a Jiji KOTTOMMANNIL. A PRACTICAL PROCEDURE
FOR CALIBRATING MICROSCOPIC TRAFFIC SIMULATION MODELS. Washington, D.C., 2002, 35 s.
[8]
INSTITUTE FOR TRANSPORT STUDIES, University of Leeds. SMARTEST - Best Practice Manual:
Simulation Modelling Applied to Road Transport European Scheme Tests. 1999, 83 s. Dostupné z:
http://www.its.leeds.ac.uk/smartest
[9]
LUK, James a Johann TAY. ARRB GROUP. The use and application of microsimulation traffic
models. Sydney: Austroads, 2006. ISBN 19-211-3934-X.
[10]
NGSIM website: http://ngsim-community.org/, 2011;
[11]
[12]
PTV PLANUNG TRANSPORT VERKEHR AG. VISSIM 5.40 - User Manual. Karlsruhe, 2012, 763 s.
RIMEA: Richtlinie für Mikroskopische Entfluchtungsanalysen [online]. Version: 2.2.1. 2009, 28 s.
Dostupné z: http://www.rimea.de/downloads/richtlinien/r2.2.1.pdf
[13]
SBAYTI, Hayssam a David RODEN. AECOM. Best Practices in the Use of Micro Simulation Models:
Prepared for: American Association of State Highway and Transportation Officials (AASHTO).
Arlington, VA 22201, 2010, 76 s.
[14]
SMITH, James a Robert BLEWITT. TRANSPORT FOR LONDON. Traffic Modelling Guidelines: TfL
Traffic Manager and Network Performance Best Practice. Version 3.0. London, 2010, 181 s.
Dostupné z: http://tfl.gov.uk/streetspublications
[15]
TRANSPORT FOR LONDON. DTO Modelling Guidelines: Traffic Schemes in London Urban
Networks. Version 2.0. 2006, 81 s.
57
PŘÍLOHA I – KONTROLNÍ LIST PRO TVŮRCE SIMULACE
Červeně – kritické předpoklady, musí být splněny vždy (odpověď pouze ano)
Oranžově – další předpoklady, které mají být v relevantních případech splněny, nebo zdůvodněny a
dokladovány ve studii
Vysvětlení jednotlivých položek kontrolního listu:
I.
I. 1.
I. 2.
I. 3.
I. 4.
I. 5.
I. 6.
I. 7.
I. 8.
8
Stavba modelu
Územní rozsah modelu zpravidla zahrnuje kromě posuzované oblasti také přímo ovlivněnou oblast.
Doporučuje se územní rozsah simulace projednat před zahájením prací se zadavatelem studie nebo
s osobou či institucí s rozhodovací pravomocí (např. odbor dopravy). Více v kap. 4.1.3.
Všechna použitá vstupní data musí být ve zprávě popsána – jejich původ, formát, datum/období ke
kterému se vztahují, způsob využití apod.
Délkové i šířkové parametry ovlivňují plynulost dopravy a chování řidičů, v simulaci je nutná jejich
shoda s reálným stavem nebo projektovým návrhem.
Počet a délka řadících pruhů výrazně ovlivňují kapacitu uzlů a úroveň kvality dopravy, jejich simulace
musí být ve shodě s realitou nebo projektovým návrhem.
Souhlasit musí nejen vztahy podřízenosti a nadřazenosti dopravních proudů, ale také možnosti
rozhledu v křižovatce, hodnoty kritických mezer (jsou-li kompatibilní s měřenými daty8) a případně
také specifické jevy spojené s daným místem, jako třeba vynucování vjezdu nebo kooperativní
chování (např. když v křižovatce vozidlo v nadřazeném dopravním proudu umožní vjezd vozidlu
hromadné dopravy v podřazeném dopravním proudu, nebo když na dálnici vozidlo jedoucí v pravém
pruhu přejede do levého pruhu a umožní tak zařazení jiného vozidla z připojovacího pruhu).
Simulační software obvykle vyžaduje definovat v místech směrového zakřivení, zúžení vozovky nebo
jiného omezení sníženou hodnotu rychlosti nebo jinou veličinu, ze které požadovanou rychlost
vypočte (např. poloměr zakřivení). Výsledná rychlost je pak důsledkem nastavených požadovaných
rychlostí (uplatní se ve volném dopravním proudu) a vzájemné interakce vozidel (dopravní proud
s odpovídající intenzitou).
U statického (pevného) signálního plánu musí být v realitě/návrhu a v simulaci plná shoda. U
dynamického řízení lze akceptovat simulaci statického signálního plánu pouze v případech s vysokou
saturací vjezdů, kdy signální plán dosahuje svých mezních hodnot a vysoká saturace neumožňuje
výrazné odchylky v jednotlivých cyklech. Závisí také na formulaci úlohy – studie, která má prověřit
efektivitu dynamického řízení musí simulovat dynamické řízení (tato schopnost může být v softwaru
dostupná až po zakoupení příslušného modulu).
Simulační studie musí obsahovat popis účastníků dopravy zahrnutých do simulace a případné
zdůvodnění nezahrnutí některých účastníků. V intravilánu je nutno věnovat pozornost zejména
chodcům a cyklistům.
Kompatibilita dat zde znamená stejnou definici dané charakteristiky při měření jako v simulaci. Vždy je nutné znát způsob měření
resp. zjištění empirických hodnot a definici charakteristiky v simulačním softwaru. Různé softwary mohou charakteristiky
stejného názvu definovat odlišně. Například kritická mezera naměřená in situ nemusí odpovídat kritické mezeře, která se zadává
v simulačním softwaru.
58
I. 9.
Provoz vozidel hromadné dopravy se liší od ostatních účastníků svojí pravidelností a stabilním
vozovým parkem. Kromě pohybu v silniční síti je nutno zohlednit zvláštní manévry jako vjezd a výjezd
ze zastávky a případné následné vlivy cestujících v pozici chodců, křižujících komunikaci.
I. 10. Jsou-li informace o intenzitách dostupné ve formě matice (např. jako výstup makroskopického
modelu), je nutné přiřadit tyto intenzity na správné trasy v síti a v některých případech také na více
tras. Tudíž jako podklad nestačí pouze matice přepravních vztahů, ale jsou zapotřebí také informace o
zatížení jednotlivých tras mezi zdrojem a cílem. Uvedené neplatí v případě, že výběr trasy pro
všechny vztahy probíhá v simulaci (tj. při dynamickém zatěžování v simulaci). Viz také kap. 2.3.3.3.
II.
Ladění, kalibrace a validace modelu
II. 1. Proces ladění modelu popisuje kap. 4.4. Jde o zajištění základní funkčnosti modelu a odstranění chyb
plynoucích z definice a základního nastavení modelu. Tento krok nenahrazuje kalibraci!
II. 2. Profilová kontrola intenzit v simulaci je důležitá zejména ve složitějších sítích, kdy profilem projíždějí
vozidla z většího počtu tras. Jde o kontrolu shody vstupní a simulované hodnoty intenzity (tj. shoda
profilové hodnoty v makromodelu s hodnotou v mikrosimulaci) ve vybraných profilech.
II. 3. Kalibraci modelu je potřebné provést vždy. Slouží k zajištění dostatečné míry shody mezi reálným a
simulovaným provozem. I v případě simulace neexistujícího řešení lze alespoň základní kalibraci
provést např. využitím dat z podobné studie či obdobného dopravního řešení. Detaily kalibračního
postupu popisuje kap. 4.5.
II. 4. Kalibrační veličiny musí být ve studii popsány včetně shody mezi měřenými a simulovanými daty. Pro
detaily viz kap. 4.5.
II. 5. Kalibrační cíle musí být stanoveny předem a musí být splněny. V případě velkých a významných
projektů se doporučuje stanovení kalibračních cílů po dohodě se zadavatelem nebo příjemcem
výsledků simulační studie. Pro detaily viz kap. 4.5.
II. 6. Proces validace modelu je popsán v kap. 4.5.4. Má být proveden, když je k dispozici validační set dat.
Validace zvyšuje výpovědní hodnotu simulace a spolehlivost výsledků.
II. 7. Je-li validace modelu prováděna, musí být zdokumentována, včetně popisu validačních veličin a míry
shody s měřenými daty.
II. 8. Je-li validace modelu prováděna, musí být popsáno splnění validačních cílů resp. limitů.
II. 9. Standardní sety parametrů jsou defaultní nastavení softwaru pro specifické účely. Je zcela běžné, že
v některých případech je nutno jejich hodnoty změnit v zájmu úspěšné kalibrace modelu (důvodem
může být např. jiná hodnota saturovaného toku v simulované oblasti). Tyto změny je potřeba
zdůvodnit a zdokumentovat. Pro další informace viz kap. 2.3.2 a 4.3.1.
III.
Výsledky
III. 1. Formulace závěrů na základě jednoho simulačního procesu je nepřípustná. Proces stanovení
potřebného počtu simulačních procesů je popsán v kap. 4.9. Jeho účelem je zajištění statistické
spolehlivosti výsledků simulace. Pro jednodušší modely se doporučuje alespoň 10 simulačních
procesů, u složitějších je nutno provést výpočet potřebného počtu simulačních procesů.
III. 2. Doba potřebná k překonání stavu nulového nasycení sítě neboli zahřívací periody musí být aplikována
a dokumentována vždy, závisí na velikosti a složitosti sítě. Další informace v kap. 4.8.
III. 3. Časový interval hodnocení musí být v souladu s obecnými požadavky na DI posudky a zadáním
objednatele a musí být ve zprávě zmíněn.
59
III. 4. Definice charakteristik měřených v simulaci musí být srozumitelná a jednoznačná. Např. detekce
kolony může být softwarem řízena dle definovaných limitních parametrů (rychlost, odstup vozidel…).
Mezi jednotlivými simulačními softwary mohou být v tomto bodě rozdíly.
III. 5. Znalost pozic virtuálních detektorů je důležitá pro porozumění výsledkům simulace. Musí být zřejmé,
kde měření začíná a končí.
Samotný kontrolní list je uveden na následující stránce.
60
I.
Stavba modelu
I.1
Byl zvolen odpovídající územní rozsah modelu?
I.2
Jsou popsána zdrojová empirická/prognózovaná data o dopravním proudu?
(Intenzita dopravy, skladba dopravního proudu, jízdní rychlosti)
I.3
Odpovídají šířkové a délkové parametry komunikací realitě/projektovému návrhu?
I.4
Odpovídá počet a délky řadících pruhů v křižovatkách?
I.5
I.6
I.7
I.8
I.9
I.10
ANO
NE
ANO
NE
ANO
NE
Odpovídá nastavení přednosti v jízdě?
(podřízenost, zohlednění rozhledu, kritické mezery, vynucování & kooperace)
Je nastavené snížení rychlosti v místech směrových oblouků („volné“ oblouky a
oblouky v křižovatkách), rychlostních retardérů a zúžení vozovky?
Odpovídají signální plány realitě resp. projektovému návrhu? Popište rozdíly a jejich
důvody (např. použití statického signálního plánu v simulaci při dynamickém řízení
v reálném provozu).
Jsou implementováni všichni účastníci dopravního provozu? Popište stanovení intenzit
nemotorových dopravních proudů (chodci, cyklisti…). Popište, kteří účastníci dopravy
jsou v simulaci zanedbáni a proč.
Je simulace vozidel hromadné dopravy v souladu s jízdním řádem?
(trasy linek, intenzity, druhy vozidel, zdržení v zastávkách apod.)
Byla ověřena správnost trasy při existenci více možností propojení zdroje a cíle?
(trasy ve zdrojovém makromodelu musí být ve shodě s mikromodelem)
II.
II.1
Byl model vyladěn?
II.2
Byla provedena kontrola profilových intenzit?
II.3
Byla provedena kalibrace modelu?
II.4
Jsou dokladovány kalibrační veličiny a jejich shoda s měřenými daty?
II.5
Jsou splněny kalibrační cíle?
II.6
Byla provedena validace modelu?
II.7
Jsou dokladovány validační veličiny a jejich shoda s měřenými daty?
II.8
Jsou splněny validační cíle?
II.9
Byly měněny standardní sety parametrů simulace? Pokud ano, dokladujte.
III.
Výsledky
III.1
Byl proveden dostatečný počet simulačních procesů?
III.2
Byla aplikována adekvátní „zahřívací perioda“?
III.3
Je vyhodnocení provedeno pro požadovaný resp. odpovídající časový interval (špičková
hodina, sedlová hodina…)?
III.4
Jsou popsány měřené charakteristiky dopravního proudu?
III.5
Jsou dokladovány pozice virtuálních detektorů pro měření charakteristik dopravního
proudu?
61
PŘÍLOHA II – KONTROLNÍ LIST PRO POSUZOVATELE SIMULACE
Pro jednotlivé položky kontrolního listu platí stejný komentář jako pro kontrolní list pro tvůrce
simulačního modelu. Červené položky musí být splněny vždy, oranžové jsou další předpoklady, které mají
být v relevantních případech splněny, nebo zdůvodněny a dokladovány ve studii. Kontrolní list předpokládá,
že posuzovatel nemá k dispozici samotný digitální simulační model (což by umožnilo mnohem hlubší
kontrolu, ale zpravidla to není možné z důvodu ochrany know-how), ale pouze průvodní zprávu k simulaci.
I.
Stavba modelu
I.1
Byl zvolen odpovídající územní rozsah modelu?
I.2
Jsou popsána zdrojová empirická/prognózovaná data o dopravním proudu?
(Intenzita dopravy, skladba dopravního proudu, jízdní rychlosti)
I.3
Odpovídají šířkové a délkové parametry komunikací realitě/projektovému návrhu?
I.4
Odpovídá počet a délky řadících pruhů v křižovatkách?
ANO
NE
ANO
NE
ANO
NE
Odpovídají signální plány realitě resp. projektovému návrhu? Jsou popsané rozdíly a
jejich důvody (např. použití statického signálního plánu v simulaci při dynamickém
řízení v reálném provozu).
Jsou implementováni všichni účastníci dopravního provozu? Byly zjišťovány intenzity
nemotorových dopravních proudů (chodci, cyklisti…)? Jsou-li někteří účastníci
v simulaci zanedbáni, je vysvětleno proč?
Je popsána simulace vozidel hromadné dopravy? (soulad s jízdním řádem, druhy
vozidel, zdržení v zastávkách apod.)
I.7
I.8
I.9
II.
II.3
Byla provedena kalibrace modelu?
II.4
Jsou dokladovány kalibrační veličiny a jejich shoda s měřenými daty?
II.5
Jsou splněny kalibrační cíle?
II.6
Byla provedena validace modelu?
II.7
Jsou dokladovány validační veličiny a jejich shoda s měřenými daty?
II.8
Jsou splněny validační cíle?
II.9
Byly měněny standardní sety parametrů simulace? Pokud ano, je změna smysluplná?
III.
Výsledky
III.1
Byl proveden dostatečný počet simulačních procesů? (min. 10 nebo podle výpočtu)
III.2
Byla aplikována adekvátní „zahřívací perioda“?
III.3
Je vyhodnocení provedeno pro požadovaný resp. odpovídající časový interval (špičková
hodina, sedlová hodina…)?
III.4
Jsou popsány měřené charakteristiky dopravního proudu v simulaci?
III.5
Jsou dokladovány pozice virtuálních detektorů pro měření charakteristik dopravního
proudu?
62
63

šablona zprávy - CityPlan spol. s r.o.

Transkript

Podobné dokumenty

Modelování hydrogramů průtokových vln v říčním systému s využitím

Řešení obvodů grafy signálových toků

APLIKACE MIKROSKOPICKÝCH SIMULAČNÍCH NÁSTROJŮ

Okruhy státních zkoušek 2010/2011

Ověření některých modelů dopravního proudu

Diplomová práce

PETrA 2011 - Odour sro

technické kvalitativní podmínky staveb