Ontwikkeling Vlaamse 4G modellen
Het 4de generatie verkeersmodel voor personen in Vlaanderen is volledig agent-gebaseerd, zowel in design, schatting als toepassing.
Basisprincipe achter het volledige vraagmodel is de expliciete modellering van elke individuele inwoner of agent, waarbij de verschillende keuzes gemaakt worden vertrekkende van eigen discrete huishoud- en individuele kenmerken. Belangrijkste voordeel hiervan is het voorkomen van gebruik van gemiddelde kenmerken of eigenschappen, met in de plaats daarvan het rekenschap geven aan alle heterogeniteit van de beslissingsnemer, waardoor praktisch gezien geen twee inwoners van het verkeersmodel gelijk kunnen zijn.
De hoge detailgraad zet zich verder in de uitwerking van individuele tours en ritketens, waarbij interacties tussen eigen beslissingen alsook met activiteiten van gezinsleden de vorm en uitwerking van de tours beïnvloeden. Het gehele vraagmodel wordt uitgewerkt via micro-simulatie als meest efficiënte vorm om de discrete uitkomsten te behandelen, waarbij specifieke aandacht gevestigd wordt op geavanceerde technieken om simulatie-ruis te kwantificeren en tot een minimum te herleiden.
Alle invoergegevens rond netwerken, OV-aanbod, synthetische populatie, socio-economische data, prijs- en kostenregimes, verkeerstellingen, …, worden in een centrale databank verzameld met de hoogst mogelijke resolutie. Het volledige 4G-raamwerk wordt op die manier als een modelstructuur opgezet waarvan doelgericht een consistente reeks aan modelinstanties kunnen afgeleid worden, en dit op alle niveaus en schalen.
Op het hoogste Vlaamse niveau wordt het strategisch personenmodel voor het Vlaamse gewest geïmplementeerd als overkoepelend sturend verkeersmodel voor bovenregionale analyses. Het vormt bovendien ook een proeftuin waarin de meest structurele uitbreidingen en functies ontwikkeld worden, en bovendien out-of-the-box toepassingen kunnen verkend worden. Zo werd dit modelinstrument in een eerste release ingezet ter ondersteuning van het MobiliteitsPlan Vlaanderen 2030, waarbij bijkomende functies rond rekeningrijden en kilometerheffing werden geëvalueerd. Daarnaast werden ad-hoc toepassingen uitgewerkt zoals bijvoorbeeld een studie waarmee impact van de COVID19-pandemie op de verschillende exit-strategieën werd verkend, of een optimalisatie van remote-sensing punten om zo efficiënt mogelijk alle gemotoriseerde verplaatsingen op uitstoot te kunnen meten.
De vigerende release v4.2 gebruikt de modelsoftware Visum voor beheer van de multimodale netwerken, met inbegrip van toedelingen en berekenen van LOS voor de modi gemotoriseerd verkeer en OV. Ondanks de ambitieuze omvang van de strategische modellen wordt een geavanceerde semi-dynamische toedeling gekozen voor gemotoriseerd verkeer, met blokkeereffecten en spill-over van wachtrijen in opvolgende periodes. Voor OV wordt geopteerd om rooftopping in te schakelen om de mogelijkheden van timetable based Visum beter te integreren in de agent-gebaseerde modelaanpak. De functionaliteiten van Visum worden verder verdiept met behulp van gekoppelde eigen ontwikkelde applicaties in de .NET-omgeving.
Agent-gebaseerde kalibratie
Om de toegenomen complexiteit en rekenintensiteit van kalibratie zo efficiënt mogelijk op te vangen, ontwikkelde Significance een eigen geavanceerde kalibratie-module: SigKal biedt een polyvalente en flexibele optimalisatie-tool waarmee simultane kalibratie van HB-patronen over tientallen matrices kan uitgevoerd worden tegenover een breed spectrum aan condities zoals tellingen, GSM-patronen, ODiN-verdelingen, … Door middel van een volledige herbeschouwing van het kalibratie-vraagstuk en een rigoureuze vertaling daarvan in doelgerichte code, kunnen zeer grote en complexe kalibraties uitgevoerd worden, waarbij de gebruiker in alle vrijheid een reeks targets kan mee geven.
Gegeven de flexibele en krachtige functionaliteiten van SigKal, én de afwezigheid van opgelegde dimensies of werkingsprincipes, kan de kalibratie-module een drastische stap vooruitzetten, voorbij de inherente tekortkomingen van optimalisatie gebaseerd op afzonderlijke modale periode-matrices. De nieuwste generaties agent-gebaseerde verkeersmodellen, zoals ontwikkeld in de Vlaamse 4G-aanpak, bieden een meer gedetailleerd en volledig consistente set aan ritketens per individuele agent als uitkomst.
Hieruit kunnen de klassieke modale HB-matrices per uur afgeleid worden voor verdere kalibratie, maar dit breekt net de troef van de onderlinge ritconsistentie in de discrete tours. Daarom wordt het kalibratie-vraagstuk principieel door getrokken tot op het individuele tour-niveau: alle tours van alle agenten in het model worden met de eigen complexiteit van aaneenschakeling van verschillende ritten, als een kalibratie-object aangeboden aan de optimalisatie. Elke tour kan in die context deelnemen aan een reeks van verschillende condities en targets: een telling op de heenrit in de ochtendspits zowel als een telling in de avondspits van de rit terug naar huis refereren aan dezelfde totale tour, modale verdelingen vanuit een stads-barometer koppelen aan de tour wanneer de agent in deze stad wonen, …
De optimalisatie werkt daarom niet langer op aparte ritten tussen herkomst en bestemming, maar grijpt direct in op alle aparte tours met hun gekoppelde condities. Het resultaat van deze kalibratie is een set aan gewichten direct betrokken bij de tours zelf: een gewicht hoger dan 1 betekent dat de tour in kwestie idealiter net meer zou moeten voorkomen om aan de opgelegde targets te voldoen, en andersom duidt een gewicht lager dan 1 dat de betreffende tour beter minder zou voorkomen.
Deze reeks aan gewichten is praktisch beperkt tot de volledige set aan tours waarop gekalibreerd werd en kan dus per direct niet gebruikt worden bij modelscenario’s. Om die reden worden de evoluties of tendensen die in de kalibratie naar boven komen, vertaald naar interne model-aanpassingen op vlak van keuze-voorkeuren: door middel van een gestuurde data-mining wordt gezocht naar structurele patronen in de gekalibreerde gewichten, met oog voor aspecten zoals aantal tours, tijdstipverdeling, modale aandelen, … In dit proces wordt gezocht naar dusdanige aanpassingen in de opzet van de keuzes in het vraagmodel die met minimale verschuiving de grootste gewenste impact hebben. Op deze manier wordt het resultaat van de agent-gebaseerde kalibratie getransformeerd naar correctie-parameters die daarna in het hart van de keuzemodellen ingrijpen met als doel het bekomen resultaat zo goed mogelijk te doen aansluiten bij de kalibratie-targets. In scenario-werking worden deze correcties daarna strak toegepast.
