Proces zmiany wartości więźby ruchu polega na korekcie poszczególnych jej elementów w zależności od ich udziału w całkowitym potoku na odcinku z wartością pomiarową [2]. Można to opisać równaniem (5):
gdzie:
fl – potok pojazdów (pasażerów) na odcinku l;
δlk – wielkość relacji źródło - cel obciążająca odcinek l;
di – część relacji źródło – cel przypadająca na ścieżkę k;
pki – udział ścieżki k do której należy odcinek l.
Ponieważ potoki pojazdów (pasażerów) na odcinku są iloczynem relacji źródło – cel oraz udziału poszczególnej ścieżki w procedurze rozkładu ruchu, proces kalibracji odnosi się do zmian tych potencjałów, które wpływają na łączny potok odcinka dla którego dostępna jest baza pomiarowa. Dopasowanie potencjałów (a w efekcie wartości więźby ruchu) do oczekiwanej zgodności z wartościami pomiarowymi uzyskuje się poprzez porównanie obliczonego natężenia ruchu stanowiącego efekt zastosowanej procedury rozkładu więźby na sieć z pomiarami. W ten sposób uzyskuje się informacje dotyczące wielkości współczynnika korygującego potencjał ruchotwórczy (proces kalibracji odnosi się to do relacji źródło – cel (ź-c) tzn. relacji obciążających odcinki, dla których są dostępne wyniki pomiarów przekrojowych). Procedura obliczeniowa składa się z następujących etapów:
- generowanie współczynnika korygującego ki dla każdej relacji;
- modyfikacja potencjałów dla właściwych par ź-c;
- korekta potencjałów w więźbie ruchu z uwzględnieniem wyznaczonego współczynnika.
Formułę iteracyjną można przedstawić następująco [6]:
Fij(n) – wielkość potoku ruchu z rejonu i do rejonu j w iteracji n;
Qi(n) – produkcja rejonu i w iteracji n;
Zj(n) – atrakcja rejonu j w iteracji n;
Zjp – żądana atrakcja rejonu j;
Qip – żądana produkcja rejonu i;
Gp – żądana suma produkcji i atrakcji dla całej sieci;
G(n) – suma produkcji i atrakcji w iteracji n.
Dużą wadą rozwiązań problemu kalibracji więźby ruchu jest założenie, że wektor danych pomiarowych składa się z wartości stałych, nieobarczonych żadnym poziomem niepewności. Wartości pomiarów odnoszą się bowiem tylko do okresu pomiarowego i nie uwzględniają wahań ruchu spowodowanych czynnikami zewnętrznymi. Przy takim założeniu, uzyskujemy więźbę, która jest kalibrowana tylko do jednej, konkretnej chwili odpowiadającej okresowi pomiarowemu. Jednym z rozwiązań tego zagadnienia, jest zaproponowane przez Rosinowskiego [4] zastosowanie w procedurze kalibracji, wartości rozmytych w miejsce konkretnych danych. Algorytm ten jest wykorzystany w programie symulacyjnym Visum jako moduł o nazwie TFlowFuzzy.
Metoda bazuje na teorii zbiorów rozmytych i w miejsce pomiarów wprowadza liczby rozmyte odzwierciedlające fluktuację potoku pojazdów (lub pasażerów) w czasie. Dużą zaletą takiego podejścia jest możliwość zróżnicowania wyników pomiarów w różnych przekrojach poprzez wskazanie możliwego rozrzutu wyników. Wartość pomiarowa jest więc zapisywana w postaci odpowiedniej funkcji przynależności uwzględniającej wahania pomiaru potoków przekrojowych. Na rysunku 3 przedstawiono przykład liczby rozmytej.
Przewagą zastosowania teorii zbiorów rozmytych nad zwykłymi przedziałami wartości jest uwzględnienie w obliczeniach wartości odpowiadającej największemu stopniu przynależności, a pozostałe wartości ze zbioru rozmytego są uwzględnianie w mniejszym stopniu (odpowiadającym poziomowi przynależności liczby do konkretnego zbioru).
Szukając rozwiązania polegającego na korekcie więźby ruchu, w przypadku ujęcia rozmytego, dąży się do maksymalizacji przyjętej miary rozrzutu (wg równania 4) uwzględniając dolne i górne granice zbioru rozmytego [3]:
Ujęcie takie szuka rozwiązań wewnątrz przedziału zbioru rozmytego, preferując te, które znajdują się najbliżej pożądanej wartości pomiarowej.
- poprz.
- nast. »»