&INTNU Kunnskap for en bedre verden
Vurdering av RTMs reisetidsberegning basert på modellering av fiktive scenarier i RTM og Aimsun
Torunn Vainio Gjøen
Bygg- og miljøteknikk
Hovedveileder: Trude Tørset, IBM
Institutt for bygg- og miljøteknikk Innlevert: juni 2018
Norges teknisk-naturvitenskapelige universitet
RTM er et nyttig verktøy for ˚a prioritere mellom transporttiltak, og bidrar i planleggingen for ˚a n˚a m˚alsetninger mot bærekraftig transport. I denne oppgaven er det blitt gjort en vurdering av reisetidsbeskrivelsen til RTM basert p˚a modellering av det samme nettverket i RTM og Aimsun. Hensikten for oppgaven har vært ˚a forbedre kunnskapen rundt resul- tatene til RTM og peke p˚a potensielle feilkilder i reisetidsberegningen. I byomr˚ader krever trafikkbeskrivelsen mer kompleksitet for ˚a plukke opp trafikkfenomen som tilbakeblokke- ring av kø, sjokkbølger og at rushtiden kan medføre overbelastning i deler av vegnettet.
Trafikkbeskrivelsen til RTM er makroskopisk, og kan ikke plukke opp effekten av de nevnte trafikkfenomenene. Mikroskopisk modellering med Aimsun er derimot i stand til ˚a gjenska- pe trafikkfenomen og resulterende forsinkelser. Problemstillingen undersøker dermed hvor mye beregnede reisetider i Aimsun og RTM varierer.
Arbeidet er utført ved ˚a modellere fire tilsvarende scenarier i RTM og Aimsun i et fiktivt nettverk som etterligner en gjennomfartsveg i et byomr˚ade. Scenariene undersøker reise- tid ved friflyt, og reisetid ved rushtid med trafikkmengde lik 50 %, 75 % og 100 % av makstimen. Hovedvegen i nettverket best˚ar av følgende krysstyper med tett plassering:
forkjørsregulert T-kryss, rundkjøring, signalregulert X-kryss samt et vikepliktsregulert X- kryss p˚a en sidegate. Alle veger i nettverket har ett felt i hver kjøreretning og fartsgrense p˚a 40 kilometer i timen. Aimsun-modellen har ikke by-elementer slik som buss, fotgjen- gere eller syklister da det var et behov for ˚a unng˚a komplisert modellering, og for mange forklaringsvariabler tilknyttet resultatene.
Modelleringsresultatene ble behandlet slik at reisetider fra Aimsun ble tilpasset formatet til RTM. Dermed har det vært mulig ˚a skille ut andelene av reisetiden som er en følge av geometrisk utforming av kryss, trafikkforsinkelse i kryss og trafikkforsinkelse p˚a lenken.
Aimsun-modellen har svakheter i nettverksutformingen som øker usikkerheten til resultate- ne. Problemet har først og fremst vært at enkelte sidegater f˚ar tilnærmet null tilgjengelighet inn p˚a hovedvegen ved 100 %-scenariet. Dermed har det vært nødvendig ˚a utelate enkelte
De viktigste resultatene viste til at:
• Tidsbruk som følge av kryss l˚a relativt nært i RTM og Aimsun, men en ser oftere høyest tidsbruk i RTM.
• Hastighetsreduksjon p˚a lenkene som følge av trafikkmengde l˚a langt høyere i RTM enn Aimsun. Ved˚aekskludere p˚avirkningen av kryss s˚afikk lenkene i Aimsun omtrent ingen trafikkforsinkelse.
• Akkumulert reisetid gjennom hovedvegen ved friflyt l˚a nært i modellene.
• Akkumulert reisetid gjennom hovedvegen i rushretningen l˚a en del høyere i RTM enn i Aimsun for scenariene med trafikkmengde lik 50 % og 75 % av makstimen. Det samme gjelder reisetid gjennom hovedvegen i mot rush for alle rushtidsscenariene i RTM.
Til tross for at resultatene har en del usikkerheter, s˚a er det mulige ˚a trekke enkelte kon- klusjoner. Det ser ut til ˚a være en gjennomg˚aende feilkilde i reisetidsberegningen i RTM at kryssforsinkelsen ikke beregnes som en følge av trafikkmengde eller retningen p˚a trafik- ken. Dette gir resultater med for høy forsinkelse gjennom hovedvegen i mot rushretning.
Retningsbestemt forsinkelse blir vurdert med volum-hastighetsfunksjoner p˚a lenkene, men n˚ar denne akkumuleres opp sammen med kryssforsinkelsen blir reisetidene i sum for store.
Det anbefales˚aforbedre reisetidsbeskrivelsen i RTM slik at en feilkilde i etterspørselsberegningene kan reduseres. Det er et p˚ag˚aende prosjekt av Urbanet Analyse, Asplan Viak og NTNU, som undersøker mulighetene for ˚a koble Aimsun og RTM. En slik kobling vil forbedre modellberegningene ved at RTM kan ta nytte av Aimsuns reisetidsberegning, og itererer denne med etterspørselsberegningene. Resultatene i fra denne oppgaven understreker at en slik kobling vil være en fordel. Eventuelle alternativer for forbedringer kunne ha vært
˚a nærmest kalibrere parametere for kryssforsinkelse og volum-hastighetsfunksjoner, eller ˚a oppgradere programmeringen av kryss for ˚a inkludere trafikkbestemt forsinkelse og andre krysselementer med stor p˚avirkning p˚a reisetid. For ˚a utføre endringer basert p˚a Aimsun, s˚a ville det ha vært anbefalt ˚a gjennomføre ytterligere modellering for ˚a danne mer repre- sentative reisetider.
RTM is a beneficial tool for prioritizing between projects within transport planning, and contributes towards the goal of sustainable transport. In this thesis the travel times calcu- lations of RTM has been evaluated based on modelling of equivalent networks in RTM and Aimsun. The purpose has been to enhance the knowledge of modelling results from RTM, and identify possible sources of error in the travel time calculations. In urban areas the de- scription of traffic demands more complexity, so that the effect of traffic phenomenas such as queue spillback, shock waves and time intervals of congested traffic, can be assessed.
The traffic description programmed in RTM is macroskopic, and is thereby not able to consider the mentioned traffic phenomenas. This is unlike the Microscopic modelling with Aimsun, which is able to represent complex interaction between vehicles and the resulting delays. The thesis researches the differences in calculated travel times between RTM and Aimsun due to various traffic situations in an imaginary urban network.
The research has been carried out by modelling four equivalent scenerios in RTM and Aimsun. The scenarios are situated in an imaginary network that imitates a main road in an urban area. To create various traffic situations, four scenarios have been identified by the given demand, such as free flow conditions, and rush hour with 50 %, 75 % and 100 % of demand during the peak hour. The main road consists of intersections with high proximity, such as T-intersection on a priority road, roundabout, signalized X-intersection and an unregulated X-intersection outside of the main road. All sections in the network have one lane per direction and a speed limit of 40 kilometers per hour. The Aimsun model is excluding urban elements such as bus, pedestrians and bicycles, to reduce the complexity of the modelling and to avoid excessive explainatory variables.
The calculated travel times were assessed so that the travel times from Aimsun were adap- ted to the format of the travel times from RTM. Thereby, the travel times were sorted as either a consequence of the geometric movement in an intersection, delay due to traffic in an intersection or delay due to traffic on a section. However, the results from Aimsun has
to a very limited access from certain sidestreets on to the main road in the 100 % scenario.
In the assessment of the results the travel times from the given streets were excluded in the calculations of avarage time values. The main results shows that:
• Travel times related to turning movements in intersections were relatively close in RTM an Aimsun, although, the turning movements in RTM usually were somewhat higher.
• The speed reduction due to traffic on the sections were a lot higher in RTM. By excluding the influence of intersections, the section delays in Aimsun were nearly negligible.
• Accumulated travel time through the main road in free flow conditions did not differ notably from one model to the other.
• Accumulated travel time through the main road in the rush-scenarios were generally higher in RTM, both with and against the direction of the rush traffic. The exception is rush hour with 100 % peak hour in the direction of the rush traffic.
Despite a high level of uncertainty in the results from Aimsun, it seems viable to give cer- tain conclusions. Generally, it seems to be a source of error that the travel time calculations of RTM through intersectiona are independent of the direction into the intersection, and independent of the amount of traffic. This leads to results with too high delays through the main road against the direction of the rush. Directional dependency of the traffic is included in the speed reduction on the sections, but when adding the section delay to the travel time through intersections, the resulting travel times are excessive.
It is recommended to enhance the travel time calculation used in RTM to reduce a source of error in the demand calculations. This is an ongoing project carried out by Urbanet Analyse, Asplan Viak and NTNU, who are researching whether a coupling of RTM and Aimsun would be feasible. the coupling would improve the demand calculations by allowing RTM to use travel times from Aimsun, and iterate it with the demand calculations. The results from the thesis emphasizes that a coupling would be an improvement. Potential alternatives of improvements could be to calibrate the parameters for travel times through intersections and speed reduction on sections, or to upgrade the programming of intersec-
changes in RTM based on calculation results from Aimsun it would be recommended to implement further modelling with Aimsun to achieve more representable travel times.
Forord i
Sammendrag iii
Summary v
Innholdsfortegnelse xi
Tabellliste xiv
Figurliste xvii
1 Introduksjon 1
1.1 Bakgrunn . . . 1
1.2 Problemstilling, m˚alformulering og omfang . . . 3
1.3 Rapportens oppbygning . . . 4
1.4 Bruk av modelleringsverktøy i oppgaven . . . 5
2 Grunnleggende teori for reisetidsberegning i transportmodeller 7 2.1 Begreper og grunnleggende forst˚aelse . . . 7
2.1.1 Ulike egenskaper i strategiske og operasjonelle modeller som p˚avirker reisetiden . . . 7
2.1.2 Trafikkavviklingsteori . . . 9
2.1.3 Firetrinnsmetoden for ˚a beregne transportetterspørsel . . . 12
2.2 Reisetidsberegning i RTM . . . 13
2.2.2 Valg av kapasitetsavhengig eller kapasitetsuavhengig nettfordeling . 14
2.2.3 Beregning av tidsbruk p˚a lenkene . . . 15
2.2.4 Beregning av tidsbruk gjennom kryss . . . 17
2.2.5 Innebygde funksjoner i Cube . . . 20
2.3 Reisetidsberegningen i Aimsun . . . 22
2.3.1 Modelloppbygningen til Aimsun . . . 22
2.3.2 Hastighetsberegning p˚a lenker . . . 23
2.3.3 Bevegelse gjennom kryss . . . 24
2.3.4 Parametere som p˚avirker reisetiden . . . 26
2.4 Muligheter for uttak av resultater i RTM og Aimsun . . . 27
3 Metode 29 3.1 Strategi for litteratursøk . . . 29
3.2 Bakgrunn for valg av oppsett . . . 31
3.2.1 Felles valg for Aimsun- og Cube-modellen . . . 32
3.3 Prosessen i Cube . . . 37
3.3.1 Nettverksoppbygning . . . 37
3.3.2 Programmering i Cube . . . 40
3.3.3 Validering i løpet av modelleringen i RTM . . . 43
3.4 Prosessen i Aimsun . . . 43
3.4.1 Modelloppbygning . . . 44
3.4.2 Enkel modellering av tidsbruk p˚a lenker som kun er p˚avirket av tra- fikkbelastning . . . 49
3.4.3 Validering i løpet av modelleringen i Aimsun . . . 50
3.5 Plan for ˚a opprette et sammenligningsgrunnlag . . . 50
4 Resultater 53 4.1 Reisetider gjennom kryss . . . 53
4.1.1 Det forkjørsregulerte T-krysset . . . 54
4.1.2 Rundkjøringen . . . 57
4.1.3 Lyskrysset . . . 59
4.1.4 Det vikepliktsregulerte X-krysset utenfor hovedvegen . . . 62
4.2 Akkumulert reisetid gjennom hovedvegen . . . 62
4.2.1 Reisetid med rushretning (fra sør til nord) . . . 63
5 Diskusjon 71 5.1 Diskusjon rundt forskningsspørsm˚alene . . . 71
6 Avslutning 77
6.1 Oppsummering og konklusjon . . . 77 6.2 Anbefaling . . . 79 6.3 Videre arbeid . . . 79 Vedlegg
2.1 Oversikt over parametere som tilpasser volum-hastighetsfunksjonene for de ulike vegtypene. a, b, c og C er fastsatt for de ulike vegtypene. x er antall kjøretøy p˚a lenken per hvert 5 min. ω er en parameter som definerer farten ved sammenbrudd. V l, X50/µ og σ er parametere som beskriver sannsyn-
ligheten for sammenbrudd. . . 16
2.2 Forsinkelse i sekunder gjennom kryss uavhengig av vikepliktsforhold i lav- trafikk (Gr˚att felt = anbefalt brukt) (Levin et al., 2015). . . 18
2.3 Forsinkelse i sekunder gjennom kryss i lavtrafikk avhengig av vikepliktsfor- hold (Gr˚att felt = anbefalt brukt) (Levin et al., 2015). . . 18
2.4 Forsinkelse i sekunder gjennom kryss uavhengig av vikepliktsforhold i rush- trafikk (Gr˚att felt = anbefalt brukt) (Levin et al., 2015). . . 19
2.5 Forsinkelse i sekunder gjennom kryss i rushtrafikk avhengig av vikeplikts- forhold (Gr˚att felt = anbefalt brukt) (Levin et al., 2015). . . 19
3.1 Oversikt over inndata for nettfordeling i de ulike scenariene . . . 35
3.2 Egenskapsdata for lenkene i nettverket . . . 38
3.3 Egenskapsdata for nodene i nettverket . . . 39
3.4 Beskrivelse av egenskapsdata for noder og lenker . . . 40
3.5 Resulterende faseplan (i sekunder) for de ulike svingebevegelsene i lyskrysset ved friflytscenariet. . . 49
3.6 Resulterende faseplan (i sekunder) for de ulike svingebevegelsene i lyskrysset ved scenariet med 50 % makstime. . . 49
3.7 Resulterende faseplan (i sekunder) for de ulike svingebevegelsene i lyskrysset ved scenariet med 75 % makstime. . . 49
ved scenariet med 100 % makstime. . . 49 3.9 Resultat av modellering av tidsbruk p˚a lenker i Aimsun uten p˚avirkning av
kryss. . . 50
2.1 Eksempel p˚a overgang fra punktm˚alinger i trafikken som er blitt overført til volum-hastighetskurver. De svarte punktene tilsvarer situasjon uten sam- menbrudd og røde punktene tilsvarer situasjoner med sammenbrudd (Hjel- krem et al., 2017). . . 9 2.2 Eksempel p˚a funksjoner i en mikroskopisk trafikkavviklingsmodell (Bang,
2018) . . . 11 2.3 Kurver for hastighetsreduksjon som følge av trafikkmengde. Grafene viser til
volum-hastighetskurvene for 2-feltsveger (1#2) og 4-feltsveger (1#2#3#4), med tilhørende hastigheter. Den røde linja viser hastighet ved sammenbrudd. 17 2.4 Eksempel p˚a en nettverksmodell i Aimsun (TSS, 2014) . . . 22 2.5 Illustrasjon av verdier i Aimsuns tidslukemodell (TSS, 2014) . . . 25 3.1 Lengdene i nettverket i meter. Retningene i nettverket vil omtales som nord
(opp), sør (ned), øst (høyre) og vest (venstre). . . 33 3.2 Overordnet visning av nettverket i Aimsun . . . 34 3.3 OD-matrise som er brukt for friflyt. Sentroide 945:1000001 er sør p˚a gjen-
nomfartsvegen, og sentroide 946:1000002 er nord p˚a gjennomfartsvegen . . 36 3.4 OD-matrise for makstimen i rush. For de øvrige rush-scenariene skaleres
matrisen. I rushtiden vil gjennomfartstrafikken hovedsakelig bevege seg fra sentroide 945:1000001 i sør til sentroide 946:1000002 i nord . . . 36 3.5 Oppbygningen av nettverket i TNExt . . . 38 3.6 Steg 1 og 2 i Cube-modellen. Programkoden for network-applikasjonene er
lagt ved som vedlegg B.1 . . . 41
som vedlegg B.2 . . . 42 3.8 Steg 4 i Cube-modellen. Programkoden for Highway-applikasjonene er lagt
ved som vedlegg B.3 . . . 42 3.9 Utforming av kryssene i Aimsun-modellen (a) viser det vikepliktsregulerte
X-krysset, (b) viser rundkjøringen, (c) viser det forskjørsregulerte T-krysset og (d) viser det signalregulerte X-krysset. . . 45 3.10 Fase A og B for de ulike svingebevegelsene i lyskrysset i Sidra Intersection 48 4.1 Gjennomsnittlig forsinkelse for svingebevegelsene i fra den vikende vegen
inn p˚a forkjørsvegen. . . 54 4.2 Gjennomsnittlig forsinkelse for svingebevegelsene i fra forkjørsvegen. . . 55 4.3 Bilde i fra scenario 100 % makstime som viser lite fremkommelighet inn p˚a
forkjørsvegen gir kø og tilbakeblokkering til X-krysset p˚a sidevegen. . . 56 4.4 Gjennomsnittlig forsinkelse for svingebevegelsene gjennom rundkjøringen. . 57 4.5 Illustrasjon av gjennomg˚aende økning i reisetid p˚a den østlige lenken inn i
rundkjøringen i Aimsun-modellen. I og med at krysset ikke er i stand til ˚a avvikle trafikken fra den østlige lenken over tid s˚a har reisetiden herfra blitt utelatt i beregning av resultatene for rundkjøringen. . . 59 4.6 Gjennomsnittlig forsinkelse for svingebevegelsene gjennom lyskrysset. . . . 60 4.7 Illustrasjon av gjennomg˚aende økning i reisetid p˚a den vestlige lenken inn i
lyskrysset i Aimsun-modellen. I og med at krysset ikke er i stand til˚aavvikle trafikken fra den vestlige lenken over tid s˚a har reisetiden herfra blitt utelatt i beregning av resultatene for krysset. . . 60 4.8 Tidsbruk i lyskrysset i Aimsun for ulike retninger inn i krysset. For 75 %-
og 100 %-scenariene er vest sine tidsverdier ekskludert. Sør og nord kom- mer fra hovedvegen (prioritert) og øst og vest kommer fra sekundærveger (nedprioritert) . . . 61 4.9 Gjennomsnittlig forsinkelse for svingebevegelsene gjennom det vikepliktsre-
gulerte X-krysset. . . 62 4.10 Tid-distanse diagram for RTM med rushretning p˚a hovedvegen. . . 64 4.11 Tid-distanse diagram for Aimsun med rushretning p˚a hovedvegen. . . 65 4.12 Total reisetid gjennom hovedvegen med rushretning for de ulike scenariene
i RTM og Aimsun . . . 66 4.13 Tid-distanse diagram for RTM i mot rushretning p˚a hovedvegen. . . 67
4.15 Total reisetid gjennom hovedvegen i mot rushretning for de ulike scenariene i RTM og Aimsun . . . 69
Kapittel 1
Introduksjon
1.1 Bakgrunn
Transportmodeller tilbyr et nyttig perspektiv n˚ar en vurderer transporttiltak. Avhengig av transporttiltaket s˚a vil ulike modeller dekke ulike bruksomr˚ader (Tørset et al., 2012).
Perspektivet som beskrives av transportmodeller gir en bedre forst˚aelse av konsekvensene av transporttiltak, og dermed et grunnlag for bedre prioriteringer. I Norge er det vanlig praksis˚abruke Regional Transportmodell (RTM) for˚avurdere større transporttiltak, mens Aimsun brukes for ˚a vurdere trafikkløsninger. RTM er en strategisk modell med fordelen av ˚a kunne beregne endringer i transportetterpørselen og mulighet til ˚a jobbe med lang tidshorisont. Representasjonen av vegnettet og trafikkflyt gjøres makroskopisk, som vil si at det gjøres overordnet med forenklinger som gir et lavt detaljeringsniv˚a (Tørset et al., 2013). Aimsun (slik den brukes i denne oppgaven) er en operasjonell modell og har et høyt detaljniv˚a av vegnettet og hvordan trafikken beveger seg. Trafikkflyt beregnes mikrosko- pisk, og detaljniv˚aet i trafikkbeskrivelsen blir dermed høyere. Dette gjør den egnet til ˚a vurdere løsninger for trafikkavvikling. Til gjengjeld mangler den egenskaper for ˚a vurdere endringer i transportetterspørsel (Barcel´o, 2010).
Resultater fra transportmodeller brukes b˚ade for ˚a n˚a politiske m˚al, og for ˚a beregne samfunnsøkonomisk nytte ved ulike transportløsninger. I norsk klimapolitikk har det blitt inng˚att et klimaforlik. Med det har Stortinget satt et m˚al om at all vekst i persontrans- port skal dekkes av kollektivtransport, sykkel og gange. Dette gjelder først og fremst de ni
største byene i landet, som skal motiveres til ˚a innføre bærekraftige tiltak ved ˚a inng˚a By- miljøavtaler (Nasjonal Transportplan, 2014-2023). For ˚a n˚a denne m˚alsetningen kan RTM være en ressurs som bidrar i ˚a belyse ulike alternativer. RTM beregner etterspørselen for ulike transportmidler og reisetider ved ˚a bruke data om bosetning, arbeidssteder, reise- vaner, transporttilbud, med mer. Samfunnsøkonomiske analyser av transporttiltak utføres ofte med EFFEKT, og da brukes resultatene fra RTM som inndata. Feil i resultatene fra RTM vil medføre følgefeil i de økonomiske analysene og grunnlaget for beslutninger blir svakere. Hjelkrem et al. (2017) p˚apeker at resultatene hastighet og trafikkmengde har størst p˚avirkning p˚a nytte-beregningene i EFFEKT.
Strategisk modellering av byer med kapasitetsproblemer er generelt utfordrende. Med ka- pasitetsproblemer s˚a menes det at veger og kryss ikke har kapasitet til ˚a h˚andtere trafikk- mengden, slik at reisetiden øker. Økning i reisetid vil p˚avirke individers reisevaner, b˚ade i praksis og ved modellering av etterspørselen med en strategisk modell. En rapport utgitt av Transportøkonomisk Institutt i 2014 (Fl¨ugel et al., 2014) peker p˚a at strategiske modeller ikke er egnet til ˚a analysere tiltak som h˚andterer kø. Helbing et al. (2002) og Raovic et al.
(2015) diskuterer videre at makroskopisk beskrivelse av trafikkflyt ikke h˚andterer variasjon av kjøretøytyper i nettverket eller tilbakeblokkering av kø. Usikkerheten rundt reisetidsbe- regningen i RTM g˚ar ogs˚a igjen i rapporter utgitt av Møreforskning. Der diskuteres det om reisetidene i RTM ikke blir redusert tilstrekkelig for trafikkniv˚aet i rushperiodene (Rekdal (2007), Rekdal et al. (2012)). Ved beregning av for høye eller lave hastigheter p˚a reiser s˚a vil RTM gi et for høyt eller lavt antall turer til de p˚avirkede omr˚adene, noe Rekdal (2007) diskuterer som en mulig ˚arsak til at trafikkmengden i Oslo sentrum er høyere enn forventet i modellen.
Aimsun er bygd p˚a mikroskopiske prinsipper som vurderer kjøretøys individuelle bevegelse gjennom nettverket over tid, og interaksjon mellom kjøretøy. Det ser ut til ˚a være en enig- het i fagmiljøet om at en detaljrik mikroskopisk reisetidsberegning er mer virkelighetsnær enn en makroskopisk. Bruksomr˚adet til Aimsun er ˚a vurdere trafikktiltak, som ikke vil p˚avirke transportetterspørselen. Dersom et tiltak p˚avirker transportetterspørselen s˚a bru- kes resultater om trafikkmengder, i form av trafikkmatriser, fra RTM som utgangspunkt for inndata i Aimsun. En mulig svakhet ved denne fremgangsm˚aten er at resultatene fra RTM kunne ha blitt forbedret dersom man hadde brukt reisetidene fra Aimsun. I s˚a fall ville det ha vært interessant med en iterativ beregning der RTM bruker Aimsuns reisetider, og
Aimsun igjen bruker RTMs trafikkmengder. En mulig kobling mellom RTM og Aimsun for
˚a oppn˚a dette er et p˚ag˚aende prosjekt som utføres av Urbanet, Asplan Viak og NTNU. Det svenske prosjektet IHOP2 har gjennomført en slik kobling mellom etterspørselsmodellen Regent med trafikkavviklingsmodellen Transmodeler (Canella et al., 2016). Transmodeler gir i likhet med Aimsun en mikroskopisk beskrivelse av trafikkflyt. IHOP-prosjektet utførte en sammenligning av reisetider for Transmodeler og VISUM (makroskopisk). Validering av resultatene viste til at Transmodeler utførte mer virkelighetsnære beregninger med høy grad av trengsel p˚a vegnettet, mens VISUM utførte mer virkelighetsnære beregninger ved friflyt (Almroth et al., 2014).
1.2 Problemstilling, m˚ alformulering og omfang
Til tross for at RTM har en mangelfull evne til ˚a gi en virkelighetsnær beskrivelse av trafikkflyt, s˚a er det ikke gjennomført studier som tester reisetidsberegningene i by. Ved
˚a sammenligne reisetidene som beregnes i RTM og Aimsun, s˚a vil det kartlegges hvilke situasjoner og beregningsprinsipper som skaper størst og minst overensstemmelse mellom modellene. M˚alet er at oppgaven kan bidra med ˚a forsterke kunnskapen rundt bruk av RTM. Det er nødvendig ˚a understreke at Aimsun ogs˚a er en modell med en forenklet virkelighetsbeskrivelse, og at resultatene ikke vil være en fasit p˚a korrekt reisetid. Pro- blemstillingen i oppgaven er dermed:
Hvor mye varierer de beregnede reisetidene i RTM og Aimsun ved ulike trafikksituasjoner?
Forenklingene i RTM antas ˚a gi størst feilmargin i reisetidsberegning p˚a veger med flere kilder til redusert hastighet. Kilder til redusert hastighet kan være annen trafikk p˚a vegen, fotgjengere, smale veger, kø i vegnettet og tetthet mellom kryss, tilbakeblokkering, som er typiske elementer i bystrøk. Ved at Aimsun kan modellere effekten av hastighetsreduse- rende elementer, s˚a gir det mening at variasjonen i reisetider mellom modellene er størst i bystrøk. For ˚a teste effekten av økt trafikkmengde,s˚a modellerer denne oppgaven det sam- me vegnettet RTM og Aimsun, for s˚a˚a kjøre ulike scenarier der trafikkmengden varierer mellom friflyt og makstimen i døgnet. Trafikksituasjonene vil ogs˚a variere som følge av ulike kryssløsninger i nettverket, og om vegen inn mot krysset tilhører hovedveg eller en
sidegate. I oppgaven vil det bli diskutert en rekke spørsm˚al som belyser problemstillingen:
• Er det mulig ˚a sammenligne beregnede reisetider i RTM og Aimsun p˚a en fornuftig m˚ate?
• Vil en sammenligningen kunne indikere eventuelle svakheter i RTM?
• Hvordan kunne en ha oppn˚add en bedre reisetidsbeskrivelse i RTM uten ˚a endre grunnprinsippene?
Oppgavens omfang er begrenset av disponibel tid for ˚a gjennomføre en masteroppgave.
Valget om ˚a modellere en bygate er basert p˚a antagelsen om at differansen er størst med flere hastighetsreduserende elementer, og at Rekdal (2007) diskuterer om for høye hastig- heter i sentrum gir for store trafikkmengder. Det er flere hastighetsberegninger i RTM som ville ha vært interessante ˚a undersøke, slik som hastighetsreduksjon p˚a grunn av vegens geometri i landskapet, men som ikke inng˚ar i omfanget. Det hadde vært spesielt interessant
˚a se p˚a resultatene fra RTM og Aimsun i forhold til m˚alinger gjort ved et reelt vegnett.
Da m˚atte modellering av vegnettet ha blitt utført for ˚a samsvare med et reelt vegnett, som i seg selv ville ha vært krevende. I tillegg m˚atte det ha blitt gjennomført m˚alinger av trafikken, og totalt sett ville omfanget ha vært urealistisk for en masteroppgave.
1.3 Rapportens oppbygning
Rapporten best˚ar i hovedsak av introduksjon, teoretisk grunnlag, beskrivelse av metode, resultater, diskusjon og konklusjon. Oppbygningen tar utgangpunkt i r˚ad og retningslinjer for rapportskriving ved institutt for bygg, anlegg og transport (2013).
Introduksjonen gir en innføring i temaet og spesifiserer hva som blir undersøkt i oppgaven og hvorfor. Det teoretiske grunnlaget beskriver hvordan modellene beregner reisetid samt annet som er relevant for oppgaven. Metoden beskriver det tekniske arbeidet som har blitt utført og hvilke valg som er gjort i modelleringen. Resultatene blir fremvist etter at r˚adata fra modellering har gjennomg˚att en viss databehandling. Dette er er gjort for ˚a kunne beskrive resultatene i en kontekst som egner seg for sammenligning. Modellering gir kun en forenklet beskrivelse av virkeligheten, og resultatene m˚a ikke tolkes av leseren utover de
rammene satt i modellene, noe som ogs˚a tydeliggjøres utover i rapporten. Diskusjonen ser p˚a spørsm˚alene som er stilt i introduksjonen i lys av modelleringen som er gjennomført.
Og avslutningsvis konkluderer oppgaven med funnene som er gjort i løpet av arbeidet, og anbefaler p˚abyggende arbeid.
Oppgaven er først og fremst skrevet for fagfolk innen transport eller trafikkavvikling. Dette er to nærliggende fagfelt, men det er allikevel ikke alltid enighet om betydningen av be- greper i fagspr˚aket. Dette har lagt et større press p˚a˚a definere betydningen av faguttrykk gjennom rapporten.
1.4 Bruk av modelleringsverktøy i oppgaven
Modelleringen i oppgaven er gjort ved bruk av dataprogrammene som er introdusert her.
Mesteparten av arbeidet er utført i Cube og Aimsun.
Cube
Cube er en programpakke som er satt sammen for strategisk transportmodellering. Model- lering i Cube gjennomføres ved databehandling av filer slik som nettverk, trafikkmengde og funksjoner som p˚avirker reiser i nettverket. Kommando for ulike oppgaver i modellen er delvis forh˚andsdefinert, men blir tilpasset av brukeren med Cube sitt innebygde program- meringsspr˚ak.
RTM
RTM er en strategisk transportmodell som er utviklet i Cube. I denne oppgaven bru- kes prinsippene til RTM versjon 4 (alfa-stadiet i testing), som ble utgitt i april 2018. I oppgaven blir ikke gjennomføringen av modelleringen gjort direkte i RTM, men deler av RTM-funksjonene og scriptet er overført til en egenprodusert modell i Cube. Oppgaver har tatt i bruk Cube versjon 6.4.3.
Aimsun Next
Aimsun Next er en programvare som i utgangspunktet kan modellere med b˚ade mikro-, makro- eller en mellomting med mesoskopiske modelleringsprinsipper. I Norge er Aimsun typisk blitt brukt for mikro- og mesoskopisk modellering, og i denne oppgaven blir det brukt innstillinger for mikroskopisk modellering med Aimsun Next versjon 8.2.
Arcmap med TNExt
Arcmap er et verktøy for ˚a behandle kartdata, og er en del av ArcGIS-pakken. For model- leringen i oppgaven har Arcmap blitt brukt som en plattform for ˚a kjøre tilleggsapplika- sjonen, TNExt (Transport Net Extension), som er utviklet av SINTEF. TNExt er kodet for ˚a tilpasse kartdata for bruk i RTM. I denne oppgaven ble Arcmap versjon 10.4 brukt med TNExt versjon 2.78.
Sidra Intersection
Sidra er er et operasjonelt verktøy som er utviklet for ˚a designe og evaluere kryssløsninger.
I denne oppgaven har Sidra blitt bruk for ˚a bestemme faseplanene til lyskrysset, slik at Aimsun-nettverk har f˚att mer troverdige reisetider. Sidra versjonen som har blitt brukt er Sidra Intersection 7.
Kapittel 2
Grunnleggende teori for reisetidsberegning i transportmodeller
Den teoretiske gjennomgangen forklarer ulike m˚ater˚aberegne reisetid p˚asom er aktuelle for Aimsun og RTM. Det trekkes frem relevante funksjoner i modellene som ang˚ar reisetid, uten at modellbeskrivelsen er fullstendig. Først forklares begreper og grunnleggende forst˚aelse, deretter beskrives RTM og Aimsun. Oppgaven benytter RTM versjon 4 (utgitt som en testversjon i april 2018) og Aimsun versjon 8.2.2 (utgitt i januar 2018).
2.1 Begreper og grunnleggende forst˚ aelse
2.1.1 Ulike egenskaper i strategiske og operasjonelle modeller som p˚ avirker reisetiden
Strategiske og operasjonelle modeller tilhører ulike bruksomr˚ader, og er utviklet deret- ter. Strategiske modeller brukes for ˚a planlegge større omr˚ader, og vurderer hvilke etter- spørselsendringer som kan forventes av endret transporttilbud. Eksempler p˚a endring i transporttilbudet er endrede forhold p˚a en reise, slik som bomring eller en ny vei. Evne til
˚apredikere hvilke valg som tas i befolkningen er en viktig egenskap for strategiske modeller.
Etterspørselsberegninger krever mye datakraft, og for at modellene ikke skal bli for tunge har det vært gunstig ˚a kunne bruke en makroskopisk trafikkbeskrivelse. Operasjonelle mo-
deller har som form˚al ˚a vurdere trafikkavviklingen for omr˚ader og kryss med en bestemt mengde trafikk. Da er viktige egenskaper i modellene ˚a kunne gi en realistisk beskrivelse av bevegelsen til kjøretøy p˚a vegen og samhandling mellom trafikantene. Dette ligger til grunn for at operasjonelle modeller er bygd opp med mikroskopisk trafikkbeskrivelse.
Statisk eller dynamisk representasjon av tid
At en modell har egenskapendynamisk kan tolkes p˚a flere m˚ater, og er avhengig av hvilket aspekt som er dynamisk. Generelt indikerer begrepet at modellen h˚andterer endring, og at hendelser har p˚avirkning p˚a hverandre. I denne oppgaven brukes begrepet dynamisk transportmodell om en modell med dynamisk tidsbeskrivelse. Da g˚ar tiden fremover med inkrementelle tidssteg, og kjøretøy samhandler deretter. Dette gjør det mulig ˚a modelle- re kødannelse og blokkering i vegnettet. Denne formen for tidsavhengig p˚avirkning blir ikke fanget opp i en modell med statisk tidsregning, alts˚a en statisk transportmodell. Da representeres tid som intervaller med faste forutsetninger. Reisetid og forsinkelse blir bereg- net med gjennomsnittlige verdier, og modellen vurderer ikke hendelser innad i intervallet (Fl¨ugel et al., 2014).
Deterministisk eller stokastisk vurdering av usikkerhet
Modellenes beskrivelse av virkeligheten innebærer en rekke usikkerheter. Ved en determi- nistisk vurdering av usikkerhet s˚a er variasjon forenklet til faste verdier, typisk definert som gjennomsnittsverdier. I realiteten vil trafikkbildet være forandret fra dag til dag, der ingen dager er identiske. For ˚a fange opp denne variasjonen kan man bruke en stokas- tisk sannsynlighetsfordeling for kjøretøyklasser, tidsbruk gjennom kryss, osv. Da kalles en gjennomkjøring gjerne for en simulering, og det kreves flere modellkjøringer for ˚a kunne gi et representativt vurderingsgrunnlag. Dette gir en mer realistisk beskrivelse av hvordan trafikkforhold, slik som reisetid, kødannelse og rutevalg, vil variere (Fl¨ugel et al., 2014).
2.1.2 Trafikkavviklingsteori
Makroskopisk beskrivelse av trafikk
Makroskopisk beskrivelse av trafikk blir brukt i de strategiske modellene. Trafikken bekri- ves med relasjonen mellom volum (kjøretøy per time), hastighet (km per time) og tetthet (kjøretøy per kilometer), som sett i funksjonen nedenfor. Opprinnelig har sammenhen- gen blir utviklet for ˚a beskrive hastighetsreduksjon som følge av trafikkmengde p˚a lange vegstrekk, som for eksempel motorveier (Ort´uzar and Willumsen, 2011).
V olum=Hastighet×T etthet
Trafikkvolumet beskriver hvor mange kjøretøy som passerer et snitt i løpet av en time.
Et gitt trafikkvolum kan være et resultat av b˚ade høy hastighet og lav tetthet, eller høy tetthet og lav hastighet. Med tilstrekkelig data fra trafikkm˚alinger vil det være mulig ˚a lage punktdiagrammer som indikerer volum-hastighetskurven for vegen, slik som i figur 2.1.
Figur 2.1: Eksempel p˚a overgang fra punktm˚alinger i trafikken som er blitt overført til volum- hastighetskurver. De svarte punktene tilsvarer situasjon uten sammenbrudd og røde punktene tilsvarer situasjoner med sammenbrudd (Hjelkrem et al., 2017).
Volum-hastighetskurver vil typisk vise til moderat hastighetsreduksjon for et økende tra- fikkvolum, inntil vegens kapasitet er n˚add. Dersom trafikkvolumet forsøker ˚a øke videre, s˚a er ikke vegen i stand til ˚a avvikle trafikken og det oppst˚ar et sammenbrudd i trafik- ken (Ort´uzar and Willumsen, 2011). Volum-hastighetskurver beskriver dermed tilstander i trafikken. I figur 2.1 har de svarte prikkene høy et økende trafikkvolum samtidig som de
opprettholder høy fart. P˚a et tidspunkt s˚a vil det økende trafikkvolumet resultere med en tetthet p˚a vegen som ikke kan opprettholdes. Da reduseres b˚ade hastigheten og trafikkvo- lumet, som vist med de røde prikkene, og trafikken er i en sammenbruddssituasjon (Aakre, 2018b).
I transportmodeller med makroskopiske beregningsprinsipper er det praktisk sett proble- matisk ˚a tilegne to ulike hastigheter til det samme trafikkvolumet. Dette er nødvendig for
˚a kunne beskrive situasjoner med og uten sammenbrudd. Ort´uzar and Willumsen (2011) beskriver at et krav til reisetidsberegningen er at hastigheten er er strengt fallende for økt trafikkvolum. Det er mulig˚agjenskape en tilnærming til hastighetsreduksjonen for˚abeskri- ve sammenbrudd, men det vil ikke være mulig˚avurdere reduksjonen i gjennomstrømmende trafikkvolum.
Sjokkbølge er et trafikkfenomen som beskriver hvordan ulike tilstander i trafikken utvikler seg gjennom tid og rom. Typisk vil lokal tetthet i trafikken forflytte seg basert p˚a tra- fikkens ankomstrate til og utgangsrate ut av sjokkbølgen (May, 1990). For eksempel s˚a kan en sjokkbølge oppst˚a p˚a grunn av et lyskryss, og forplante seg oppstrøms i trafik- ken inntil den oppløses. Makroskopisk trafikkbeskrivelse er i utgangspunktet egnet til ˚a analysere sjokkbølger. Allikevel g˚ar en glipp av effekten av sjokkbølger i beregningene for makroskopiske transportmodeller da det ikke en ikke ser p˚a endring over tid og rom.
Mikroskopisk beskrivelse av trafikk
Mikroskopisk trafikkbeskrivelse g˚ar ut p˚a ˚a predikere hvordan ulike kjøretøy vil forhol- de seg til hverandre. Kjøretøyene blir tilegnet individuelle egenskaper, som gir varierende adferd. De mikroskopiske modellene er ofte brukt for ˚a simulere trafikkavviklingen i en operasjonell modell. Hvilke egenskaper som tildeles kjøretøy er stokastisk fordelt, slik at gjentak av simuleringen i den samme modellen vil gi noe ulike resultater. For ˚a f˚a gyldige resultater s˚a m˚a modellen kjøres gjentatte ganger, slik at resultatene sees i sammenheng for ˚a bli statistisk sett gyldige. Figur 2.2 viser til vanlige funksjoner som er modellert i mikroskopisk trafikkbeskrivelse
Figur 2.2: Eksempel p˚a funksjoner i en mikroskopisk trafikkavviklingsmodell (Bang, 2018)
Car-following er et typisk eksempel p˚a mikroskopisk modellering, og Gipps (1981) utviklet en modell som ligger til grunn for simuleringprogrammer i dag (Casas et al., 2010). Prin- sippet til Gipps g˚ar ut p˚a at en sj˚afør til enhver til vil ta beslutning om hvor fort han kan kjøre, som et kompromiss mellom hvor fort han ønsker ˚a kjøre, og mulighet til ˚a stoppe i tide om bilen foran stopper. Det er en rekke ulike faktorer som kan p˚avirke beslutningen, slik som avstand, hastighet, akselerasjon og sensitiviteten føreren har for ˚a respondere.
Ulike modeller definerer sensitivitet og stimuli forskjellig (Barcel´o, 2010).
Respons=Sensitivitet×Stimuli Eksempel p˚a faktorer som inng˚ar i en car following model .
• Respons: akselerasjon eller retardasjon
• Sensitivitet: avstand til bilen foran
• Stimuli: endret hastighet p˚a bilen foran
Lane-changing (p˚a norsk: feltskifte) er en funksjon i hver agent som vurderer ønsket om ˚a skifte felt, og om trafikken tillater det. Gipps (1986) beskriver det som at en sj˚afør vur- derer feltskifte ved ˚a stille spørsm˚al om det er mulig, nødvendig eller motivasjon for ˚a skifte. Motivasjonen kan være ˚a befinne seg i riktig felt inn mot et kryss, eller feltskifte for muligheten til ˚a kjøre fortere en bilen foran (Bang, 2018).
Gap-acceptance (p˚a norsk: tidslukemodell) er en funksjon som inntrer n˚ar et kjøretøy skal inn i et kryss og m˚a ta hensyn til annen trafikk. Tidsluke er tiden mellom to kjøretøy som passerer det samme punktet (Aakre, 2018a). I tidslukefunksjonen vurderes det hva tidsluken er inn i krysset, og om sj˚aføren vurderer den som tilstrekkelig (Bang, 2018).
Effekten av trafikkfenomenetsjokkbølgeer mulig˚ainkludere i reisetidsberegningen ved mik- roskopisk modellering. Ved at mikroskopisk modellering etterligner faktisk kjøreadferd, s˚a vil tregheten i reaksjonstid medføre at sjokkbølger kan oppst˚a og forflytte seg i nettverket.
Et annet trafikkfenomen som kan gjenskapes ved mikroskopisk modellering er tilbake- blokkering. Med tilbakeblokkering s˚a menes det at kølengden blokkerer trafikk for andre retninger oppstrøms i nettverket.
2.1.3 Firetrinnsmetoden for ˚ a beregne transportetterspørsel
Firetrinnsmetoden beregner transportetterspørsel basert p˚a data om befolkningen, sone- inndeling av det geografiske omr˚adet og transporttilbudet. Dette er en etablert metodikk for strategiske modeller. De fire trinnene er turproduksjon, turfordeling, reisemiddelforde- ling, og nettfordeling. Resultatet leveres i form av OD-matriser (origin-destination), som beskriver alle turer mellom ulike destinasjoner i et vegnett og utlegging av OD-matrisene p˚a vegnettet. OD-matrisene kan være fordelt mellom reisehensikter, reisemiddel og tidspe- rioder dersom det er valgt i beregningene (Ort´uzar and Willumsen, 2011).
1. Turproduksjon: Sonedataen (blant annet antall bosatte, alder og arbeidsplasser) bru- kes til ˚a ansl˚a hvor mange turer som genereres fra og attraheres til hver sone.
2. Turfordeling: M˚alet med turfordelingen er ˚a gi en beskrivelse av hvor turer starter og ender, samt hvor mange forekomster av turen som oppst˚ar. Dette resultatet fremstil- les i en OD-matrise, ogs˚a omtalt som en turmatrise eller en fra-til matrise. Tradisjo- nelt er turfordelingen bestemt ved en gravitasjonsmodell som vektlegger informasjon om attraktiviteten til destinasjonen og kostnaden for ˚a reise dit sammenlignet med alternative destinasjoner.
3. Reisemiddelfordeling: OD-matrisene som blir produsert i turfordelingen blir fordelt mellom ulike reisemidler. Fordelingen gjøres basert p˚a andeler av turer som sann-
synligvis fordeles mellom reisemidlene. Denne inndelingen gjøres ved vektlegging av fordeler og ulemper ved reisemidlene (for ulike trafikantgrupper og reisehensikter) med en Logit-modell.
4. Nettfordeling: M˚alet med nettfordelingen er at den reisemiddelspesifikke trafikken fordeles p˚a ulike ruter i vegnettet, og den resulterende vegbelastningen vises. Forde- lingen skjer ved en vurdering av reisekostnad p˚a de forskjellige rutene, og at bilfører velger den beste ruten. Definisjonen av den beste ruten har blitt forbedret i løpet av firetrinnsmetodens utvikling. Opprinnelig var reisetiden regnet som kapasitets- uavhengig, som medførte at alle kjøretøy valgte den samme ruten uten ˚a betrakte økt forsinkelse som følge av trengsel. Ved kapasitetsavhengig nettfordeling vil reise- tiden p˚a en lenke øke med økende belastning, slik at rutevalget kan variere ut ifra belastning og reisetid i nettverket.
2.2 Reisetidsberegning i RTM
2.2.1 Modelloppbygningen til RTM
RTM utfører strategiske beregninger med utgangspunkt i prinsippet om firetrinnsmetodik- ken. Ved ˚a vurdere de fire stegene, i tillegg til andre funksjoner som er modellert inn, s˚a predikerer RTM hvilke konsekvenser som vil følge av ulike tiltak. Modellen tar inn data om nettverket (transporttilbudet) og data om befolkningen (sonedata). En innebygd bilholds- modell predikerer andeler i befolkningen som har bil, som p˚avirkes av inntekt og trans- portmuligheter, noe som ligge til grunn ved beregningene videre. Ved ˚a se p˚a strukturen i firetrinnsmetoden s˚a vil trinn ´en til tre (turproduksjon, turfordeling og reisemiddelforde- ling) bli utført med etterspørselsmodellen i RTM, Tramod By. Resultatene fra Tramod by er OD-matriser som beskriver reisehensikt, reisemiddel og turtype. Dette er inndata i trinn fire, nettfordeling, som legger ut OD-matrisene i nettverket. Prinsippet for nettfordelingen varierer ut i fra om modellbrukeren velger ˚a kjøre en kapasitetsavhengig eller kapasitets- uavhengig nettfordeling, og antallet iterasjoner som eventuelt kjøres (Tørset et al., 2013).
Plattformen til Trondheimsversjonen til RTM er Cube Voyager, som h˚andterer dataflyt og databehandling. Nettverket er definert i TNExt (TransportNetExtension) som er en tilleggsapplikasjon til Arcmap, og best˚ar av noder og lenker med faste egenskaper lagt inn.
2.2.2 Valg av kapasitetsavhengig eller kapasitetsuavhengig nett- fordeling
Nettfordelingen i RTM kan tilpasses den analysen som skal gjøres. Man kan velge ˚a ta høyde for økt trafikkniv˚a i rushtiden, eller ˚a kjøre modellen med lik reisetid gjennom hele døgnet. Dersom man ønsker ˚a kjøre en modell som ser p˚a effekten av rushtiden, s˚a vel- ges alternativetkapasitetsavhengig. Kapasitetsavhengig nettfordeling bruker prinsipper fra makroskopisk trafikkbeskrivelse, slik at hastigheten reduseres ved økt trafikkbelastningen.
Dette øker beregningstiden til modellen, s˚aom man antar at det ikke vil være forsinkelser p˚a vegnettet som følge av trafikkmengde, s˚a kan man velgekapasitetsuavhengig nettfordeling.
Da vil hastigheten p˚a lenkene være satt lik friflytshastigheten uansett trafikkbelastning, som vil si at man antar at hastigheten ikke p˚avirkes av annen trafikk. Tidsperiodene som ikke er rushtid vil alltid beregnes kapasitetsuavhengig (Tørset et al., 2013).
For modellering av et scenario som blir p˚avirket av trafikkmengden i rushtiden, s˚a vil funksjonentimemodellen være mer nøyaktig. Da vil periodene i døgnet fordeles og beregnes slik (Levin et al., 2015):
• Rush (06:00-09:00 og 15:00-18:00), kapasitetsavhengig nettfordeling for hver enkelt- time og kryssforsinkelser tilpasset rushtiden.
• Lavtrafikk (09:00-15:00 og 18:00-06:00) kapasitetsuavhengig nettfordeling og kryss- forsinkelser tilpasset lavtrafikkstiden.
Den kapasitetsavhengige nettfordelingen belaster vegnettet med metodenIncremental Loa- ding. Denne metoden finner tilnærmet likevekt ved ˚a dele OD-matrisene inn i mindre an- deler og fordeler de ´en etter ´en, samtidig som reisetiden i nettverket øker p˚a grunn av belastningen. Dette øker ulempene for rutene, og andre rutevalg med mindre belastning kan bli bedre alternativer (Tørset, 2015).
RTM beregner reisetid ved ˚a summere tidsbruk gjennom lenker og noder mellom OD- par. Lenker er linjeelementer som representerer vegstrekk, og noder er punkter som kan representere et vegkryss eller et bindepunkt mellom to ulike lenker. P˚a lenkene vil det være to faktorer som p˚avirker tidsbruken. Den første er geometrisk utforming av vegen og den andre er trafikkniv˚aet. De nodene som representerer kryss gir et tillegg i reisetid som er en
følge av enten kun geometrisk reisetid eller geometrisk reisetid med forsinkelse p˚a grunn av trafikk. Den geometriske reisetiden i kryss er en følge av retardasjon inn i krysset, lavere hastighet gjennom svingebevegelsen, og akselerasjon ut av krysset.
2.2.3 Beregning av tidsbruk p˚ a lenkene
I RTM blir hastighet p˚a lenkene beregnet p˚a bakgrunn av den geometriske utformingen av vegen og trafikkbelastningen. For RTM versjon 4 ble metodene oppdatert gjennom prosjek- tet Kjøretøybasert beregning av fart energi og utslipp(Hjelkrem et al., 2017). Det ble brukt logget data i fra Statens Vegvesens kjøretøy til ˚a estimere hastighetsreduksjon p˚a ulike veg- typer. Hastighet som følge av den geometriske utformingen er utenfor oppgavens omfang, og vil ikke blir beskrevet som en del av den grunnleggende teorien. Dette er bestemt fordi nettverket best˚ar av rette veger uten høydeforskjeller, og den endringen i hastighet som følge av geometri er neglisjerbart. Denne antagelsen ble testet ved ˚a utføre en eksport fra TNExt av Prinsensgate i Trondheim. Testen viste at lenken ikke fikk hastighetsreduksjon som følge av den geometriske utformingen. Hastighetsreduksjon som følge av trafikkmeng- de vil derimot beskrives videre.
Det er ikke mulig for RTM ˚a lese inn to ulike hastigheter med samme trafikkvolum, og tradisjonelle volum-hastighetskurver fra makroskopisk trafikkteori kan dermed ikke brukes direkte. Hjelkrem et al. (2017) har heller definert ulike kurver for situasjoner med og uten sammenbrudd i trafikken, med utgangspunkt i diagrammer slik som i figur 2.1.
Punktm˚alingene uten sammenbrudd blir representert som en andregradspolynom, med formen:
Hastighet =a+bx+cx2
Punktm˚alingene med sammenbrudd blir representert med formen:
Hastighet =Ceax Der:
• a, b,cogCer verdier som er satt for˚aoppn˚akorrelanse mellom annengradsfunksjonen og punktm˚alingene for den aktuelle vegtypen. Tabell 2.1 viser verdiene for ulike vegtyper.
• x er antall kjøretøy som passerer tellepunktet p˚a fem minutter.
Tabell 2.1: Oversikt over parametere som tilpasser volum-hastighetsfunksjonene for de ulike vegtypene.a,b,cogC er fastsatt for de ulike vegtypene.xer antall kjøretøy p˚a lenken per hvert 5 min.ω er en parameter som definerer farten ved sammenbrudd.V l,X50/µog σ er parametere som beskriver sannsynligheten for sammenbrudd.
Volum-hastighetskurver for de ulike vegtypene vises i figur 2.3. Ved at datagrunnlaget for volum-hastighetskurvene er reell logging av kjøreadferd, s˚a inkluderes elementer som p˚avirker adferden (Hjelkrem et al., 2017). Dermed vil m˚alingene være p˚avirket av hastig- hetsreduserende elementer og støy slik som buss, syklister og fotgjengere. Det er antatt at hastigheten ved sammenbrudd vil være lik uavhengig av opprinnelig fartsgrense. Mo- dellen beregner sannsynligheten for sammenbrudd basert p˚a trafikkm˚alingene som ligger til grunn for kurvene. Om sannsynligheten for sammenbrudd er over 50 %, s˚a antas det sammenbrudd i hastighetsberegningen.
Figur 2.3: Kurver for hastighetsreduksjon som følge av trafikkmengde. Grafene viser til volum- hastighetskurvene for 2-feltsveger (1#2) og 4-feltsveger (1#2#3#4), med tilhørende hastigheter.
Den røde linja viser hastighet ved sammenbrudd.
2.2.4 Beregning av tidsbruk gjennom kryss
Reisetid gjennom et kryss i RTM-nettverket er forh˚andsdefinert for alle mulige svingebeve- gelser gjennom krysset. RTM produserer egne filer som definerer mulige svingebevegelser (fra og til omliggende lenker) og det antallet sekunder man forventer at svingebevegelsen vil tilsvare. Malmin (2015) beskriver at høyresving, rett frem og venstresving blir identifi- sert ved ˚a se p˚a vinkelendring mellom de omliggende lenkene og den definerte krysstypen.
Krysstypene som RTM skiller mellom er:
• X-kryss
• T-kryss
• Lyskryss (spesialtilfelle av X-kryss)
• Rundkjøring (spesialtilfalle av en rekke med T-kryss)
Tidsbruk for svingebevegelsene er fastsatt ved empiriske m˚alinger, og er beskrevet i rap- portenData og metoder for modellering av biltrafikkens fart i transportmodeller. Datasettet om ble brukt til ˚a beregne tidsbruk for svingebevegelsene besto av over 7000 turer (Levin et al., 2015). Rapporten definerer tidsbruk gjennom kryss for geometrisk svingebevegelse og for forsinkelse ved p˚avirkning av annen trafikk. Den fastsatte tidsbruken er satt for ˚a inkludere retardasjon inn i krysset, lav hastighet gjennom krysset og akselerasjon ut av krysset. Tidsverdiene er faste og uavhengig av fartsgrensen p˚a omliggende lenker.
Geometrisk forsinkelse i kryss
I lavtrafikk-perioder er tidsbruk gjennom kryss antatt som kun p˚avirket av den geometriske svingebevegelsen, og tilsvarer dermed friflyt-hastighet gjennom krysset. Rapporten til Levin et al. (2015) kom frem til resultatene som er vist i tabell 2.2 og 2.3. M˚alingene av tidsbruk gjennom krysset som ble gjennomført i forsøket kan se ut til ˚a dels være berørt av annen trafikk. Derfor ble det anbefalt ˚a bruke nedre 25 prosent av datasettet for ˚a inkludere minimumsforsinkelsen.
Tabell 2.2: Forsinkelse i sekunder gjennom kryss uavhengig av vikepliktsforhold i lavtrafikk (Gr˚att felt = anbefalt brukt) (Levin et al., 2015).
Tabell 2.3:Forsinkelse i sekunder gjennom kryss i lavtrafikk avhengig av vikepliktsforhold (Gr˚att felt = anbefalt brukt) (Levin et al., 2015).
Trafikkrelaterte forsinkelser i kryss
I rushtiden vil RTM se p˚a forsinkelser gjennom kryss med p˚avirkning av annen trafikk.
Rapporten til (Levin et al., 2015) understreker at man til tider kan oppleve langt større forsinkelser i rushtrafikken enn det som er ansl˚att i tabell 2.4 og 2.5. Dette er p˚a grunnlag av at rushperioden er definert som et lenger tidsintervall enn det man ser i de fleste norske byer. For den timen med mest trafikk kan man dermed ansl˚a mer forsinkelse enn verdiene som brukes per i dag.
Tidsverdiene beskriver ikke retningen i trafikken med forsinkelsen. Dette er til tross for at rushtrafikk som regel oppst˚ar p˚a grunn av trafikk inn mot byen om morgenen og ut av byen om ettermiddagen.
Tabell 2.4: Forsinkelse i sekunder gjennom kryss uavhengig av vikepliktsforhold i rushtrafikk (Gr˚att felt = anbefalt brukt) (Levin et al., 2015).
Tabell 2.5: Forsinkelse i sekunder gjennom kryss i rushtrafikk avhengig av vikepliktsforhold (Gr˚att felt = anbefalt brukt) (Levin et al., 2015).
2.2.5 Innebygde funksjoner i Cube
Nedenfor beskrives de innebygde funksjonen i Cube som er brukt for ˚a gjenskape en mini- versjon av nettfordelingen til RTM. Forklaringene baseres p˚a brukerveiledningen som er vedlagt i programvaren til Cube.
Matrix
Matrix behandler og oppretter nye matriser med egendefinerte operasjoner. Typisk vil man kunne bruke matriser og sonedata som inndata, og produsere nye matriser som resultat.
Network
Network behandler nettverk og kartdata slik at de f˚ar riktig format for videre bruk i Cube.
Network-applikasjon behandler data gjennom fire faser:
• INPUT-fasen er nødvendig for alle nettverk med geografisk informasjon. Her leses nettverket og det identifiseres hvilke kolonner som har informasjon om lenkene i nettverket. En del av forarbeidet er kontroll av data, og retting av enkle feil. Andre oppgaver, slik som ˚a gi nye nodetall, kan ogs˚a spesifiseres i INPUT-fasen.
• NODEMERGE behandler nodene fra input-filen. Her kan man manuelt legge inn kommandoer for ˚a hente ut informasjon om topologien (beskrivelse av hvordan nett- verket er koblet sammen). Eksempler p˚a informasjon er antall tilkoblede lenker til noden, antallet koblinger i hele nettverket, mm.
• LINKMERGE behandler lenkene i nettverket. Tilsvarende som med NODEMERGE, s˚a kan man gi kommandoer for topologisk informasjon. Kommandoene i NODE- MERGE gjelder for nodene, mens kommandoene for LINKMERGE gjelder lenkene.
Et eksempel p˚a en kommando er ˚a identifisere antallet noder som er tilknyttet en gitt lenke, eller antallet lenker som er tilknyttet en gitt node.
• SUMMARY etterbehandler nettverket, og man kan legge inn kommandoer for˚afinne gjennomsnittsverdier og lignende.
Highway
Highway-applikasjonen fordeler turer fra OD-matrisen p˚anettverket. Applikasjonen tar inn OD-matrise, nettverk og filer som beskriver forsinkelse i kryss og p˚a strekninger. Gjennom behandling av informasjonen s˚a vil Highway levere et belastet vegnett som utdata. Dette gjøres gjennom en rekke faser. Det er mulig for Cube ˚a beregne den kapasitetsavhengige nettfordelingen, og dette gjøres ved ˚a iterere gjennom fasene inntil nettverket har n˚add likevekt (eventuelt et bestemt kriterie). Fasene i Highway blir beskrevet nedenfor:
• SETUP kjører ved oppstarten av applikasjonen. Her vil man kunne initiere variabler og rekker.
• LINKREAD leser inn nettverket og henter inn informasjon i noder eller lenker det kan referes til senere i applikasjonen. Applikasjonen kjøres initielt etter SETUP, men ogs˚a utover i kjøringen ved kapasitetsavhengig nettfordeling.
• ILOOP itererer mellom alle sonene i nettverket. Turene fra OD-matrisen legges inn p˚a nettverket ved ˚a vurdere sett med ulike vegvalg. Alternativene for vegvalg har informasjon om trafikkvolum, avstand, med mer.
• ADJUST tilpasser reisetiden og reisekostnaden basert p˚a trafikkbelastningen p˚a veg- nettet. Dette blir gjort ved ˚a iterere over alle lenkene. ADJUST er nyttig for ˚a n˚a likevekt slik som definert av Wardrop (Ort´uzar and Willumsen, 2011). Da minime- res den akkumulerte reisekostnaden i nettverket slik at ingen førere er tjent med ˚a bytte rutevalg. RTM bruker n˚a likevektsprinsippet omtalt som Incremental Loading (Tørset, 2015), som finner likevekt tilnærmet lik definisjonen til Wardrop.
• CONVERGE følger ADJUST ved hver iterasjon. Den sjekker om flere iterasjoner er nødvendige, eller om nettfordelingen har n˚add konvergens. Dersom det er nødvendig med flere iterasjoner, s˚a kjøres fasene om igjen med utgangspunkt i oppdatert tids- bruk p˚a lenkene
2.3 Reisetidsberegningen i Aimsun
2.3.1 Modelloppbygningen til Aimsun
En modell i Aimsun bygges opp av veglenker, kryssløsninger (noder), og sentroider i ende- punktene til vegnettet. Lenker er bygd opp med informasjon om lenketype, kapasitet og plassering av eventuelle busstopp, bomring, med mer. Nodene er bindepunkt mellom ulike lenker, og svingebevegelser defineres manuelt. Sentroidene produserer trafikk og kan b˚ade være en kilde til eller en destinasjon for kjøretøy i nettverket dersom trafikk defineres med OD-matriser. En enkel illustrasjon av de grunnleggende elementene sees i figur 2.4.
Figur 2.4: Eksempel p˚a en nettverksmodell i Aimsun (TSS, 2014)
Beregningsgangen i Aimsun er en iterasjon som gjentas for hvert tidssteg i simuleringen.
Hver iterasjon g˚ar gjennom elementer i nettverket og oppdaterer alle kjøretøy. Før iterasjo- nen avsluttes s˚a genereres nye kjøretøy som ankommer nettverket og data fra simuleringen lagres (TSS, 2014).
Kjøretøy i modellen er delt inn i ulike klasser med forskjellige egenskaper som fordeles stokastisk. Disse egenskapene beskriver blant annet ønsket hastighet, størrelse, form p˚a kjøretøyet og makshastighet. Hvert enkelt kjøretøy kan kalles for en agent og har en indi- viduell sammensetning av egenskaper. Hvilke faktorer som definerer bevegelsen til agentene
varierer avhengig av hvilken del av nettverket de befinner seg i.
Reisetid gjennom nettverket er tiden det tar fra en agent ankommer i nettverket, i fra- noden, til den forlater nettverket i til-noden. Forsinkelse oppst˚ar n˚ar det er avvik fra tidsbruk ved friflyt og den i simulerte reisetiden (TSS, 2014). De innebygde modellene som beskrives videre er de med mest relevans for simulering i Aimsun-modellen i oppgaven.
P˚a veglenker er dette car-following, og i kryss er dette med tidsluke, svingebevegelser og reaksjonstid ved stopp og i trafikkslys. Siden nettverket som er bygd i oppgaven kun har ett felt for hver kjøreretning, s˚a blir ikke modellene for valg av felt beskrevet nærmere. I by s˚a vil den største andelen forsinkelse være i kryss hvor kjøretøy med forskjellige svinge- bevegelser havner i konflikt. Dersom agenter ankommer raskere enn de beveger seg inn i krysset vil det akkumuleres kø inn mot krysset. I køen vil agentene bevege seg med mo- dellen for car-following, og førstemann i køen baserer adferden p˚a modellen for tidsluke.
Ved at Aimsun kan vurdere tilbakeblokkering med kø, s˚a vil køens utstrekning kunne gi forsinkelse p˚a tilknyttede lenker oppstrøms i nettverket.
2.3.2 Hastighetsberegning p˚ a lenker
Car-following
Car-following i Aimsun er en videreutvikling av Gipps mikroskopiske trafikkbeskrivelse (Gipps (1981) og Gipps (1986)). Responsen er et resultat av enten hva ønsket hastighet er eller hva en trygg hastighet er for ˚a unng˚a kollisjon med bilen foran. Dette beregnes ved ˚a først beregne ønsket hastighet, som gjøres ved bruk av informasjon om n˚aværende hastighet, maksimum akselerasjon, reaksjonstid, ønsket hastighet p˚a lenken (inkludert vur- dering av hastighetsreduksjon for geometrisk urforming). Dersom hastighetsberegningen for
˚a unng˚a kollisjon viser seg ˚a gi en lavere hastighet enn ønsket, s˚a reduseres hastigheten deretter. Hastighet for ˚a unng˚a kollisjon bruker informasjon om maks retardasjon, ønsket retardasjon, kjøretøyenes hastighet og den relative posisjonen til kjøretøyene (TSS, 2014).
2.3.3 Bevegelse gjennom kryss
Tidslukemodell (vikepliktsadferd)
Tidsluke-modellen beregner om en agent med vikeplikt vil kjøre inn i et kryss basert p˚a tidsluken til ankomst av kjøretøy med forkjørsrett. Hastighet gjennom svingebevegelsen forenkles til friflyts-hastighet som er tilpasset til svingebeveglsen. Modellen tar høyde for et eventuelt kollisjonspunkt, og de involverte kjøretøyenes hastighet og akselerasjon. Agentens krav til tidsluke er ogs˚a p˚avirket av hvor lenge den har ventet p˚a ˚a tre inn i krysset.
Dermed vil en agent som har ventet lenge bli mer aggressiv. Iterasjonen som p˚ag˚ar i en tidslukemodell beskrives nedenfor og med figur 2.5 (TSS, 2014):
1. Leser inn nærmeste kjøretøy med forkjørsrett (VEHP) 2. Bestemmer kollisjonspunktet (TCP)
3. Beregner tiden (TP1) VEHY bruker p˚a˚a n˚a kollisjonspunktet 4. Beregner tiden (ETP1) VEHP bruker p˚a˚a n˚a kollisjonspunktet
5. Beregner nødvendig tid (TP2) for at VEHY skal passere kollisjonspunktet.
6. Beregner nødvendig tid (ETP2) for at VEHP skal passere krysset.
7. Dersom TP2 (pluss sikkerhetsmargin) er mindre enn ETP1, s˚a vil VEHY kjøre inn i krysset.
8. Hvis ikke, dersom ETP2 (pluss sikkerhetsmargin) er mindre enn TP1, s˚a vil VEHP ha passert innen VEHY ankommer krysset og iterasjonen begynner p˚a nytt med ˚a vurdere det neste nærmest kjøretøyet.
9. Hvis ikke m˚a VEHY vike.
Figur 2.5: Illustrasjon av verdier i Aimsuns tidslukemodell (TSS, 2014)
Gjennom svingebevegelsen i krysset s˚a beregnes hastigheten, V ved følgende formel:
V =qgRmeanft
Der:
• g er gravitasjonens akselerasjon lik 127,
• Rmean er gjennomsnittlig radius gjennom svingebevegelsen og
• ft er fiksjonskoeffisienten lik 0,9.
For korte svinger p˚a mindre enn 5 meter, eller med svingevinkel mindre enn 10 grader, s˚a tilpasser Aimsun hastigheten for ˚a unng˚a for lav hastighetsberegning.
2.3.4 Parametere som p˚ avirker reisetiden
Reaksjonstid
Reaksjonstid er tiden en sj˚afør bruker p˚a ˚a oppfatte endring i hastighet til bilen foran.
Brukeren av Aimsun kan velge om denne skal være fastsatt, eller være stokastisk fordelt for alle kjøretøy med et brukerdefinert gjennomsnitt. Det defineres egne parametere for reaksjonstid ved stopp og ved lyskryss, som vil gjelde n˚ar kjøretøyet har stoppet opp, enten som følge av henholdsvis annen trafikk eller lyskryss (TSS, 2014). Standardinnstillingene for disse parameterne er fastsatt som:
• Reaksjonstid: 0,8 sekunder (samme som simulerings-skrittet)
• Reaksjonstid ved stopp: 1,2 sekunder
• Reaksjonstid ved lyskryss: 1,6 sekunder
Kjøretøyegenskaper
Trafikkavviklingen i et vegnett p˚avirkes av egenskapene til sj˚aførene. Smidigere sj˚afører som raskt oppfatter situasjoner, ligger tettere til andre biler og som raskere tilpasser farten vil kreve mindre areal. Dette vil øke kapasiteten, og antallet kjøretøy som kan passere gjen- nom et snitt i vegnettet øker. Dersom et vegnett har kapasitetsproblemer s˚a vil smidigere sj˚afører gi bedre trafikkavvikling og lavere reisetid. Nedenfor listes kjøretøy-parametere som p˚avirker reisetiden i Aimsun (TSS, 2014). Listen ekskluderer parametere som kun p˚avirker vegnett med flere felt i hver kjøreretning, da dette ikke er relevant for oppgaven.
• størrelse: bredde og lengde p˚a kjøretøy. Større kjøretøy krever mer plass, noe som gir lavere kapasitet p˚a vegnettet
• maksimum ønsket hastighet: den foretrukne hastighet sj˚aføren ønsker ˚a ha n˚ar for- holdene tillater det. Dersom et vegnett tillatter friflyt s˚a vil den ønskede hastigheten p˚avirke reisetiden.
• akselerasjon: Verdier for maksimum, foretrukket, og retardasjon som brukes i car- following. Ved ˚a ha bedre evne til ˚a akselerere kan en sj˚afør tillate kortere avstand mellom kjøretøy.
• maksimum vike-tid (engelsk: yield time): tiden et kjøretøy aksepterer ˚a vente før tidsluken er redusert til minimum tidsluke. Ved lav maksimum vike-tid s˚a vil en sj˚afør raskere bli ut˚almodig og presse seg inn i en mindre tidsluke.
2.4 Muligheter for uttak av resultater i RTM og Aimsun
Aimsun sine resultater er avhengig av hvilke innstillinger som settes for modellkjøringen.
Typisk vil man kunne ta ut data som hastighet, tidsbruk og kølengde. Hastigheten til kjøretøy p˚avirkes av en rekke faktorer gjennom hele nettverket, og man kan ikke direkte skille utforsinkelse fra kryss ogforsinkelse grunnet tetthet i kjørefelt. RTM sine resultater er derimot forenklet til lenkehastighet og tidsbruk gjennom svingebevegelser.
For ˚a ta ut resultater med form˚al om ˚a kunne sammenligne modellene er det interessant
˚a identifisere hvilken andel av reisetiden som tilhører hvilke elementer i nettverket. RTM beskriver forsinkelse p˚a lenkene ved kapasitetsavhengig nettfordeling. Tidsbruk gjennom kryss varierer i og utenfor rushtiden, men modellen beregner ikke varierende kryssforsin- kelse som følge av trafikkmengde. Aimsun har en annen tilnærming der kjøretøy som skal gjennom et kryss st˚ar i kø dersom avviklingen ikke er raskere enn kjøretøy ankommer krysset. I og med at kjøretøy befinner seg p˚a lenkene n˚ar de st˚ar i kø, s˚a vil forsinkelsen hovedsakelig befinne seg p˚a lenkene, selvom det er en følge av krysset. Tidsbruk p˚a svinge- bevegelsene gjennom kryssarealet er noe p˚avirket av trafikkmengden, men vil variere langt mindre enn tidsbruk p˚a lenken inn mot krysset.
Den enkleste sammenligningen av reisetid vil være mellom OD-par i modellene, og OD- paret som er i hvert sitt endepunkt av gjennomfartsvegen vil kunne sammenlignes direkte.
Ulempen ved dette er at resultatet ikke nødvendigvis nyanserer virkningen av du ulike krysstypene. For ˚a diskutere beregningsforskjeller i RTM og Aimsun som følge av en rekke av den samme krysstype p˚a rad, s˚a vil det være en fordel ˚a kunne beskrive de ulike kryssene uavhengig av hverandre. Dette vil kreve forenklinger og databehandling av dekomponerte reisetider fra Aimsun.
Reisetidsbeskrivelsen til Aimsun, der tidsbruken befinner seg p˚alenkene som følge av kryss,
er en langt mer reell beskrivelse enn versjonen til RTM. Denne egenskapen g˚ar en glipp av ved ˚a presse resultatene fra Aimsun inn i et format som passer RTM. S˚ann sett vil de mest interessante resultatene vise til summen av tidsbruk p˚a lenker og svingebevegelser, som representerer resulterende tidsbruk gjennom nettverket.
Kapittel 3
Metode
Metodekapittelet g˚ar gjennom arbeidet som er utført og understreker hvilke antakelser og forenklinger som er gjort. Form˚alet med forklaringene er at resultatene skal være etter- prøvbare. Del 3.1 beskriver strategi og hovedresultatene i fra litteratursøket. Videre i 3.2 s˚a beskrives prinsippet som ligger i grunn for modelleringen og felles valg for RTM og Aimsun.
Del 3.3 og 3.4 gir en kronologisk beskrivelse av arbeidet som ble utført i henholdsvis Cu- be (inkludert TNExt) og Aimsun. Kapittelet avslutter med ˚a beskrive rammeverket for hvordan behandlingen av resultatene er gjennomført for ˚a kunne vurdere de beregnede reisetidene til RTM basert p˚a Aimsun.
3.1 Strategi for litteratursøk
Strategien har vært ˚a finne litteratur som er p˚alitelig og oppdatert for utviklingen i fag- feltet. Prosjektoppgaven var et forberede arbeid for masteroppgaven. Der ble det gjort et grundig arbeid med ˚a kartlegge forskning som har jobbet mot ˚a gi bedre reisetidsbereging ved trengsel, og i hvilken grad dette har blitt brukt for strategiske transportmodeller.
Søk etter litteratur ble gjort i Universitetsbiblioteket til NTNU. M˚alet var ˚a finne litteratur som ser p˚a b˚ade mikroskopisk og makroskopisk trafikkflyt, enten for sammenligning eller for kobling av metodene. Da ble følgende ord brukt i søksfeltet:
• micro/macro/meso, simulation
• delay, strategic model
• travel time, congestion
• coupling, micro/meso, macro/demand/strategic
Til tross for et m˚alrettet forsøk s˚a har det ikke blitt funnet litteratur som sammenligner beregnede reisetider med makroskopiske og mikroskopiske beregningsprinsipper. Det sam- me gjelder for søking etter eksempler p˚a bruk av mikroskopiske beregningsprinsipper for etterspørselsmodeller, med unntak av koblingen i IHOP2-prosjektet som ble gjennomført av Canella et al. (2016). Søket inkluderte leting blant bibliografien til aktuelle funn, og da spesielt etter referanser for uttalelsen om at mikroskopisk reisetidsbeskrivelse gir bedre resultater.
For ˚a belyse problemstillingen har det i stor grad vært bruk av rapporter fra fagmiljøet innen transportplanlegging. Litteratur som har egnet seg for oppgaven har vært begrenset av flere grunner. For det første har det ikke lyktes ˚a finne forskning som undersøker hvor- dan den beregnede reisetiden varierer mellom mikroskopiske og makroskopiske modeller.
Samtidig har det vært et bevisst forhold til at litteratur som beskriver RTM og Aimsun er skrevet av enten utviklere av modellen eller av fagfolk p˚a oppdrag av eierene av modellen.
Dette skaper en interessekonflikt som muligens kan svekke innholdet i litteraturen. For ˚a vurdere funksjonene i RTM er en utfordring at det ikke er internasjonal praksis ˚a publisere dokumentasjon for ulike strategiske modeller. Dermed har Modelling Transport (Ort´uzar and Willumsen, 2011) vært verdifull for ˚a undersøke ulike funksjoner innen strategiske mo- deller. Aimsun er beskrevet i Fundamentals of Traffic Simulation (Barcel´o, 2010). Selvom kapittelet som beskriver Aimsun er skrevet av en som er ansatt av TSS, s˚a kan det sees p˚a som en styrke at boka er utgitt av noen som er uavhengig av TSS.
Brukermanualen til Aimsun (TSS, 2014) er innebygd i Aimsun-programvaren og har veile- det arbeidet. Brukermanualen beskriver fremgangen for hvordan ˚a bygge er modell, samt en beskrivelse av mulige funksjoner som kan legges inn. Aimsun-modell for Trondheim av Stridh and Strøm (2017) har vært en god kilde for ˚a se et eksempel av en modelletablering i praksis. Den inneholder beskrivelse parametere som har blitt tilpasset, og resultater av kalibrerings- og valideringsprosessen.
