Resume Artikel: Memperkirakan Permintaan Lalu Lintas dari Berbagai Moda Transportasi Menggunakan Data Ponsel Cerdas Mengambang

Abstrak

    Permintaan lalu lintas sangat penting untuk perencanaan lalu lintas, membantu memahami volume lalu lintas, mengidentifikasi titik kemacetan, dan mengembangkan strategi untuk transportasi yang efisien dan berkelanjutan. Makalah ini memperkenalkan metode untuk memperkirakan matriks asal-tujuan untuk pengemudi, pengendara sepeda, dan pejalan kaki menggunakan data telepon pintar mengambang dan model minimisasi informasi (FSD). FSD digunakan dalam model gravitasi untuk memberikan masukan yang lebih akurat untuk model IM (model minimalisasi informasi) dengan memperkirakan matriks apriori dan permintaan lalu lintas di persimpangan.

Latar Belakang

Secara keseluruhan, permintaan lalu lintas sangat penting untuk merencanakan sistem transportasi yang efektif dan efisien yang memenuhi kebutuhan mobilitas area studi. Para peneliti berusaha untuk mencapai estimasi permintaan lalu lintas yang andal dan mengembangkan model yang dapat mengenali berbagai jenis permintaan lalu lintas. Model gravitasi, dan minimalisasi informasi, adalah dua model dasar yang umum digunakan untuk memperkirakan permintaan lalu lintas. GM memperkirakan permintaan antara setiap pasangan zona lalu lintas menurut ukuran daya tarik, seperti perjalanan

Data mengambang merupakan sumber informasi berharga yang dapat meningkatkan efisiensi proses estimasi dan meningkatkan kualitas keluaran. Data tersebut berisi informasi posisi perangkat aktif. Berbagai jenis data mengambang dapat digunakan untuk berbagai aplikasi. Misalnya, data mobil mengambang dikumpulkan dari kendaraan yang dilengkapi dengan perangkat GPS aktif, yang juga dikenal sebagai kendaraan probe. Setiap rekaman data berisi koordinat geografis, stempel waktu, dan ID perangkat unik.

FCD dapat digunakan untuk memperoleh matriks awal seperti dalam memperkirakan proporsi pilihan rute. FPD ke jaringan transportasi dan matriks OD yang diturunkan untuk sarana transportasi pribadi dan umum. Namun, akurasi posisi data mereka berkisar dari 200 meter hingga 30 kilometer, yang secara signifikan lebih rendah daripada akurasi lokasi data GPS. Berbeda dengan FPD, data telepon pintar mengambang berisi informasi geografis yang akurat dari perangkat aktif yang diwakili oleh koordinat GPS dan stampel waktu yang menggunakanalgoritma aproksimasi stokastikuntuk mengkalibrasi matriks OD untuk mobil pribadi dan bus umum menggunakan simulator berbasis agen SimMobility.

 

Metodologi

Model IM (minimalisasi informasi) secara umum cocok untuk estimasi permintaan dalam jaringan dengan volume lalu lintas rendah, dimana proporsi pilihan rute tidak bergantung pada kuantitas matriks dan dapat ditentukan tanpa mengetahui matriks yang sesuai. Kurangnya parameter kalibrasi dalam model IM membuat kami percaya bahwa model tersebut dapat memperkirakan permintaan untuk berbagai moda transportasi jika data masukan yang diperlukan tersedia.

Kerangka Kerja untuk Memperkirakan Matriks OD

Data telepon pintar mengambang

FSD dapat dikumpulkan dari ponsel dengan modul GPS aktif dan metode transmisi data. Jika yang terakhir tidak tersedia, dapat dihitung menggunakan data stempel waktu dan koordinat yang tersedia. Laju pengambilan sampel dari pengumpulan data adalah 1–3 detik dengan variasi minimal.

Hal ini dapat terjadi karena orang menonaktifkan modul GPS atau transmisi data pada perangkat mereka atau menolak untuk membagikan data mereka. Selain itu, jumlah data yang dikumpulkan bergantung pada penyedia data dan kerja samanya dengan pengembang aplikasi. Untuk mengatasi masalah ini dan mengurangi bias yang dapat ditimbulkannya, kami melakukan proses agregasi data berdasarkan waktu. Kami menggabungkan tiga bulan FSD, tetapi hanya mempertimbangkan kondisi waktu saat data penghitungan dan kebenaran dasar dikumpulkan.

  

Kesimpulan

Penelitian ini mengusulkan metodeuntuk memperkirakan matriks OD untuk berbagai moda transportasi pribadimenggunakan FSD. Hasil studi lapangan menunjukkan bahwa metode tersebut dapat memperkirakan permintaan untuk berbagai sistem transportasi. Satu-satunya pengecualian adalah estimasi permintaan mobil untuk relasi 1–6, yang memiliki nilai GEH yang tidak memuaskan. Secara keseluruhan, akurasi estimasi rata-rata dalam studi lapangan konsisten dengan nilai akurasi rata-rata yang diharapkan dalam studi simulasi.

Sementara hasil spesifik moda dari studi lapangan tidak benar-benar berada dalam rentang hasil prediksi studi simulasi, penurunan akurasi estimasi tidak melebihi 7%. PR FSD memiliki dampak signifikan pada akurasi estimasi, khususnya untuk moda transportasi dengan nilai permintaan tinggi. Akurasi estimasi moda mobil meningkat secara signifikan saat nilai PR meningkat dari 0% menjadi 5%. SD yang tinggi dalam PR mengakibatkan penurunan kualitas estimasi untuk moda sepeda.

Selain itu, tidak adanya perjalanan berjalan kaki mencegah estimasi permintaan untuk moda berjalan kaki. Kami merekomendasikan bahwa penelitian di masa mendatang harus mempertimbangkan penggunaan FSD dari penyedia lain dan menggabungkan kumpulan data dari sumber yang berbeda untuk mengatasi keterbatasan yang disebutkan di atas.