Teoría de la micro simulación
Prof. MSc Felix I. Cabrera
F. Cabrera PUCP 2015-0
Software de Micro simulación
SIMTRAFFIC PARAMICS
VISSIM
AIMSUN
F. Cabrera PUCP 2015-0
Micro simulación
Ej. De Proceso Inadecuado
Creación de la red Uso del software
1 sola corrida del modelo
Se niega su origen estocástico
Obtención de parámetros de eficiencia Demora promedio = 24 seg.
Niveles de servicio LOS = C (intersección semáforo.)
Micro simulación
Video: Uso inadecuado de Vissim. wmv
F. Cabrera PUCP 2015-0
Número semilla y parámetros que determina
Cadena para seleccionar los parámetros de la simulación
Demora
Número # Aleatorio Función
semilla U(0,1) inversa Velocidad,
etc.
F. Cabrera PUCP 2015-0
#semilla
PUCP: F. Cabrera 2015
Arribos - tipo de vehículo y tipo de conductor
Número
h=2 h=3 h=1 h = 2.5 MOE1
semilla
1
agresivo gentil agresivo
gentil
h=1 h=1 h=3 h=4 MOE2
agresivo
agresivo agresivo gentil
F. Cabrera PUCP 2015-0
Número semilla y parámetros que determina
Video: Efecto del número semilla. wmv
F. Cabrera PUCP 2015-0
Efecto del número semilla
Cola - San José
Número semilla 9
Se corre el modelo y se obtiene una longitud de cola de 76 metros en la
calle San José.
F. Cabrera PUCP 2015-0
Efecto del número semilla
37
Cola - San José
Número semilla 37
Se corre el modelo y se obtiene una longitud de cola de 90 metros en la
calle San José.
F. Cabrera PUCP 2015-0
Efecto del número semilla
Longitudes de cola
en calle San José
82 80 84 82
83 83 84 83
81 84 83 86
82 84 87 81
91 84 85 83
de 1 a 40 82 84 86 84
84 86 80 90
84 83 87 85
76 84 89 84
86 83 86 83
F. Cabrera PUCP 2015-0
Efecto del número semilla
F. Cabrera PUCP 2015-0
Múltiples corridas
¿ Cuántas veces se debe correr el programa?
• Debe reconocerse que en los proyectos se trabaja con
muestras pequeñas y se requiere de la estadística.
• Para determinar el número de corridas mínimas es necesario
seleccionar un nivel de confiabilidad.
F. Cabrera PUCP 2015-0
Pocas corridas del modelo.
FHWA (2004) recomienda 4
Estimar la desviación estándar
Seleccionar el intervalo de
confianza y su amplitud
Calcular el número mínimo de
repeticiones
Las corridas
Si
ejecutadas
fueron
mayores al
No mínimo?
Repeticiones
adicionales Fin
F. Cabrera PUCP 2015-0
Múltiples corridas
S: desviación estándar
x: resultado de corrida individual
x: media de los resultados
N: número de corridas
C: amplitud del intervalo de confianza
t (α/2): t- students (two sided error)
con N-1 grados de libertad
N: número de corridas
S: desviación estándar
PUCP: F. Cabrera 2015
Estadística Inferencial: t student
F. Cabrera PUCP 2015-0
Múltiples corridas
Hallar el número mínimo de repeticiones necesarias para
estimar la longitud de cola promedio en un carril de la Av.
Balta con el 95% de confiabilidad. La amplitud del intervalo
de confianza seleccionado es 2 (margen de error = 1).
¿Se corre el programa 4 veces?
Longitudes de cola = 56, 60, 58, 59 m.
S = 1.707
¿Se corre el programa 10 veces?
Longitudes de cola = 56, 60, 58, 59, 62, 59, 61, 59, 59, 60
m.
S = 1.636
F. Cabrera PUCP 2015-0
Múltiples corridas
¿Se corre el programa 12 veces?
Longitudes de cola = 56, 60, 58, 59, 62, 59, 61, 59, 59, 60, 59, 59 m
S = 1.484
¿Se corre el programa 20 veces?
¿Se corre el programa 70 veces?
¿Se corre el programa 100 veces?
F. Cabrera PUCP 2015-0
Múltiples corridas
F. Cabrera PUCP 2015-0
Múltiples corridas
F. Cabrera PUCP 2015-0
Mecanismo de actualización del modelo
Intervalos fijos
X=? X=? X=? X=?
V=? V=? V=? V=?
a=? a=? a=? a=?
¿Cuanto debe ser Δt?
F. Cabrera PUCP 2015-0
Intervalos fijos
F. Cabrera PUCP 2015-0
Intervalos fijos
F. Cabrera PUCP 2015-0
Periodo de estabilización del sistema (warm up)
Video de warm up
Car following model
7.5 m
2 1
x Vo=0
Vo=0
a = 0.99 m/s2
vf = 13.2 m/s
¿Como se moverá el vehículo N° 2?
F. Cabrera PUCP 2015-0
Vehículo N°1
Vf = Vo + at X1 = X0 + Vot +0.5 at2
13.2 = 0 + 0.99t X1 = 7.5 + 0t + 0.5(0.99)t2
t = 13.33 s X1 = 7.5 + 0.495t2
X (m) Veh 1
t (s)
F. Cabrera PUCP 2015-0
Vehículo N°2
Acelero?
Velocidad cte?
Freno?
¿suposiciones?
F. Cabrera PUCP 2015-0
Vehículo N°2
Suposición
Percepción
a2 = a1 a2 = 2a1
seguimiento
Formulación matemática
F. Cabrera PUCP 2015-0
Vehículo N°2: suposición (a2 = a1)
Vf = Vo + at X2 = X0 + Vot +0.5 at2
Vf = 0 + 0.99 (13.33) X2 = 0 + 0t + 0.5(0.99)t2
Vf = 13.2 m/s X2 = 0.495t2
Veh 1
X (m)
Veh 2
t (s)
F. Cabrera PUCP 2015-0
Vehículo N° 2: suposición (a2 = 2a1)
Vf = Vo + at X2 = X0 + Vot +0.5 at2
Vf = 0 + 1.98 (13.33) X2 = 0 + 0t + 0.5(1.98)t2
Vf = 26.39 m/s X2 = 0.99t2
X (m)
Veh 2
Veh 1
t (s)
F. Cabrera PUCP 2015-0
Vehículo N°2 (P & S)
Percepción y seguimiento.
1. El vehículo 2 avanza 1 segundo después que se mueve el vehículo 1
2. El vehículo 2 tiene una aceleración de 1.2 m/s2, hasta que v2= v1.
3. Luego ambos vehículos viajan a la misma velocidad
Vehículo 2 Vehículo 1
Vf = Vo + at Vf = Vo + at
Vf = 0 + 1.2 (t-1) Vf = 0 + 0.99 (t)
Vf = 1.2 (t-1) Vf = 0.99 (t)
t = 5.71 seg
F. Cabrera PUCP 2015-0
Vehículo N°2: (P & S)
Representación matemática de las suposiciones para vehículo N°2
X2 = 0 para 0<t<1
X2 = X0 + Vot +0.5 at2
X2 = 0 + 0t + 0.5(1.2)t2
X2 = 0.6 t2 para 1<t<5.71
X2 = 19.56 + 5.65 (t-5.71) +0.495 (t-5.71)2 para 5.71<t<13.33
F. Cabrera PUCP 2015-0
Vehículo N°2: (P & S)
X (m)
4m
t (s)
F. Cabrera PUCP 2015-0
Posición relativa
[X1-X2] (m)
a2 = a1
P&S
t (s)
a2 = 2a1
F. Cabrera PUCP 2015-0
Car following models
Notaciones del modelo del seguimiento vehicular
Ln-1
N N-1
X n
X n-1
Xn = Posición del vehículo siguiente
Xn-1 = posición del vehículo precedente
Ln-1 (t) = Longitud del vehículo precedente
F. Cabrera PUCP 2015-0
Car following models
• Modelos “estímulo- respuesta”: General Motors
• Modelos de distancia segura o modelo para evitar colisiones
• Modelos psico-físicos
• etc.
F. Cabrera PUCP 2015-0
Car following models
Modelos de la General Motors
Respuesta = sensibilidad * estímulo
an (t+T) = λ [vn-1 (t) – vn (t)]
Desarrollaron 5 modelos donde cambiaba el enfoque de la sensibilidad.
F. Cabrera PUCP 2015-0
Car following models
Modelos psico - físicos
Estos modelos están basados en la suposición que un conductor
realizará una acción cuando un umbral, expresado con una función de
diferencias de velocidad y distancia, es alcanzada.
Ejemplos:
Modelo de Wiedemann – Reiter (VISSIM)
Modelo de Fritzsche (PARAMICS)
Modelo de Leutzbach
F. Cabrera PUCP 2015-0
Car following models
Modelos psico - físicos
Los cambios de distancia y velocidad son percibidos por los conductores
cuando el impulso físico excede un cierto valor mínimo, llamado umbral.
La percepción de cambio depende de que tan rápido la imagen del
vehículo precedente cambia.
Fenómeno fue estudiado por Todosiev (1963), Michaels (1965) y Hoefs
(1972)
F. Cabrera PUCP 2015-0
Car following models
Modelos psico - físicos
Ángulo de
visión
Dirección de
movimiento
F. Cabrera PUCP 2015-0
Car following models
Modelos psico - físicos
Pequeño aumento
del ángulo de
visión
Gran aumento del
ángulo de visión
F. Cabrera PUCP 2015-0
Car following models
Modelos psico - físicos
Los conductores tienen:
1. Diferentes habilidades de manejo
2. Diferentes habilidades de percepción
3. Diferentes habilidades de estimación
4. Diferentes necesidades de seguridad
5. Diferentes velocidades deseadas Parámetros aleatorios
6. Diferentes preferencias por aceleraciones y
desaceleraciones.
F. Cabrera PUCP 2015-0
Car following models
Versión modificada del modelo de Wiedemann y Reiter
• Manejo libre
• Acercamiento
• Seguimiento
• Frenado
F. Cabrera PUCP 2015-0
Car following models
Versión modificada del modelo de Wiedemann y Reiter
d= ax + (bx_add + bx_mult * Z) * √v
ax (average standstill distance): distancia promedio deseada entre vehículos
detenidos (valor por defecto 2)
bx_add (additive part of safety distance, valor por defecto 2)
bx_mult (multiplicative part of safety distance, valor por defecto 3)
Z: valor entre 0 y 1, obtenido de una distribución normal (x= 0.5 y s = 0.15)
v: velocidad (m/s)
F. Cabrera PUCP 2015-0
Car following models
Versión modificada del modelo de Wiedemann y Reiter
F. Cabrera PUCP 2015-0
Cambio de carril y aceptación de brechas
F. Cabrera PUCP 2015-0
Cambio de carril y aceptación de brechas
Para efectuar
un giro
Cambio
de carril Cambiar
se produce velocidad
Para ceder
el paso
F. Cabrera PUCP 2015-0
Cambio de carril y aceptación de brechas
1. ¿Cambio
de carril?
2. A que carril?
3. Brecha >
Brecha crítica?
F. Cabrera PUCP 2015-0
Cambio de carril y aceptación de brechas
F. Cabrera PUCP 2015-0
Recolección de datos de campo
Datos
fundamentales
Datos a
tomar en Datos para
campo calibración
No empleados
Datos para en la construcción
validación ni calibración de
la red
F. Cabrera PUCP 2015-0
Creación de la red
Cada cocinero prepara un mismo plato de manera diferente
Cada modelador tiene su propia forma de codificar la red
F. Cabrera PUCP 2015-0
Chequeo de errores
Es una etapa donde se verifica que la red que ha sido bien construida
y los datos de campo se han ingresado correctamente
Una forma adecuada de
verificar la codificación es
observando la animación
del modelo
F. Cabrera PUCP 2015-0
Chequeo de errores
Video: chequeo de errores
F. Cabrera PUCP 2015-0
Calibración
Calibración
Proceso iterativo por el cual se ajustan los
parámetros del modelo para replicar la
realidad con cierto grado de aceptación
Ajuste de
parámetros
F. Cabrera PUCP 2015-0
Calibración sin maquillaje
google sketchup
3D studio
F. Cabrera PUCP 2015-0
Calibración
Calibración
manual
1. Empleada en análisis de escala limitada.
2. Útil con pocos parámetros.
3. Permite observar el efecto de cada parámetro.
4. Muy útil en estudios tácticos sin reasignación de tráfico.
5. Usualmente 1 medida de eficiencia es empleada
F. Cabrera PUCP 2015-0
Evaluación de los parámetros por defecto
Con parámetros por defecto
De las mediciones de campo se
halló que la longitud media de
cola era 72.6 m con s = 2.26 y
n = 35
¿El modelo se considera calibrado?
F. Cabrera PUCP 2015-0
Identificación de los parámetros a calibrar
¿Cual sería un juego adecuado de parámetros para calibrar la longitud
promedio de cola en la calle San José en Chiclayo?
Standtill Additive Mult dist X
dist dist
2 2 3 82.83
0.5 1 1 60.16
1 2 3 82.08
1 2 2 79.7
1 1 2 75.66
1 1 0.5 73.4
F. Cabrera PUCP 2015-0
Identificación de los parámetros a calibrar
Mejor aproximación
Standtill Additive Mult dist X S
dist dist
1 1 0.5 73.4 2.83
F. Cabrera PUCP 2015-0
Calibración de parámetros de eficiencia
¿ La longitud promedio de cola obtenida con los parámetros 1-1-0.5 es
diferente a la longitud promedio medida en campo?
Hipótesis:
X (average length S (estándar Pvalue
queue) deviation)
Ho: u1 = u2 72.6 2.26
Ha: u1 ≠ u2 73.4 2.83 0.185
n1 = 35 n2 = 40
Intervalo de confianza para diferencia de medias: [-1.99, 0.39]
-1.99 < u1-u2 < 0.39
También, se debe comprobar que en la calle Balta la longitud de cola sea
similar a la del modelo
F. Cabrera PUCP 2015-0
Propuesta de mejora
• Emplear un ciclo de semáforo de 75 segundos con 3 fases (una exclusiva
para el desplazamiento peatonal)
• Agregar dos nuevos cruceros peatonales de acuerdo a las líneas de deseo
observadas
• Todos los cruceros deben tener lentes con contador regresivo para indicarle
al peatón el tiempo del que dispone para cruzar la vía.
• Adecuar la infraestructura a los usuarios vulnerables. Por ejemplo dotar de
Rampas para sillas de ruedas.
F. Cabrera PUCP 2015-0
Propuesta de mejora
Video Chiclayo con mejoras
F. Cabrera PUCP 2015-0
Propuesta de mejora
¿Se obtuvieron mejoras con las medidas de gestión aplicadas?
Cola promedio en calle San José
Hipótesis:
X (long cola S (desviación P-value
promedio) estándar)
Ho: u1 = u2 74 6.67
Ha: u1 > u2 55.58 7.26 0.00
