You are on page 1of 33

UNIVERZITET U BEOGRADU, SAOBRAAJNI FAKULTET

Prevod seminarskog rada


VIII poglavlje

Osnove planiranja saobraaja

Profesor: Jadranka Jovi student: Milenkovi Branko

Asistent: Ivan Ivanovi br. Indeksa: DT050212


8. Procenjivanje tabela puteva poetak destinacija i
distributivne funkcije
8.1 Ciljevi

U ranijim poglavljima ovog kursa bili su predstavljeni modeli uzroci putovanja i


distribucije putovanja, izbori ruta i modela putovanja. U okviru planiranja
transporta ovi modeli mogu biti korieni u dva naina:

-Da izraunaju trenutne putne zahteve. Trenutni putni zahtevi su prikazani u


matrici bazne godine. Vrednosti u elijama ove matrice mogu biti posmatrani ili
izvueni iz zadatih podataka. Meutim, postoji vie matrica koje bi odgovarale
zadatom setu podataka. Zato matrica bazne godine ne moze biti jedinstveno
utvrena. Ovaj fenomen nazivamo niza specifikacija. Model zato moze biti
upotrebljen da suzi set moguih reenja na jedinstveno odnosno najbolje. Ovo
nazivamo matricom procene OD-putovanja.

-Druga mogunost je prdvianje nivoa buduih zahteva. Obino ovo se radi


izvodjenjem iz parametara modela koji su kalibrisani za trenutno stanje. Primer
ovoga je, recimo, predvianje budih uzroka putovanja kao sto je na primer novo
gradilite, dok se podaci ponaanja kao to su parametri u distribuciji uzimaju kao
konstantni.

Ne mogu svi modeli biti primenjeni na oba naina. Na primer ako model sadri
mnogo parametara koji nisu prnosivi na budue mesto ili vreme, takav model je
manje pogodan za predvianje buduih zahteva putovanja.

Ovo poglavlje se primarno odnosi na problem procene modela parametra, i to:

-procene parametra u distribuciji funkcije

-prcene matrice bazne godine


Budua mrea moe biti analizirana upotrbom proirene matrice bazne godine
upotrebom faktora rasta ili upotrebom modela iji su parametri ponaanja
kalibrisani.

Abstraktni prikaz ovog modela je:

y = f ( , x)

gde je:

y vektor zavisnih promenljivih

x vektor nezavisnih promenljivih

model parametra

Procena modela znai da su parametri procenjeni upotrebom statistikih teorija i


posmatranjem x i y.

Procena matrice bazne godine ukuljuuje.

-primarnu matricu

-model distribucije puta

-distribucije funkcije Fij (ako je mogue)

-predvieni ili posmatrani broj dolaznih i odlaznih putovanja (krajevi putovanja)

-druga posmatranja kao to je recimo brojanje saobraaja

Predvianje budue OD tabele ukljuuje sledee:

-matrica bazne godine (ako je mogue)

-model distribucije putovanja

-distribucija funkcije Fij (ako je mogue)

-predvieni broj odlaznih i dolaznih putovanja (krajevi putavanja)


8.2 Tipovi podataka koji se upotrebljuju u planiranju
transporta

Razliite vrste podataka mogu da se koriste u planiranju. Sada emo


diskutovati o najvanijim izvorima podataka. Podaci, na primer, mogu poticati od
brojanja vozila ili mogu biti uvezeni iz drugih studija. Na primer iskorienjem
parametara procenjenih ranije.

-Uzroci putovanja. Uzroci putovanja (ili krajevi putovanja), to je broj putovanja


stvaranih u nekoj zoni ili namenjeni njoj. Postoje mnogi naini za njihovu procenu
(pogledati poglavlje 4).

-Bazirani na socio ekonomskim podacima. Za ovu svrhu sakupljaju se podaci socio


ekonomskog sadraja, n.p. broj ljudi koji ive u zoni, broj poslova itd. Sledei
korak je uzimanje ranije kalibrisanog modela kako bi se predvideli krajevi
putovanja. Pravi se izuzetak za specifine uzroke kao to su bolnice i aerodromi.
Broj saobraaje za ove ustanove mora biti odreen posebno.

-Drugi nain za procenu kraja putovanja, bar u Holandiji, je korienje nacionalnog


uvida u saobraaj (na holandskom: Onderzoek VerplaatsingsGedrag, OVG), zato
to je potrebna minimalna veliina uzorka, upotreba OVG za procenu kraja
putovanja je limitirana na visok nivo agregacije.

-Primar OD tabela putovanja. Primar OD tabela je tabela/matrica kojoj je potrebno


dalje unapreivanje. Naini nabavke primarne tabele su:

-upotreba stare studije

-upotreba uvidnih podataka

-upotreba modela distribucije puta

-Funkcija distribucije. Funkcija distribucije predstavlja volju nastanka putovanja


kao funkciju generalizovanih trokova putovanja. Ova funkcionalna forma definie
funkciju izuzev za par parametara. Obino je praksa uzeti funkciju distribucije za
fiksnu dok se izraunavaju zahtevi putovanja. U ovim sluajevima one se uvoze iz
drugih studija. OVG je dobar izbor podataka parametara funkcije distribucije.
Obino su funkcije distribucije procenjene posebno zbog raznih svrha putovanja,
kategorija putnika i naina putovanja.

-Brojanje automobila i putnika. To su indirektna posmatranja: ne gledaju se samo


OD elije, ve njihove kombinacije. Brojanje moze biti automatizovano
korienjem indukcionih petlji i pneumatskih cevi. Tako se dobija broj vozila koja
su prela preko odreene take.Broj putnika u javnom saobraaju moze biti
automatizovan upotrebom posebnog ureaja na pragu na ulazu u vozilo. Zahtev
upotrebe brojanja za svrhu odreivanja OD tabela je zato to su potrebne
informacije na izboru ruta. Kako ova informacija nije uvek dostupna koriste se
linije ili kordoni.

-Uvidi. Uvidi u putovanja se koriste za nabavku direktnih informacija o OD


putovanjima. Kod njihove upotrebe treba praviti razliku izmedju praznih elija i
elija sa nulom. U prvom sluaju nije bilo zahteva za posmatranjem a u drugom
nije bilo putovanja na posmatranu eliju. Ovo moe da zavisi od lokacije. Ako je
uvid organizovan tako da su pojedine elije izostavljene taj uvid nazivamo
nekompletnim.

-Uvid preko reg. Tablica. Ovo je specijalan tip uvida gde je prolaz vozila zabeleen
na nekoliko lokacija na mrei. To se obino radi manualno, ali poslednjih decenija
razvija se oprema za automatizaciju ovog zadatka. Sve take prelaska kada su
udruene prave kompletan uvid. Ovo u realnosti obino nije tako, zato to se prave
greke prilikom zabeleke registracija. Zbog ovog nedostatka obino se javljaju
neloginosti u tabelama koje moraju biti ispravljene. Na primer, kada se na
kordonima loe zabelei registracija to moe delovati kao da su napravljena dva
putovanja umesto jednog. Ovo moe dovesti do precenjivanja broja putovanja i
podcenjivanja broja putovanja kroz prouavanu oblast. Pored ispravljanja greaka
poput zamene dva znaka, dve modifikacije u eksperimentalnoj postavci su mogue
koje su namenjene redukciji loih tumaenja.

*Selekcija bazirana na tipu ili boji. Ovde su ukljuena vozila samo


odreenog tipa i boje. Ovo smanjuje prostor za greku i daje precizan uvid. Ali
javlja se prostor za novu greku ako je posmatrani kriterijum drugaije
interpretiran od drugaijeg korisnika. Zato ovo nije preporueno za OD tabele.

*Parcijalna registracija saobraajnih dozvola. U ovom sluaju posmatra se


samo par znakova, na primer poslednja dva. Ali opet se javlja novi problema dva
razliita vozila sa istim delom registracionog broja. Postoji statistika procedura za
reavanje ovih greaka.

-Posmatranje distribucije duine putovanja ili OTLD. Postoje posmatranja u


razliitim kategorijama duine. OTLD se ne sme meati sa funkcijom distribucije.
Grafik predstavlja volju pravljenja putovanja po odreenoj ceni. Prvi predstavlja
ponaanje generisanja putovanja. Javlja se greka izmedju ova dva zato to
produkcija poetnih zona i produkcija zona destinacije utie na broj putovanja
unutar kategorije posebne distance. Koliina dobijena iz OTLD je namera duine
putovanja (MTL). Ovo se dosta koristi kod procene parametara za distribuciju
putovanja.

Podaci mogu biti korieni u raznim kombinacijama prilikom procene zahteva


putovanja. U zavisnosti od dostupnih podataka i parametara koji moraju biti
procenjeni (procena distribucije funkcije, matrice bazne godine) mogu se koristiti
razliite metode. Uvid u metode dat je u tabeli 8.1.
Tabela 8.1 uvid u probleme procene

U zavisnosti od podataka mogui su razliiti pristupi. Drugi nain gledanja tabele


8.1 je prikazan na figuri 8.2. Ova figura pokazuje da razliite procedure iz tabele
8.1 mogu biti kombinovane sa novim.
Figura 8.2 prilazi za procenu matrice bazne godine i parametara u funkciji
distribucije

Primer 8.1
Uzmimo neko podruje prouavanja za koju nam treba procena matrice bazne
godine (spoljne zone nisu uzete u obzir). Dostupni su sledei podaci:

-Mreza i njene obuhvatne zone

-OVG uvid u putovanja

-Detaljni socio ekonomski podaci o podruju

-Brojanje saobraaja i broj strateki izabranih veza

Za procenu matrice mogli bi, na primer, da pratimo sledeu strategiju (pogledati


figuru 8.2)

Korak br. 1 Bazirano na OVG-u parametri generacije puta su procenjeni.


(parametri generacije puta su diskutovani u poglavlju 4). Treba napomenuti da
podaci OVG-a uzeti u ovom sluaju obuhvataju i spoljanje oblasti, sve dok
ponaanje putovanja u spoljanjim oblastima reprezentuju i ponaanje putovanja
u prouavanoj oblasti. Upotreba ovih dodatnih podataka spreava premali broj
osnovnih podataka za procenu.

Korak br.2 Upotrebom socio ekonomskih podataka prouavane oblasti I modela


generator putovanja podeenih za prvi korak napravljena je procena broja
odlazaka i dolazaka u prouavanu oblast.

Korak br.3 Bazirano na posmatranju OVG uvida u putovanja parametri


distribucije funkcije su procenjeni. Ovo se ponekad radi posebno za svaku
kategoriju svrhe putovanja i kategoriju osobe (klasa multi-korisnika)(pogledati 8.4)

Korak br.4 Krajevi putovanja su procenjeni u drugom koraku a funkcija


distribucije u trecem i kombinovani su za procenu OD matrice koja se koristi za
aproksimaciju matrice bazne godine (pogledati 8.5)

korak br.5 OD matrica procenjena u etvrtom koraku je adaptirana za brojanje


saobraaja koje je dostupno (pogledati 8.8). Dobijena matrica je matrica bazne
godine.
Kraj primera

8.3 Procena i kalibracija modela

Model predstavlja broj pretpostavki koje ujedinjene definiu relaciju izmeu


sistema promenljivih.

y = f ( , x)

Sistemske promenljve y i x su koliine pravog sveta kao to su generatori


putovanja, OD mane. Obino, deo sistemskih promenljivih moe biti posmatran,
dok na primer drugi deo (na primer OD mane) ne moe biti posmatran direktno i
mora biti procenjen upotrbom modela. Gledamo na vektor y kao na zavisnu
promenljivu , a na vektor x kao na nezavisnu. Kada koristimo kalibrisan model, z
promenljiva je njegov input a x promenljiva njegov output.

Mnogi modeli sadre jedan ili vie parametara reprezentovanih vektorom .


Parametri nemaju uvek interpretaciju pravog sveta. Kada je korien dobar
model specifikacije korien modeli parametra su prebacivi u druga podruja ili
druge vremenske okvire.To znai da ovi parametri mogu biti korieni i u drugim
studijama. Da bi mogli da napravimo koristan output zavisne promenljive y,
parametri modela koji ne mogu biti uvezeni iz druge studije moraju biti procenjeni.

Deterministiki i stohastiki modeli

Deterministiki modeli su definisani u vidu jednaina, npr. Sve ili nita model.
Stohastiki model je definisan u uslovima verovatnoe distribucije. Jednaine
modela sadre greke uslova:

y = f ( , x) +

Verovatnoa distribucije greke modela je prikazana u modelu.

Procena parametara modela korienjem kriterijuma distance


Ako je model kreiran u posebnom manir une mora da znai da su njegove relacije
tane, ali i to je blje nego nemati podatke uopte informacije statistike distribucije
greaka modela. Obino kalibracija parametra u deterministikom modelu je
bazirana na minimizaciji razlike izmeu posmatranja y i modela predvienih
vrednosti y gde je y set podataka brojanja. Ova razlika je kvantifikovana upotrbom
kriterijuma distance D(y,).

D( y, y( , x)) (8.4)
Gde je:
y = [ y1 , y2 ,...yn ] : posmatrane vrednosti
y( , x) = [y1( , x), y1( , x) yn( , x) ] : vrednosti predviene modelom
= [1 , 2 ,... k ] : parametric modela
k : broj nepoznatih parametara
n : broj posmatranja

Optimalna vrednost za koju trazimo (minimizira D) je naznaena sa ( y, x)

( y, x) argmin D( y, y( , x)) (8.5)


U izrazu argmin pokazuje vrednost koja minimizira izraz koji je prati


(D(y,(,x))). Izbor kriterijuma distance je obino inspirisan praktinim razlozima ,
kao to je lakoa integrisanja u kompjuterski program. Prave distance mera su
nenegativne a nule su samo ako su elemnti jednaki.

D (a, b) 0, a,b (8.6)

D(a,b) = 0 a=b

Neki primeri merenja distance su dati:

-najmanji kvadrat D( a, b) = (a i bi ) 2 (8.7)

-poslednji izmereni kvadrati (a i bi ) 2 (8.8)


D ( a, b) = -----
Wi
-entropija (za dve funkc. Verovatnoe) D(a, b) = a i log(a i / bi ) a i + bi (8.9)
Modeli generacije puta u sekciji 4.4 modela su regresija modela iji su parametri
procenjeni upotrebom izmerenih poslednjih kvadrata. Entropija je izmerena u
sekciji 8.7.

Procena modela maksimalne verovatnoe

Na neki nain, stohastiki modeli su bolje definisani neg deterministiki. Pored


relacije izmeu dve sistemske promenljive, funkcija verovatnoe modeliranja i
greke posmatranja su izraene. Zbog ovoga je mogua procena modela
parametara u statistikom maniru. To se zove metoda maksimalne verodostojnosti
(ML). Kada primenjujemo ML posmatrani podaci se uzimaju kao sluajna
promenljiva (RV). Ova funkcija verovatnoe moe biti izvuena iz modela, osim
za broj parametara (1, 2,...k):

Verovatnoa posluivanja y = p( y1 , y2 ,...yn |1 , 2 ,... n ) (8.10)

Cilj je da se utvrde parametri 1, 2,...k, koji maksimiziraju verovatnou


posmatranja y1, y2,...yn zato to su posmatranja data kada parametre i dalje treba
proceniti, izraz koji treba maksimizirati moze se smatrati funkcijom modela
parametara 1, 2,...k . Nazivamo ovo funkcijom verodostojnosti izraenu kao
L(;y). Cilj procene modela parametra je:

Maksimizacija L(1 , 2 ,... n ; y1 , y2 ,...yn ) = p( y | ) (8.11)

Kada se posmatranje y1, y2,...yn moze smatrati nezavisnom realizacijom


indentine verovatnoe distribucije (iid), verovatnoa zajednikog posmatranja
y1, y2,...yn jednaka je proizvodu verovatnoa individualnog posmatranja
y1, y2,...yn. U ovom sluaju drzimo do:

logL( 1 , 2 ,... n ; y1 , y 2 ,... y n ) = p( y i | 1 , 2 ,... k ) (8.13)

Maksimizacija logaritma verodostojnosti jednaka je maksimizaciji verodostojnosti:


Optimalna vrednost za je izraena za .

= argmax L( 1 , 2 ,... n ; y1 , y 2 ,... yn) = argmax log L( 1 , 2 ,... n ; y1 , y 2 ,... y n )


(8.14)
Najee koriene raspodele verovatnoe
Matematika forma funkcije verodostojnosti veoma zavisi od izbora raspodele koja
je pretpostavljena u modelu. Ispod prikaza su date raspodele koje se najvie koriste
u modeliranju transporta.

Ime primer karakteristike


----------------------------------------------------------------------------------------------------
Uniformalna Vreme odlaska

Normalna Vreme putovanja, suma dve normalno


tajming putovanja rasporeene je normalno
rasporeena

Poasonova generisanje puta, brojanje suma dve Poasonove


saobraaja, broj nesrea, uvid je Poasonova

raspodela pokazuje
Multinominalna podaci uvida verovatnou uspeha xi
prilikom izvoenja N

sa istom verovatnoom
Treba istai da su Poasonova i Normalna raspodela skoro indentine ako su
njihove vrednosti vee od 12 (E[x] > 12) a njihove varijacije jednake ( = 2).

Zbog ovoga izbor raspodele koriene u modelu u praksi esto zavisi od praktinih
razloga, kao to je lakoa manipulacije matematikim jednainama koje iz njih
proizilaze.

Za podatke dobijene iz OD-a uslov E[x] > 12 e teko biti ispunjen. Obino je broj
putovanja posmatranih u OD elijama mali. U ovakvim sluajevima ne moemo
koristiti Normalnu raspodelu ve su povoljnije Poasonova ili Multinominalna.

8.4 Poasonov procenjiva


Poasonov procenjiva je dizajniran za procenu matrice bazne godine i raspodelu
parametara korienjem OD podataka krajeva putovanja. Metoda je bazirana na
gravitacionom modelu, i moe biti smatrana statistiki potcenjenom metodom za
procenu parametara ovog modela.

Stohastika specifikacija raspodele modela gravitacionog puta

Model raspodele putovanja koji je korien kao taka odlaska je:

Tij (Qi , X j , F (c ij )) = Qi X j F (cij ) (8.15)

Zajedno sa:

Tij (Qi , X j , F (cij )) Model predvianja OD elije

Qi sposobost proizvodnje
Xj sposobnost atrakcije
F(cij) funkcija diskretne raspodele
cij generalizovani trokovi putovanja

Funkcija diskretne raspodele moe se smatrati konstantnom funkcijom. Osa


trokova putovanja je podeljena na limitiran broj odeljak trokova a svakom
odeljku je dodeljena vrednost funkcije raspodele. Matematiki ovo je prikazano:
F (cij ) = Fk kij , kij {0,1} (8.16)

Zajedno sa:

Fk vrednost funkcije raspodele za odeljak k


kij je 1 kada su generalni trokovi putovanja cij u odeljku k i 0 i obrnuto

Model raspodele putovanja nee dobro opisati realnost. Zato se pretpostavlja da su


OD elije raspodeljene Poasonovom raspodelom, a to znai:

Tij ~ Poason[Qi X j F k ]

Drugim reima:

exp[Qi X j F k ] (Qi X j F k )
P[Tij ] =---------------------------
- Tij !

Fk je skraeno za Fk kij .

Ako uzmemo u obzir interpretaciju Tij u planiranju transporta, onda mozemo uzeti
Poasonovu raspodelu iz sledeih razloga:

-Poasonova raspodela ne dozvoljava negativne vrednosti

-Suma dve nasumine promenljive raspodeljene Poasonovom raspodelom je jos


jedna Poasonova raspodela

Poasonova raspodela vodi do matematiki pogodnijih izraza.

Dodela izraza verodostojnosti za podatke pregledanja.

Pregled se uzima preko sluajno izvuenog putovanja i izraen je preko {nij} sa:

Nij je broj posmatranih putovanja u OD eliji

N predstavlja broj posmatranih putovanja N = nij


Nisu sve OD elije predstavljene u prikazu. Pogledajte figuru 8.2, i vidi se bitna
razlika izmeu neposmatranih elija i elija sa nulom. Ako neke elije nisu
prezentirane onda je taj prikaz nekompletan. Da bi pokazali koji deo elije prpada
prikazu koristimo indikator S. Te elije su definisane kao:

Sij = 1 ako je OD-par i-j izloen u prikazu


Sij = 0 ako OD-par i-j nije izloen u prikazu

Ako je ispunjen uslov da je uzorak N relativno mali broj u odnosu na ukupna


putovanja, moemo da pretpostavimo da su podaci raspodeljeni Poasonovom
raspodelom.

nij ~ Poason[cQi X j F (cij )]

sa:
N
c= ---
T

i:

T = Tij
Zato to rezultati prikaza mogu biti smatrani nezavisnim, pa verovatnoa ishoda
{nij} sa parametrima {Qi}, {Xj} i {Fk} je data od:

exp[cQi X j F k ] (cQi X j F k )
P[nij | Qi , X j , F k ] = ----------------------------------
nij !

Odgovarajua funkcija moe biti zapisana kao:

log L[Qi , X j , F k ; nij ] = = S ij [cQi X j F k + nij log(cQi X j F k ) log(nij )!]

Uzimamo za uslov da su svi prametri modela negativni:

Qi 0 X j 0 j
F k 0 k
Maksimizacija logverodostojnsti

Iz svega navedenog moemo zakljuiti da je funkcija logverodostojnosti funkcija


parametara Qi, Xi i Fk . U maksimumu treba uzeti:

log L
= 0 i
Qi
log L
= 0 j
X j
log L
= 0 k
kF

Qi, Xi i Fk bi trebalo da zadovoljavaju:

(cX j F) Sij=0 i

(cQ F i k + X)Sij = 0 j

(cQi X j +nij/Fk ) S ij kij = 0, k

Pa je ekvivalentno:

Qi = S ij nij / S ij cX j F k , i

X j = S ij nij / S ij cQi F k , i

Fk = S ij kij nij / S ij kij cQi X j , k


Broj jednaina odgovara broju nepoznatih ali parametric Qi, Xi i Fk ne mogu biti
dobijeni direktno, oni samo mogu biti definisani ovim jednainama, za njihovo
odreivanje koriste se druge jednaine

Algoritam reavanja

Ovaj metod je poznat kao Gaus-Sidelova iteracija. U ovom metodu mi reavamo


jednu grupu parametara dok se druga grupa uzima kao konstantna.Reava se u
Qi( 0 ) = 1, i,
etiri koraka:
X (j 0) = 1, j , Fk( 0) = 1, k

Korak 1- Dobiti parametre pomou:

Qi( n +1) = S ij nij / S ij X (j n ) kij Fk( n ) ,


Korak 2 dobiti parametre modela pomou
X(j n +1) = S ij nij / S ij Qi( n +1) kij Fk( n ) ,

Fk( n +1) = S ij kij nij / S ij kij Qi( n +1) X (j n +1) , k

Korak 3- proveriti razliku izmeu parametara dobijenih u poslednjoj iteraciji i


parametara iz prethodne iteracije, ako postoji znatna razlika ponoviti drugi korak.

Korak 4 stop

Zakljuak

Opaa se da su rezultati uvida nij uzeti samo u agregatnom formatu. Ovo je


interesantna posledica kada su sve OD elije mete uvida. U ovom sluaju samo
koristimo kraj putovanja i raspodelu duine za procenu parametara. Imamo 3
karakteristike:

-Poasonov estimator moe biti primenjen efektivno samo kada koristimo


posmatrane krajeve putovanja i OTLD. U praksi je mnogo lake pokupiti ove
podatke.
-Mana ovoga moe biti to to posmatrani krajevi putovanja nisu uvek zajedniki
saglasni. Kada ne primenimo korekcije ovo moe dovesti do disfunkcije algoritma.
Zato treba balansrati krajeve putovanja pre primene algoritma.

-Cene uvida mogu biti sauvane kada su mete uvida svedene na pojedine grupe
elija. U ovom sluaju i dalje je mogua procena parametara. Meutim u zavisnosti
od izbora lokacija, brojanje saobraaja moe biti veoma korelativno to moe
dovesti i do nejedinstvenih reenja.

Metod izraunavanja koji je upravo opisan ima veoma mnogo slinosti sa


metodom balansiranja metoda za dvojno povezane generatore putovanja.

Konano zakljuujemo da Poasonov estimator ima dve jedinstvene aplikacije: Prvo


je da parametri funkcije distribucije mogu biti procenjeni pomou ovog metoda.
Drugo je da OD matrice mogu biti procenjene iz indirktnih posmatranja kao to su
krajevi putovanja ili OTLD.

Primer 8.2

Kao primer izveemo raunanje sa Poasonovim


estimatorom, dato je sledee:
Tij = Qi X j kij Fk
Specifikacija modela sadrana od modela gravitacije sa diskretnom funkcijom
raspodele:

-Domet cena saglasan sa funkcijom distribucije (videti u donjoj tabeli)

-Cena putovanja izmeu svekog para

-Broj putovanja i dolaska za svaku zonu

Uzeti u obzir da su svi podaci dosledni, zato nema potrebe za balansom krajeva
putovanja i OTLD-a.

Cilj je predvianje OD matrice bazne godine i parametara u funkciji raspodele.


Qi = 1, X j = 1, Fk = 1, i, j , k Tabela 8.4 Trokovi putovanja u minutima sa saglasnim
parametrima funkcije raspodele

Raunanje:

Poinjemo sa poetnim reenjem:

Od poetne tabele pratimo ukuljuujui skalarne faktore za produkciju Qi


Posle reanja sposobnosti produkcije Qi gledamo sledeu tabelu od koga faktori
reanja za produkciju sposobnosti Xj mogu biti odreeni

Posle slaganja Xj gledamo sledeu tabelu

Iz ove tabele modelovana raspodela duine putovanja (MTLD) moe biti


dobijena.Poreenjem ovoga sa posmatranom raspodelom duine putovanja
(OTLD) posle ovoga faktori reanja za parametre funkcije raspodele mogu biti
utvreni:

Posle reanja parametara funkcije raspodele prva iteracija je gotova sa rezultatima:

Ovaj postupak moe biti ponovljen do, na primer, 10 iteracija. Posle desete
iteracije konaan rezultat je:

U konanoj tabeli parametri Qi su veliki u poreenju sa ostalim parametrima. To je


zbog reda po kojem su grupe parametara poreane. Zato to su poetne tabele
sadrane samo iz pojedinanih dok margine nisu manje od par stotina, prva
operacija reanja ima najvei uticaj na vrednosti parametara. Ako bi sposobnost
privlaenja bila prva grupa parametara za reanje, onda bi oni bili najvei.
Vrednosti OD elija su jedinstveno utvrene, meutim modeli parametara koji
pokazuju ove vrednosti imaju dva stepena slobode. Na primer dupliranje
produkcije sposobnosti Qi a pritom prepoloviti Xj ili funkciju raspodele Fk, nema
uticaja na predviene OD vrednosti. U praksi bi bilo potrebno preduzeti mere da bi
se spreilo da jedna grupa parametara postane prevelika a druga previse mala. Ovo
moze dovesti do problema sa reprezentacijom brojeva unutar kompjutera.

Preanji primer i slini prorauni mogu biti programirani veoma prosto. Kao
ilustracija dole je prikazan Matlab-ov kod koji je potreban za procenu parametara
preanjeg primera.
-kraj primera-

8.5 Procena matrice bazne godine korienjem fiksne


funkcije raspodele
Metoda opisana u sekciji 8.4 moe biti koriena u mnogim tipovima prorauna
za raspodelu. U prethodnoj sekciji jedan od rezultata prorauna bio je set
parametara diskretne funkcije raspodele. Meutim u nekim sluajevima neko bi
eleo da proceni OD matricu po najniim moguim cenama sakupljanja podataka.
U ovom sluaju nije potrebna procena parametara funkcije raspodele ponovo. Pod
uslovom da ove mogu biti uzete iz druge studije. Zbog ovoga funkcija raspodele
pokazuje parametre ponaanja koji mogu biti prebaeni iz jedne zone prouavanja
Qi( n +1) = Pi / X (j n ) F (cij ), u drugu. Zbog toga ako je funkcija raspodele procenjena
korienjem podataka iz npr. onderzoek verplaatsings
gedrag (OVG) i dostupna je, onda je dovoljno samo imati znanje o krajevima
putovanja za dobijanje OD matrice. Krajevi putovanja mogu biti procenjeni
upotrebom modela generisanja putovanja iz ranijih poglavlja.

Za procenu potrebna nam je uvezena raspodela, poinjemo sa formulacijom


modela generisanja putovanja.

Tij = Qi X j F(cij )

Kada je za F(cij) data funkcija raspodele. Ova raspodela moe biti diskretna,
eksponencijalna ili drugacija. Drugi uslovi su:

Za procenu Qi i Xj koristimo indentinu emu onoj iz prethodne sekcije sa


Tij = Pi promenom gde je korak 1 zamenjen korakom gde su elije matrica
pokrenute sa saglasnim vrednostima date funkcije raspodele, a u
Tij = A j koraku 2 funkcija raspodele nije modifikovana.

Korak 0 Balansiranje dolaznih i odlaznih putovanja. Ovo moe biti odraeno ili
promenom dolaznih ili odlaznih putovanja ili promenom i jednih i drugih. Ovaj
korak je potreban za garanciju konvergencije algoritma.

Korak 1 pokrenuti prametre sa:

Ovo pokazuje da su sve matrice elije pokrenute sa vrednostima raspodele koje se


primenjuju na ove elije.

Korak 2 dobiti parametre modela sa:

Qi( 0 ) = 1, i, X (j0 ) = 1, j , Fk( 0 ) = F (cij ), k


= A j / Qi( n +1) F (cij ),

Korak 3 Proveriti da li se parametric proraunati u trnutnoj iteraciji mnogo


( n +1) razlikuju od parametara iz prethodne. Ako je ovo sluaj onda ponoviti korak

Xj 2.

Korak 4- stop

Zato to se parametri sadre od skalarnih redova i kolona, onda konani rezultat


iteracija moe biti dat kao:

n ( p) n (q)
Tij( n ) = i j F (c ij )
p =1 q =1 Zajedno sa:

i( p ) = [scalefactor for row i in iteration p] = Pi / Tij( p )

= [scalefactor for row j in iteration q ] = A j /

sa Tij( p ) i Tij( q ) matrinim elijama koje se prihvataju u momentu reanja

Kada su iteracije gotove, razlika izmeu modela predvienih krajeva putovanja i


uvezenih granica su minimalne.Takoe to moe biti reenje koje rezultuje i
zadovoljava model raspodele generisanja putovanja. Ako zamenimo sledi:

n ( p) n (q)
Qi = i X j = j
p =1 q =1
8.6 Procena parametara u eksponencijalnoj funkciji
raspodele

U sekciji 8.4 pokazali smo kako parametri mogu biti odreeni za diskretnu
funkciju raspodele kada su dostupni krajevi putovanja i OTLD. Slina je procedura
i za procenu parametara u eksponencijalnoj raspodeli. Ovaj metod je poznat kao
Hajmanov metod. Slina procedura moe biti dobijena za procenu parametara u
drugim uslovima kontinuirane funkcije raspodele.

Eksponencijalna raspodele je definisana kao:

F (cij ) = exp[c ij ]

Gde je parametar koji treba da bude procenjen. Izbor ima veliki uticaj na OD
matricu kada se koristi proces iz 8.5. Zato to funkcija raspodele predstavlja
relativnu volju putovanja u funkciji trokova. Veliko znai veliki broj kratkih
putovanja i obrnuto.

Parametar treba da bude izabran tako da je predviena raspodela duine putovanja


reprodukovana tako da je mogua od strane modela predviene OD matrice. Cilj je
da se trokovi putovanja procenjene OD slau sa posmatranim trokovima
putovanja. Optimalna vrednost moe se nai primenom sledeih ema:

Korak 1 izabrati poetno reenje za ( 0 ) = 1 / c to znai posmatranu duinu


putovanja.

Korak 2 Izraunati raspodelu putovanja koristei metod 8.5 korienjem


posmatranih krajeva putovanja i procenjene vrednosti (n). Tako dobijamo
procenjenu OD matricu iz koje dobijamo duinu putovanja c(n). Ako je
posmatrana duina putovanja c dovoljno slina iteracija se zaustavlja.

Korak 3- ako je n=1 onda moemo dobiti bolju


(1) = (c (1) / c ( 0) ) ( 0)
vrednost korienjem:

Kada je n > 1, onda je dobijeno kao:


Korak 4 ponoviti korake 2 i 3 dok se ne postigne konvergencija.

8.7 Unapreivanje OD matrice na ukupne krajeve


putovanja (modeli faktora rasta)
Kada je istorijska matrica t dostupna ona moe biti unapreena da ispuni trenutne
ili predviene ukupne krajeve putovanja. Procedura je da je prihvaen sluaj kao
onaj kod predvianja OD matrice iz krajeva putovanja i funkcije raspodele.
Najvea razlika je u tome to iteracije poinju sa istorijskom matricom kao prvom
aproksimacijom T. Zato je korak 1 zamnjen sa:

Korak 0 Balans krajeva putovanja modifikacijom Ai, Pi ili oboje.


Tij( 0 ) = t ij , i, j
Korak 1 poeti sa:
Qi( 0 ) = 1, i, X (j0 ) = 1 , j

Ovo pokazuje da su OD celije podesene na prethodnu matricu


for i :
Pi Pi
Qi( n +1) =------------- = Qi( n)------------------------------- Tij( n ) = Qi( n ) X (j n ) t ij
Xi ni tij Tij(n) Korak 3
Odrediti faktore Qi i Xi pomou:

Za j : Sa:
( n +1) Aj
( n) Aj (n)( n +1)X (j n ) t ij, with: Tij =
Xj = ------------------ = Xj ---------------
- Qi( n +1) t ij Qi
Tij( n )

(c c ( n 1) ) ( n 1) (c c ( n ) ) ( n )
=
c ( n ) c ( n 1)
Korak 4 Proveriti da li se parametri izraunati u trenutnoj iteraciji sutinski
razlikuju od parametara iz prethodne iteracije. Ako je to sluaj ponoviti korak 2.

Korak 4 stop
Ova procedura je poznata pod mnogim imenima
Tij = Qi X j t ij , i, j
kao to je Furnesovo balansiranje i
bioproporcionalno uklapanje. Lako je videti posle ponavljajueg slaganja kolona i
redova nai odgovarajue granice koje zadovoljavaju:

Konani rezultat zadovoljava generalnu raspodelu putovanja sa funkcijom


S [T | t ] = (Tij log Tij / t ij Tij + t ij )
raspodele ako je istorijska matrica
zadovoljavajua. Najea
interpretacija je maksimizacija entropije.

Dobijeno reenje minimizira izraz poznat kao entropija:


0.5(Tij + t ij ) 2
S 2 [T | t ] = ----------------
Tij

Maksimizacija entropije je ekvivalentna minimizaciji mere distance entropije.


Aproksimizacija maksimizacije S[T|t] je ekvivalentna minimizaciji:

Ovo je izmereno kvadratnom razlikom izmeu istorijske i modifikovane matrice.


Metod je interpretiran kao nain nalaenja matrice koja zadovoljava granine
uslove a u isto vreme je slina istorijskoj matrici prema specifinim merama
distance.
Za dodatne informacije pogledati Ortzar and Willumsen (1990), stranica
162.

8.8 Unapreivanje OD matrice do brojanja saobraaja


Vana teme vezan aza OD matrice je unapreivanje OD matrica do brojanja
saobraaja. Za razliku od uvidnih podataka brojanje saobraaja moe biti obavljeno
po niskoj ceni, dok ti brojevi sadre bitne informacije za OD tablicu.
ijr = proporcija OD protoka i-j koji koristi rutu r
Relacija izmeu OD tablica i
brojanja saobraaja
r0 < ij < 1 Da bi dobili brojenje saobraaja za procenu tablica, treba biti
svestan dokle OD tablice doprinose brojanju saobraaja. Mapa B
koja dodeljuje OD elijama rute data je kao:

ra = 1 kada je link na ruti r

= 0 when link a is not on route r


Mapa koja definie relaciju izmeu ruta
protoka i veze protoka su suene na simbol A i date kao:

rr
q a = ij ra Tij = Tij ij ra

ij rijr
Veza izmeu OD matrice i protoka veza qa je data kao:

a ij = proporcija OD-protoka i-j koja koristi vezu

a0 < ij < 1

ar esto izbor rute mape B i veza rute pokazujui mapu A


ij = ij ra su kombinovane I dodeljena je mapa sa simbolom P I
data je kao:
Unapreenje OD matrice pod pretpostavkom AON zadatka. Kada se koristi sve ili
nita zadatak kao taka odlaska, dodeljena mapa P redukuje kolekciju jedinica i
nula. Ovo je zato to su OD protoci dodeljeni
Tij = t ij , i, j jedininim rutama.

Procedura se korisit za unapreenje postojee matrice u set podataka brojanja


saobraaja a lii na metodu pominjanu ranije. Sadri sekvence operacije reanja. U
ovom sluaju nametnuti granini uslovi se ne odnose na krajeve putovanja (kolone
i redovi matrice) ve na blokove elija u matrici.

Pokrenuti oksilarno reenje T = [Tij] Korak 1 poeti matricu sa elijama


iz prethodne matrice

Tij = Tij( n ) , i, j

Korak 2 unaprediti OD matricu po grupama reanja doke se ne poklope sa


podacima brojanja saobraaja qa. Ponoviti ovo za sva dostupna brojanja
saobraaja.
qa
c ( a, n ) =----------------
Tij ija

(poreati sve elije koje doprinose linku a)


Za sve i i j sa ij = 1 :

Tij := c(a, n)Tij


Unaprediti do brojanja saobraaja za sve deterministike
faktore:
Tij = t ij X a ij

Korak 3 Proveriti da li se matrica dobijena iz trenutne iteracije sutinski razlikuje


od parametara prethodne iteracije. Ako je ovo sluaj ponoviti korak 2.

Korak 4 stop

Iz gore navedenog finalno reenje zadovoljava:

Kao to je sluaj kada je matrica unapreena pomou krajeva putovanja, moe biti
pokazano da rezultujua matrica putovanja Tij maksimizira entropiju.

Procedura prikazana iznad moe da knvergira samo ako su brojanja saobraaja


dostupna i dosledna. U praksi to znai da brojanja saobraaja moraju biti dosledna
pre nego to se upotrebe.

Teorijska mana ovog metoda je to to su brojanja saobraaja uzeta kao koliinski


tani podaci, dok se u praksi javljaju greke zbog:
-Fizike greke brojanja
-Razlike u periodu kada su brojevi pokupljeni na raznim takama (ovo se dogaa
kada podatke kupima sa razliitih izvora)
-Ponekad se koriste procenjeni brojevi umesto podataka dobijenih brojanjem
podesiti T(n+1) jednako oksilarnom reenju
Jo jedan izvor greaka je mapa
Tij( n +1) = Tij , i, j zadataka. Ova mapa moe
implicirati korienje ruta koje se u realnosti ne
koriste.

8.9 Diskusija
U ovom poglavlju algoritmi su prezentirani da procene OD matrice i parametre
funkcije raspodele. Teorijsko pokazivanje koje se odnosi na Poasonov procenjiva.
Na slian nain druge metode mogu biti pokazane, meutim ovo je ostavljeno kao
veba. Zato to se sve metode sastoje od sekvence reajuih operacija, OD elije
koje ne doprinose ni jednoj taki ni margini (Ai ili Pi) ostaju nepromenjene. Ovo
moe biti nepoeljan efekat, na primer, kada je stara matrica unapreena na novu
baznu godinu. U ovom sluaju neko bi eleo da izrazi generalni rast saobraaja sa
reajuim faktorima koji se odnose na sve elije, i prihvati ova reanja pre reanja
malih grupa elija. Modifikacije kao to je ova na metodama opisanim u ovom
poglavlju su koriene esto u praksi zbog mnogih razloga.

You might also like