Automatic calibration of traffic microsimulations with artificial neural networks (2019)
- Authors:
- Autor USP: DAGUANO, RODRIGO FRANÇA - EP
- Unidade: EP
- Sigla do Departamento: PSI
- Subjects: REDES NEURAIS; SIMULAÇÃO DE SISTEMAS; SISTEMAS INTELIGENTES DE TRANSPORTES
- Agências de fomento:
- Language: Inglês
- Abstract: No campo de Transporte Inteligente, o planejamento urbano se beneficia de ferramentas computacionais de simulação de tráfego. Nas microssimulações, um passo importante é a calibração, que envolve o ajuste de parâmetros de entrada da simulação, de forma que as métricas de saída correspondam àquilo observado no mundo real. Trata-se de um processo iterativo e demorado, sendo tradicionalmente feito manualmente por um engenheiro de tráfego. Esta pesquisa propõe uma metodologia para calibrar automaticamente as simulações de tráfego. Inicialmente, executa-se um grande número de simulações e constrói-se um extenso banco de dados de casos. Depois, utiliza-se esse banco de dados para treinar redes neurais capazes de estimar as entradas do simulador que levam a determinados resultados, ou seja, dos cenários de estudo desejados. Este processo corresponde efetivamente à calibração da microssimulação de uma rede de transportes operando sob determinada condição. Experimentos de validação calibraram as configurações de roteamento e volume de tráfego nas simulações, sendo que nestes experimentos foi verificada uma alta correlação, acima de 80%, entre as estimativas das redes neurais e os valores desejados para as variáveis de entrada do simulador. Os experimentos demonstraram a possibilidade de automatizar e tornar escalável o processo de calibração. A avaliação das redes neurais forneceu as métricas individuais de cada variável de entrada do simulador, como volumes de veículos e decisões de rota, permitindo ao usuário escolher ou ignorar as estimativas com mau desempenho e alternativamente calibrá-las manualmente. Finalmente, dois experimentos investigaram a calibração de parâmetros comportamentais dos motoristas, um tipo de variável mais abstrata; Para esse tipo de variável, foramobservados resultados com acurácia aceitável para cerca de metade dos parâmetros estimados. Neste caso, caberá ao usuário a escolha de ignorar as variáveis de pior desempenho e usar somente aquelas de desempenho satisfatório como um ponto de partida para refinamentos manuais. A metodologia proposta mostrou ser capaz de estimar com acurácia suficiente uma parte significativa dos parâmetros de calibração, o que reduzirá o esforço do engenheiro de tráfego na etapa de calibração e permitirá que se dedique ao seu trabalho de análise de cenários.
- Imprenta:
- Data da defesa: 12.09.2019
-
ABNT
DAGUANO, Rodrigo França. Automatic calibration of traffic microsimulations with artificial neural networks. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2019. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-27052022-101649/. Acesso em: 16 maio 2024. -
APA
Daguano, R. F. (2019). Automatic calibration of traffic microsimulations with artificial neural networks (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3142/tde-27052022-101649/ -
NLM
Daguano RF. Automatic calibration of traffic microsimulations with artificial neural networks [Internet]. 2019 ;[citado 2024 maio 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-27052022-101649/ -
Vancouver
Daguano RF. Automatic calibration of traffic microsimulations with artificial neural networks [Internet]. 2019 ;[citado 2024 maio 16 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-27052022-101649/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
