Verbeteren van nauwkeurigheid en efficiëntie van de vraagkalibratie voor dynamische verkeersmodellen

Dynamische verkeerstoedelingsmodellen zijn rekenintensieve instrumenten, zowel voor doorrekeningen als voor de kalibratie van de honderden parameters. Vooral de kalibratie van de verkeersvraag, waarbij gezocht wordt naar de herkomst-bestemmingsmatrix (HB) die leidt tot verkeerspatronen die maximaal overeenkomen met waarnemingen, blijft methodologisch en rekentechnisch een uitdagend probleem.

Hoewel de literatuur verschillende algoritmes beschrijft voor simulatie-gebaseerde dynamische HB-schatting, hebben deze naast duidelijke voordelen ook allen tekortkomingen wat hun inzetbaarheid vooralsnog beperkt. In dit onderzoek brengen we daarom twee vernieuwingen: een verbeterde formulering en oplossingsalgoritme, en een dimensiereductie van het probleem.

De verbeterde methode combineert elementen van bestaande HB-schattingsmethodes uit de literatuur tot nieuwe hybride modellen. Om te beginnen herformuleren we het probleem als een optimalisatie van een vectorfunctie; vervolgens ontleden we bestaande algoritmes voor HB-schatting en combineren componenten ervan om maximaal van hun sterktes gebruik te kunnen maken. Dit doen we op basis van een grondige analyse van de convergentie van bestaande methoden doorheen de tijd en de topografie van het netwerk.

De dimensiereductie verkrijgen we door niet rechtstreeks de (zeer talrijke) cellen van de HB-matrix te beschouwen als de te optimaliseren variabelen, maar eerder de (beperkte hoeveelheid) paramaters van productie- attractie- en distributiefuncties die socio-demografische gegevens omzetten in dergelijke matrix. Naast dimensiereductie onderzoeken we of deze aanpak tevens helpt om lokale (suboptimale) oplossingen te vermijden en allicht ook de structuur van de resulterende matrix verbetert.