Kan vi lita pÃ¥ trafikprognoser?

More documents

Recommendations

Info

EMME/2 är ett medeltidssystem, vilket bl a innebär att det baseras på turtätheter snarare än faktiska avgångstider. Med ett realtidssystem skulle en del av problemen med vänte- och bytestider, som diskuterats ovan, undvikas. 16
Det är svårt att använda sig av olika taxor för lika färdmedel i EMME/2. Det blir då svårt att skilja mellan exempelvis olika typer av tåg. Tillämpningskritik: Som EMME/2 tillämpas idag beräknas väntetider som halva turtätheten i kollektivtrafiken. Det kan medföra att en linje med kort turintervall prioriteras även om den linjen har längre restid . Ett annat problem förknippat med hur EMME/2 tillämpas är hur olika komforttyper ska viktas. Exempelvis görs det ingen skillnad på natt- respektive normaltåg. Huvuddelen av kritiken berör mest de regionala fallen, eftersom det är främst då det finns parallella linjer och resenärer förutsätts resa utan tidtabell. För intercityresor sker nätutläggningen separat för respektive färdsätt, och det uppkommer ingen konflikt mellan parallella konkurrerande färdsätt. 2.5 Informationsminimerande modeller och entropimodeller 1 En viktigt steg i många prognosmodeller är att beräkna hur många resor/transporter som sker mellan varje par av områden i den studerade geografiska regionen. Här skall kortfattat redogöras för en modell som kan användas för detta ändamål. Denna s k informationsminimerande modell, ofta också kallad entropimodell, används som en viktig del i den godstransportmodell som refereras i denna rapport. Varianter av modellen används också ofta vid estimering av dessa s k OD-matriser 2 för t ex inomregionala personresor. OD-estimering beskrivs enklast med hjälp av ett exempel 3 . Antag att man vet hur många personer som reser från varje område, O i , samt hur många personer som reser till varje område, D j . Det man söker är hur många som åker mellan varje par av områden. Denna fördelning av resor representeras med en OD-matris T ij ,, där T ij är antalet resor mellan område i och område j. Det finns många sådana OD-matriser som uppfyller villkoret att radsummorna och kolumnsummorna blir de kända värdena D j . respektive O i . Ett exempel: 3 1 1 5 2 1 2 2 4 D j 5 4 0 1 5 8 3 2 3 8 8 3 3 2 8 D j O i = 10 5 6 O i =10 5 6 För båda matriserna är antalet resor in respektive ut från varje område desamma. Problemet är att bestämma den OD-matris T ij som är mest sannolik givet att O i och D j är kända. Eftersom det finns många möjliga matriser, och varje matris kan uppkomma på många olika sätt, försöker man att beräkna den matris som är mest sannolik givet den information man har på förhand, a priori. Denna information består ofta i att man har en OD-matris T ij 0 som beskriver 1 En introduktion till dessa modeller kan man hitta i de la Barra (1989) samt Bjurklo (1995). 2 O=Origin och D=Destination. 3 Exemplet är hämtat från de la Barra (1989). För enkelhets skull tänker vi oss här antalet resor mellan områden, men resonemanget gäller även godstransporter. 17
Page 1 and 2: Kan vi lita på trafikprognoser? -
Page 3 and 4: 2 Grundbegrepp 2.1 Fyrstegsmodeller
Page 5 and 6: I en enkelt begränsad modell tänk
Page 7 and 8: 2.2 Logitmodellen Inledning Logitmo
Page 9 and 10: kopplingen mellan färdmedelsval oc
Page 11 and 12: Generaliserad kostnad per trafikant
Page 13 and 14: hög- respektive ett lågutveckling
Page 15: Ett enkelt exempel på hur man ber
Page 19 and 20: varugrupper. För vissa enskilda va
Page 21: gärder är ju det avgörande hur k

Kan vi lita pÃ¥ trafikprognoser?

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?