WP-I2: Kopplung von PALM-4U und MATSim

Projektziele:

Ein großer Teil der städtischen Luftverschmutzung und Lärmwirkungen ist auf den Verkehrssektor zurückzuführen. Im Rahmen des MOSAIK-2 Projektes sollen diese Wechselbeziehungen von Umweltwirkungen und Verkehrssystem im Stadtklimamodell PALM-4U abgebildet und der bisherige parametrisierte Ansatz von PALM-4U durch räumlich und zeitlich aufgelöste Emissionsdaten aus einem Verkehrsmodell ersetzt werden. Zur Erzeugung der notwendigen Eingangsdaten wird die agentenbasierte Verkehrssimulation MATSim (www.matsim.org) verwendet.

Das Verkehrsgeschehen wird in MATSim durch die Simulation einzelner Agenten abgebildet, die jeweils einen individuellen Tagesplan verfolgen. Der agentenbasierte Ansatz von MATSim erlaubt die zeitlich und räumlich aufgelöste Berechnung von Kalt- und Warm-Emissionen basierend auf Fahrzeugtyp, Straßentyp und Verkehrslage. Als Referenzwerte für die emittierten Schadstoffe wird die HBEFA-Tabelle (www.hbefa.net) verwendet. Ein detailliertes Emissionsausbreitungsmodell ist in MATSim nicht implementiert und Immissionen und Bevölkerungsexpositionen können daher bisher lediglich über einfache Verteilungsfunktionen stark vereinfacht abgeschätzt werden. MATSim verfügt außerdem über ein Modul, mit dem sich entsprechend der RLS-90 (Richtlinien für den Lärmschutz an Straßen) für simulierte Verkehrsaufkommen unter Berücksichtigung des Lkw-Verkehrsanteils dynamische und kantenbezogene Lärmemissionen berechnen und mit Hilfe eines stark vereinfachten Ausbreitungsmodells Lärmimmissionen abschätzen lassen.

Abbildung 1: Links: Visualisierung der Verkehrssimulation; jedes Dreieck repräsentiert einen Agenten; die Farbe zeigt die relative Geschwindigkeitsreduzierung aufgrund von Staus an; die blauen Linien stellen die Aktivitäten- und Wegekette eines Agenten dar, inklusive der gewählten Route. Berlin, Deutschland. Rechts: Simulierte tägliche NOx Emissionen in kg/km²; vereinfachte Vorstudie, Berlin, Deutschland.

Die Kombination von detaillierten Emissionsdaten aus MATSim sowie dem physikalischen Ausbreitungsmodell von PALM erlaubt die Identifikation von Hotspots, an denen besonders viele Menschen von Emissionen betroffen sind. Eine solche Analyse wird in zwei Fallstudien durchgeführt: zunächst im bereits existierenden Berlin-Modell, sowie anschließend im Stuttgart-Modell, welches im Rahmen des Forschungsprojekts erstellt wird.

Aufgabenstellung:

WP-I2.1 Implementierung eines Palm-4U Intergrationsmoduls in MATSim

WP-I2.2 Implementierung eines dynamischen luftschadstoff- und lärmexpositionsbasierten Verkehrssteuerungsmoduls

WP-I2.3 Datenaufbereitung, Modelltests und -andwendungen

Projektstruktur:

Das Arbeitspaket wird von der TU Berlin und der LU Hannover in enger Zusammenarbeit mit der FU Berlin bearbeitet.

Zu liefernde Ergebnisse:

MS 1: Implementierung des PALM-4U Integrationsmoduls in MATSim abgeschlossen

MS2: Implementierung des PALM-4U-basierten Verkehrssteuerungsmoduls in MATSim abgeschlossen

MS3: MATSim Datenaufbereitung für Emissionsberechnung abgeschlossen

MS4: Prototype Anwendung des PALM-4U Integrationsmoduls in MATSim für Berlin und Stuttgart

MS5: Berlin und Stuttgart Fallstudien abgeschlossen

Bisheriger Fortschritt:

WP-I2.1 und WP-I2.3 wurden begonnen.

Referenzliteratur:

Arentze, T., Timmermans, H., 2004, A learning-based transportation oriented simulation system, Transportation Research Part B38, 613–633.

Auld, J., Hope, M.B., Ley, H., Sokolov, V., Xu, B., Zhang, K., 2015, POLARIS: Agent-based modeling framework development and implementation for integrated travel demand and network and operations simulations, Annual Meeting Preprint 15-5072, Transportation Research Board, Washington D.C.

Axhausen, K. W., 1988, Eine ereignisorientierte Simulation von Aktivitätenketten zur Parkstandswahl, PhD thesis, Universität Karlsruhe, Germany.

Balijepalli, N., Watling, D., Liu, R., 2007, Doubly dynamic traffic assignment – Simulation modeling framework and experimental results, Transportation Research Record2029, 39–48.

Beckman, R., Baggerly, K., McKay?, M., 1996, Creating synthetic baseline populations, Transportation Research Part A30(6), 415–429.

Bhat, C., Guo, J., Srinivasan S., Sivakumar, A., 2008, CEMDAP User’s Manual, 3.1 edn, University of Texas at Austin, Austin, TX, USA.

Bowman, J., Bradley, M., Shiftan, Y., Lawton, T., Ben-Akiva, M., 1998, Demonstration of an activity-based model for Portland, in ‘World Transport Research: Selected Proceedings of the 8th World Conference on Transport Research 1998’, Vol. 3, Elsevier, Oxford, 171–184.

Chiu, Y.-C., Bottom, J., Mahut, M., Paz, A., Balakrishna, R., Waller, T., Hicks, J., 2011, A primer for dynamic traffic assignment, Transportation Research Circular E-C153, Transportation Research Board.

Erath, A., Fourie, P., van Eggermond, M., Ordóñez Medina, S., Chakirov, A., Axhausen, K.W., 2012, Large-scale agent-based transport travel demand model for Singapore, in ‘13th Conference on Travel Behaviour Research (IATBR)’, Toronto, Canada.

FGSV, 1992, Richtlinien für den Lärmschutz an Straßen (RLS), Ausgabe 1990, Berichtigte Fassung. Forschungsgesellschaft für Straßen- und Verkehrswesen, 1992. URL http://www.fgsv.de.

FHWA, 2011, Agent-based modeling and simulation workshop summary report, Technical Report FHWA-HRT-11-036, Federal Highway Administration.

Horni, A., Nagel, K., Axhausen, K.W., 2016, The Multi-Agent Transport Simulation MATSim, Ubiquity, London, 2016. https://doi.org/10.5334/baw.

Hülsmann, F., Gerike, R., Kickhöfer, B., Nagel, K., Luz, R., 2011, Towards a multi-agent based modeling approach for air pollutants in urban regions, In Proceedings of the Conference on “Luftqualität an Straßen”. Bundesanstalt für Straßenwesen, FGSV Verlag GmbH, 2011, 144–166, URL: http://www.vsp. tu- berlin.de/publications.

Kickhöfer, B., Hülsmann, F., Gerike, R., Nagel, K., 2013, Rising car user costs: comparing aggregated and geo-spatial impacts on travel demand and air pollutant emissions, In Vanoutrive, T. and A. Verhetsel, editors, Smart Transport Networks: Decision Making, Sustainability and Market structure, NECTAR Series on Transportation and Communications Networks Research, 180–207, Edward Elgar Publishing Ltd, 2013. https://doi.og/10.4337/9781782548331.00014.

Kaddoura, I., Kröger, L., Nagel, K., 2017, An activity-based and dynamic approach to calculate road traffic noise damages, Transportation Research Part D: Transport and Environment, 54:335–347, 2017, https://doi.org/10.1016/j.trd.2017.06.005.

Lee, K.-S., Hobeika, A.G., Zhang, H.B., Jung, H., 2009, Travelers’ response to value pricing: application of departure time choices to TRANSIMS, Journal of Transportation Engineering136(9), 811–817.

Lu, Y., Adnan, M., Basak, K., Pereira, F.C., Carrion, C., Hamishagi Saber, V., Loganathan, H., Ben-Akiva, M.E., 2015, SimMobility? mod-term simulator: A state of the art integrated agent based demand and supply model, Technical Report 15-3937.

Nagel, K., Schreckenberg, M., 1992, A cellular automaton model for freeway traffic, Journal de Physique I France, 2, 2221.

Nagel, K., 1996, Individual adaptation in a path-based simulation of the freeway network of Northrhine-Westfalia, International Journal of Modern Physics C, 7(6), 883.

Nagel, K., Wagner, P., Woesler, R., 2003, Still flowing: Approaches to traffic flow and traffic jam modeling, Operations Research, 51(5), 681.

Gawron, C., 1998, An iterative algorithm to determine the dynamic user equilibrium in a traffic simulation model, International Journal of Modern Physics C9(3), 393–407.

Ortúzar, J.d.D., Willumsen, L.G., 2011, Modelling Transport, 4th edn, Wiley.

Peeta, S., Ziliaskopoulos, A., 2001, Foundations of dynamic traffic assignment: The past, the present and the future, Networks and Spatial Economics 1(3), 233–265.

Pendyala, R., 2004, Phased implementation of a multimodal activity-based travel demand modeling system in Florida, volume II: FAMOS users guide, Research report, Florida Department of Transportation, Tallahassee, URL: http://www.eng.usf.edu/~pendyala/publications.

Pendyala, R., Bhat, C., Goulias, K., Paleti, R., Konduri, K., Sidharthan, R., Christian, K., 2013, SimAGENT Population Synthesis, Technical report, GeoTrans? Laboratory, University of California.

Pritchard, D., Miller, E., 2008, Advances in agent population synthesis and application in an integrated land use/transportation model, Technical report, University of Toronto, Department of Civil Engineering.

Raney, B., Cetin, N., Völlmy, A., Vrtic, M., Axhausen, K., Nagel, K., 2003, An agent-based microsimulation model of Swiss travel: First results, Networks and Spatial Economics3(1), 23–41.

Roorda, M.J., Carrasco, J.A., Miller, E.J., 2009, An integrated model of vehicle transactions, activity scheduling and mode choice, Transportation Research Part B: Methodological43(2), 217–229.

Schnittger, S., Zumkeller, D., 2004, Longitudinal microsimulation as a tool to merge transport planning and traffic engineering models - the MobiTopp? model, in ‘European Transport Conference’, Strasbourg.

Simoni, M. D., 2013, Congestion pricing schemes controlled by the GMFD: a comprehensive design and appraisal to bridge the engineering and economic perspective, Master’s thesis, Institute for Transport Planning, Technical University Delft, Delft.

Takama, T., Preston, J., 2008, Forecasting the effects of road user charge by stochastic agent-based modelling, Transportation Research Part A: olicy and Practice 42(4), 738–749.

Vovsha, P., Bradley, M., 2006, Advanced activity-based models in context of planning decisions, Transportation Research Record1981, 34–41.

WHO, 2005, Air Quality Guidelines Global Update 2005: Particulate matter, ozone, nitrogen dioxide and sulfur dioxide, World Health Organization, 2006. ISBN 9289021926. WHO, 2009, Night Noise Guidelines for Europe, World Health Organization. ISBN 9789289041737.

Ye, X., Konduri, K., Pendyala, R., Sana, B., Waddell, P., 2009, A methodology to match distributions of both household and person attributes in the generation of synthetic populations, Annual Meeting Preprint 09-2096, Transportation Research Board, Washington D.C.

Zhang, L., Levinson, D., Zhu, S., 2008, Agent-based model of price competition, capacity choice, and product differentiation on congested networks, Journal of Transport Economics and Policy42(3), 435–461.

Zheng, H., Son, Y.-J., Chiu, Y.-C., Head, L., Feng, Y., Xi, H., Kim, S., Hickman, M., 2013, A primer for agent-based simulation and modeling in transportation applications, Technical Report FHWA-HRT-13-054, Federal Highway Administration.

Zhu, S., Levinson, D., Zhang, L., 2008, Agent-based route choice with learning and exchange of information, Annual Meeting Preprint 08-2152, Transportation Research Board, Washington D.C.

Ziemke, D., Kaddoura, I., Nagel, K., 2019, The MATSim Open Berlin Scenario: An openly available agent- based transport simulation scenario based on Open Data, VSP Working Paper 19-01, TU Berlin, Transport Systems Planning and Transport Telematics. URL http://www.vsp.tu-berlin.de/publications.

Kontaktdaten:

nagel[at]vsp.tu-berlin.de

Last modified 2 months ago Last modified on Jun 8, 2020 6:53:03 PM

Attachments (1)

Download all attachments as: .zip

                                                                                                                                                                                                                                                                                                                                                                               
  | Impressum | ©Leibniz Universität Hannover |