Signalized intersection delay estimation for transportation demand modeling

Abstract

Ulaşım ağı üzerinde yer alan kavşaklar, yol ağı kapasitesi ve trafik güvenliği açılarından önemli yol elemanlarıdır. Kavşaklarda performans ya da hizmet düzeyi, kavşağın hizmet ettiği toplam taşıt sayısı veya kavşağın sebep olduğu taşıt başına gecikmeler ile belirlenmektedir. Kavşak gecikmeleri; işletme koşullarına bağlı kavşak denetim biçimi, sinyal süresi, taşıt ve yaya talebi gibi değişkenlerin yanı sıra, kavşak türü, geometrisi, kavşak yakınında bulunan toplu taşıma durakları ve yol kenarı parklanmalar gibi parametrelerden etkilenmektedir.Kavşak gecikmelerinin analizi ile mikro ölçekte kavşağın hizmet düzeyinin belirlenmesi, gecikmeleri azaltmaya yönelik alternatiflerin sunulması ve seyahat süresi güvenilirliğinin artırılması gibi faydalar elde edilmektedir. Bunun yanı sıra makro ölçekte ise geleceğe yönelik planlamalarda uygun kavşak tasarımlarının belirlenmesi ve ulaşım planlama modellerinde seyahat süresi tahminlerinin yapılmasında kullanılmaktadır. Dolayısıyla, kavşak gecikmelerinin doğru olarak tahmin edilip modellenmesi ile yolculuk atamalarının daha doğru şekilde planlanması sağlanmaktadır.Bu çalışma kapsamında Akıllı Ulaşım Sistemleri (AUS) verileri kullanılarak 4 kollu sinyalize kavşaklar için kavşak gecikme tahmin modelleri geliştirilmiştir. Bu amaçla, Denizli il sınırları dahilinde yer alan kavşaklar belirlenmiş ve kavşak ile ilgili bilgiler elde edilmiştir. Çalışmanın ilk aşamasında bu kavşakların yaklaşım kollarında yer alan loop dedektör sistemi verileri kullanılarak trafik akımının günlük dağılımları elde edilmiştir. Bu dağılımlar ile şehir merkezi için trafik zirve saatlerinin belirlenmesine yönelik bir model geliştirilmiştir. İkinci kısımda ise ilgili kavşakların yaklaşım kollarında yer alan Ultra Yüksek Frekans Radyo Frekansı ile Tanımlama verileri toplanarak kavşak gecikmeleri hesaplanmıştır. Elde edilen tüm bu veriler ile bir veri tabanı oluşturulmuş ve Doğrusal Olmayan Regresyon ve Yapay Sinir Ağları yöntemleri kullanılarak modeller geliştirilmiştir. Geliştirilen bu modeller ile gecikme süreleri tahmin edilmiş ve sonuçları karşılaştırılmıştır.

The intersections are important road elements of the transportation network in terms of road capacity and traffic safety. The performance or service level of intersections is determined by the number of vehicles passing through the intersection or the delay per vehicle caused by the intersection. Intersection delay is affected by parameters such as intersection control type, traffic signal cycle length, vehicle and pedestrian numbers, intersection type, geometry, roadside parking, and the number of public transportation stops around the intersection.By the analysis of intersection delays, benefits on a micro-scale such as determining the service level of the intersection, offering alternatives to reduce delays and increasing travel time reliability are obtained. In addition, on the macro scale, it is used to determine suitable intersection designs in future planning and to make travel time estimations in transportation planning models. Therefore, by accurately estimating and modelling the intersection delays, it is possible to plan the trip assignments more accurately.In the scope of this study, intersection delay estimation models for 4-leg signalized intersections were developed by using Intelligent Transportation Systems data. For this purpose, intersections within the boundaries of Denizli province were determined and information about the intersection was obtained. In the first part of the study, daily distributions of traffic flow were obtained by using the loop detector system data located on the approaches of the intersections. By these distributions, a model has been developed to determine the traffic peak periods for the city center. In the second part of the study, delays for related intersections were calculated by collecting data from Ultra High Frequency Radio Frequency Identification systems located on the approaches of the intersections. A database was created with all these data obtained and models were developed using Nonlinear Regression and Artificial Neural Networks methods. Using these developed models, the delays were estimated and the results were compared.