Digital Twin for Urban Transportation

QC 20260511

Abstract

Denna licentiatuppsats utvecklar och prototypiskt demonstrerar Digital Twin (DT)-arkitekturer för urbana transportsystem med fokus på vägtrafikutsläpp, kollektivtrafik och datadriven skattning av vägflöden för att stödja simuleringsbaserade DT-arbetsflöden. För att föra dagens transportrelaterade DT-lösningar vidare från isolerade sensordashboards och fristående simuleringar behandlar avhandlingen tre forskningsmål: 1) att formulera en överförbar DT-arkitektur för nätverksomfattande skattning i realtid, prognoser och retrospektiv analys av vägtrafikutsläpp, 2) att utforma en öppen, automatiserad och utbyggbar utvecklingspipeline för DT inom kollektivtrafik, samt 3) att undersöka robustheten och överförbarheten hos Partial Least Squares Regression (PLSR) för rekonstruktion av vägflöden från länktrafikobservationer.

Artikel I utvecklar och demonstrerar ett utsläppsorienterat DT-ramverk som integrerar kamerabaserad datainsamling, efterfrågeskattning, hybrid trafiksimulering och interaktiv 3D-visualisering. Trafikkameror behandlas med en datorseendepipeline som detekterar och klassificerar fordon samt extraherar hastighet och acceleration, vilka används för att skatta utsläpp i realtid vid kamerapositionerna. För att vidare uppskatta utsläpp på nätverksnivå används kameradata för att skatta dynamisk OD-efterfrågan som sedan används som indata till mikrosimulering. En Unity-baserad 3D-plattform integrerar sensor- och simuleringsdata via MQTT-baserad dataströmning. Plattformen möjliggör gemensam analys av nästan realtida utsläpp vid sensorplatser och simulerade utsläppsskattningar i det omgivande nätverket. En fallstudie i Kista, Stockholm, visar ramverkets förmåga att stödja både realtidsskattning av utsläpp och scenarioanalys, exempelvis genom att bedöma förändringar i nätverksomfattande utsläpp vid minskad parkeringstillgång.

Eftersom DT-system integrerar flera komplexa komponenter är deras utveckling ofta resurskrävande och tidsintensiv. För att sänka trösklarna föreslår Artikel II en öppen och automatiserad DT-utvecklingspipeline för kollektivtrafik som bygger på öppna data, öppna standarder och programvara med öppen källkod. Kollektivtrafikens drift representeras med GTFS-data, där den statiska delen används som indata till mikroskopisk trafiksimulering för att möjliggöra gemensam simulering av kollektivtrafikfordon och interaktioner med privat trafik. GTFS realtidsflöden möjliggör både övervakning av aktuell kollektivtrafikdrift genom visualisering med låg latens och retrospektiv analys av händelser genom en databas som lagrar historiska observationer. Trafikdata på länk- och fordonsnivå visualiseras tillsammans med automatiskt genererade OSM-baserade byggnadsmodeller i en Cesium-baserad webbplattform. Denna interaktiva visualisering gör det möjligt för användare att växla mellan realtidsövervakning, scenariobaserad prognostisering och uppspelning av historisk drift i en rumslig 3D-kontext som underlättar välgrundat beslutsfattande. En fallstudie i Kista, Stockholm, demonstrerar pipeline-lösningens tekniska genomförbarhet genom att visa realtida kollektivtrafikdrift och simuleringsbaserade scenarier i den interaktiva 3D-baserade DT-plattformen.

Artikel III formulerar och utvärderar en PLSR-baserad skattare av vägflöden som ett datadrivet alternativ till konventionell skattning av OD-matriser inom DT-baserade simuleringsarbetsflöden. Att skatta ett större antal OD-par utifrån ett mindre antal länkräkningar, i kombination med kollinearitet i observationerna, gör problemet att skatta vägflöden ill-posed. PLSR lär sig en lågdimensionell latent representation som maximerar kovariansen mellan observerade länkflöden och vägflöden, vilket ger en implicit regularisering av det ill-posed inversa problemet. Även om metoden har använts i liknande problemsammanhang har den ännu inte tillämpats för skattning av vägflöden. Studien utvärderar därför dess lämplighet genom att analysera dess stabilitet och överförbarhet med hjälp av ett syntetiskt testnätverk och kontrollerade datagenererande processer som speglar praktiskt relevanta OD- och vägvalsstrukturer. Experimenten visar att PLSR uppnår lägst rekonstruktionsfel när variationen i vägflöden domineras av variation i OD-efterfrågan. Ökad slumpmässighet i vägval minskar däremot initialt rekonstruerbarheten, men prestandan stabiliseras när systemen går in i regimer med stark konkurrens mellan vägar. Experimenten indikerar vidare att PLSR är pålitligt överförbar när träning och tillämpning delar samma korrelationsregimer, men att prestandan försämras nära regimgränser där OD-drivna korrelationer övergår i korrelationer som orsakas av konkurrens mellan vägval. Resultaten tyder på att PLSR kan fungera som en snabb och datadriven skattare av vägflöden i DT-sammanhang. För att säkerställa tillförlitliga skattningar över tid krävs dock kontinuerlig övervakning av de underliggande korrelationsregimerna för att upptäcka skiften och träna om modellen vid behov.

Link to DiVA