Detailergebnis zu DOK-Nr. 80643
Parallelisierung von Verkehrsnachfragemodellen: ein Vergleich von Modellvereinfachung und Synchronisierung für gemeinsam genutzte Fahrzeuge
| Autoren |
J. Kübler R. Andre L. Schuhmacher G. Wilkes M. Kagerbauer P. Vortisch |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 5.3.4 Öffentlicher Personennahverkehr 6.2 Verkehrsberechnungen, Verkehrsmodelle 0.3 Tagungen, Ausstellungen |
HEUREKA '24: Optimierung in Verkehr und Transport, 13. und 14. März 2024 in Stuttgart. Köln: FGSV Verlag, 2024, USB-Stick (FGSV 002/140) Vortragsreihe C 3, 15 S., 10 B, 1 T, 26 Q
Die zunehmende Komplexität moderner agentenbasierter Modelle für die Verkehrsnachfrage stellt Herausforderungen in Bezug auf den erforderlichen Speicherplatz und die Rechenzeit dar. Die Verbesserung der Effizienz und Skalierbarkeit dieser Simulationen ist von entscheidender Bedeutung, um statistisch zuverlässige Prognosen für umfassende Studien über Verkehrssysteme und die Auswirkungen von Strategien und Maßnahmen zu erstellen. Moderne Ansätze aus der Parallelverarbeitung wurden bereits in anderen agentenbasierten Modellen angewandt, um Agentenentscheidungen simultan auszuwerten und damit die Rechenzeit zu reduzieren. In dem Beitrag der HEUREKA 24 werden zwei Ansätze vorgestellt, um die Effizienz von agentenbasierten Verkehrsnachfragemodellen durch Parallelisierung zu erhöhen. Als Fallstudie wird die Abhängigkeit von gemeinsam genutzten Fahrzeugen im Haushalt und die damit verbundene Verkehrsmittelwahl verwendet. Der erste Ansatz beinhaltet Strategien zur Synchronisierung der Agenten, wie zum Beispiel die Gruppierung der Agenten nach Haushalten und Mutex-Sperren (wechselseitiger Ausschluss) für die Fahrzeugzuweisung in den Haushalten. In einem zweiten Ansatz wird das Modell vereinfacht, um die Abhängigkeiten zwischen den Agenten zu reduzieren, sodass zuvor abhängige Agenten parallel berechnet werden können. Die Ergebnisse zeigen eine deutliche Reduktion der Rechenzeit bis zu einem Beschleunigungsfaktor von 24,5 bei der Verwendung von 32 Kernen.