Bevorzugter Zitierstil für diesen Vortrag
|
|
- Kornelius Kramer
- vor 6 Jahren
- Abrufe
Transkript
1 Bevorzugter Zitierstil für diesen Vortrag Charypar, David (2006) Optimierung von grossen Mikrosimulationsmodellen der Verkehrsnachfrage - Wie simuliert man 10 Millionen Agenten?, IVT-Seminar Optimale Verkehrssysteme?, Zürich, Juni 2006.
2 Optimierung von grossen Mikrosimulationsmodellen der Verkehrsnachfrage Wie simuliert man 10 Millionen Agenten? David Charypar IVT ETH Zürich Juni 2006
3 Motivation Wir wollen den Verkehr in einer Region berechnen, indem wir das Tagesverhalten aller Personen, die mit dieser Region in Kontakt kommen, simulieren. Beobachtung: Verkehr entsteht dadurch, dass verschiedene Personen Aktivitäten an verschiedenen, räumlich getrennten Orten ausführen. Idee: Wenn wir die Aktivitäten der Personen modellieren können, fällt die Verkehrsnachfrage quasi automatisch als "Nebenprodukt" an. 3
4 Übersicht Motivation Mikro- gegenüber Makro-Simulation Grosse Szenarien Das Mikrosimulationssystem Tagesplan Schlangensimulation Neuplanungsmodul Bewertungsfunktion Resultate 4
5 Grosse Simulation auf mikroskopischer Ebene 5
6 Makrosimulation: 4-Stufen Ansatz Beschreibung des Verkehrs auf Zonenebene Aufteilung des Verkehrsaufkommens als Bruchteile des Gesamtvolumens Keine Aktivitätenketten Keine Individuen Geringe zeitliche Auflösung Erzeugung (Wege) Verteilung/Zielwahl Verkehrsmittelwahl Routenwahl 6
7 Was ist eine Mikrosimulation? Zeitlich, örtlich und inhaltlich hoch aufgelöste Modellierung jeder einzelnen Person eines Szenarios: Population als Menge von individuellen Agenten Tagesplan für jeden Agenten (Aktivitätentyp, -dauer, -ort) Ressourcen zur Ausführung der Aktivitäten (Arbeitsort, Läden, Freizeitangebote, etc.) Zeitabhängige Routenwahl für jeden Weg zwischen Aktivitäten Direkte Bewegung der Agenten durch das Verkehrsnetzwerk mit Interaktion zwischen individuellen Agenten 7
8 Vergleich Makrosimulation Mikrosimulation Modellierungsaufgabe Population Zielwahl Verkehrsmittelwahl Routenwahl Bedarfsmodellierung Verkehrsfluss-Simulation Makrosimulation Indirekt zur Erzeugung der Quell-Ziel-Beziehungen Auf Basis von Quell-Ziel- Beziehungen, statistisch Auf Basis von Quell-Ziel- Beziehungen, statistisch Einmal pro Quell-Ziel- Beziehung Quell-Ziel-Matrix repräsentiert Bedarf Volumen auf Strassen Reisezeit aus Volumen Mikrosimulation Menge von Agenten Individuell im Tagesplan Individuell im Tagesplan Individuell im Tagesplan, sekundengenau Tagespläne stellen indirekt Bedarf dar Agenten reisen durchs Netz und interagieren direkt 8
9 Grosse Szenarien Simulation des Tagesverhaltens aller Personen einer Region. Das Szenario umfasst mehr als eine Million beteiligter Personen Kanton Zürich: Schweiz: Berlin-Brandenburg: Deutschland: 1.2 Mio. Personen 7.4 Mio. Personen 6.0 Mio. Personen 82 Mio. Personen 9
10 Das Mikrosimulationssystem MATSIM-T Eingangs- Daten Erzeuger Lernschleife Simulation der Wege Welt Agenten Tagespläne Welt Belastungen Reisezeiten Population Neuplanung Initialpläne 10
11 Eigenschaften eines Agenten Alter Geschlecht Einkommen Arbeitsverhältnis Wohn-/Arbeitsort Führerscheinbesitz Autobesitz Abobesitz Verbindungen zu anderen Agenten Einfluss auf Tagesplan 11
12 Tagesplan Aktivitätenketten Orte Heim-Arbeit-Einkaufen-Freizeit-Heim Strasse und Nummer Koordinaten Aktivitätenzeiten Startzeit für Plan Aktivitätendauern Verkehrsmittelwahl für jeden Weg Synchronisierung mit den anderen Agenten des Haushalt 12
13 Lernschleife Simulation der Wege Agenten Tagespläne Welt Belastungen Reisezeiten Neuplanung Bewertungsfunktion 13
14 Mikrosimulation des Verkehrsflusses Idee: Simuliere jeden Agenten wie er sich durch das Netz bewegt Erster Ansatz: Möglichst genaue Abbildung der Fahrphysik und der Fahrpsychologie der Agenten Autos beschleunigen/bremsen Autos können überholen Autos interagieren auf Kreuzungen (Vortrittsregeln) Lichtsignalanlagen Fussgänger... 14
15 Rechenaufwand für Mikrosimulation mit allen Details Reaktionszeit des Menschen: t react =0.5s Jeder Agent muss während eines Weges mindestens zweimal pro Sekunde die Möglichkeit haben zu agieren Der Berechnungsaufwand für die Simulation eines ganzen Tages auf einem grossen Szenario in Anzahl Operationen berechnet sich aus N t s 6 total travel 10 ops = 10 treact 0.5s Auf heutigen Desktopcomputern dauert das mindestens 5 Stunden Faktor 200 zu langsam 15
16 Die Schlangensimulation Simulation der Strasse als Warteschlange Simulationsaufwand der Strasse unabhängig von der Anzahl Autos, die sie befahren Beschränkung der Kapazitäten beim Ein- und Auslass Beschränkung der Anzahl Fahrzeuge, die auf die Strasse passen Minimale Reisezeit Minimale Rücklaufzeit der Lücken 16
17 Weitere Beschleunigung der Fluss-Simulation Ereignisbasierte Simulation Ein-/Ausfahrt in/aus Kante Überquerung von Kreuzung Anfang/Ende von Wegen Parallelisierung Aufteilung des Netzwerkes Kanten werden aufgeschnitten Verschiedene Rechner tauschen regelmässig Informationen über Randbereiche (= aufgeschnittene Kanten) aus Agenten wandern von Rechner zu Rechner 17
18 Lernschleife Simulation der Wege Agenten Tagespläne Welt Belastungen Reisezeiten Neuplanung Bewertungsfunktion 18
19 Ausgabe des Mikrosimulationssystems nach einer Iteration Für jeden Agenten Sekundenfeine Tagebücher Reisezeiten für jeden Weg Ob der Agent verspätet / zu früh ist Für jeden Strassenabschnitt Sekundenfeine Ganglinien Tageszeitabhängige Reisezeiten Für jeden Arbeitsort, Wohnort, Laden und jede andere Einrichtung Tageszeitabhängige Belastung 19
20 Lernschleife Simulation der Wege Agenten Tagespläne Welt Belastungen Reisezeiten Neuplanung Bewertungsfunktion 20
21 Neuplanungsmodul Ein evolutionärer Algorithmus Planbewertungen Kandidaten- Pläne Plan Plan Plan Plan Plan Plan Bewertungsfunktion Bewertung Bewertung Bewertung Bewertung Bewertung Neuer Plan Abtastung Auswahl 21
22 Neuer Optimierungsalgorithmus für das Neuplanungsmodul Covariance Matrix Adaptation Evolution Strategy (CMA-ES) Schätzt eine multivariate Normalverteilung im aktuellen Suchbereich um den Optimierungsfortschritt zu maximieren Schrittweitenanpassung basierend auf der Länge des zurückgelegten Suchpfades und der erwarteten Länge eines Zufallsweges
23 Eigenschaften des CMA-ES Optimieriers Geeigent für nichtlineare, nichtkonvexe Optimierungsprobleme Invariant bezüglich Abbildungen die die Reihenfolge nicht verändern Geeignet für diskontinuierliche verrauschte Zielfunktionen Guter globaler Optimierer Kann sichverzerrten Suchräumen anpassen Funktioniert auch für bestimmte Klassen nichtseparabler Zielfunktionen Unempfindlich gegenüber linearen Transformationen des Suchraumes
24 CMA-ES Beispiel 1
25 CMA-ES Beispiel 2
26 Lernschleife Simulation der Wege Agenten Tagespläne Welt Belastungen Reisezeiten Neuplanung Bewertungsfunktion 26
27 Die Bewertungsfunktion Wird zur Bewertung der Tagespläne verwendet Gesamtnutzen als Summe von Einzelnutzen Aktivitäten bringen positiven Nutzen Reisen erzeugen generalisierte Reisekosten Bestrafungen für Zuspätkommen Nebenbedingungen (Öffnungszeiten etc.) 27
28 Nutzen eines Tagesplans mit 3 Aktivitäten 28
29 Echte Reisezeiten im Neuplanungsmodul Altes System: Reisezeiten werden als konstant über den ganzen Tag angenommen Vorteil: schnelle Berechnung Nachteil: Agent sieht während Neuplanung Stosszeiten nicht Neues System: Reisezeiten werden für jede Abfahrtszeit neu bestimmt Vorteil: Agent kann schon während der Neuplanung Lastspitzen sehen und ihnen ausweichen -> bessere Pläne Nachteil: Rechenaufwand
30 Resultate
31 Variation der Neuplanungswahrscheinlichkeit 31
32 Zuwachs des mittleren Nutzens durch Lernen 32
33 Netzwerklast nach Wegzweck Alt, nach 70 Iterationen 33
34 Netzwerklast nach Wegzweck Neu, nach 20 Iterationen 34
35 Performance - Laufzeiten Mikrosimulation des Verkehrsflusses Performance: Ereignisse / s auf Mainstream Rechner 10 Mio Agenten * 24h 3h Rechenzeit (single CPU) pro Iteration Neuplanungsmodul Performance: 50 Agenten / s auf Mainstream Rechner 2 Mio Agenten neuplanen ca. 11h Rechenzeit (single CPU) pro Iteration
36 Literatur Frick, M. A. (2004) Generating Synthetic Populations using IPF and Monte Carlo Techniques: Some New Results, Conference Paper, 4th Swiss Transport Research Conference, Monte Verita, Ascona, March Raney, B. (2005) Learning framework for large-scale multi-agent simulations, PhDthesis, ETH Zurich, Zurich. Cetin, N. (2005) Large scale parallel graph-based simulations, PhD-thesis, ETH Zurich, Zurich. Meister,K., M. Frick and K.W. Axhausen (2005) Generating daily activity schedules for households using Genetic Algorithms, Conference Paper, STRC, Monte Verità. Charypar, D. and K. Nagel (2005) Generating complete all-day activity plans with genetic algorithms, Transportation, 32 (4) Balmer, M., K.W. Axhausen and K. Nagel (2005) An agent based demand modeling framework for large scale micro-simulations, paper submitted for the 85th annual meeting of the Transportation Research Board, TRB, Washington D.C., January Bernard, M. (2006) Correlation of link travel speed, Conference Paper, 6th Swiss Transport Research Conference, Monte Verita, Ascona, March
Neue Ansätze in der Verkehrsmodellierung
SRL Halbjahrestagung 2007, Braunschweig 10.-11.05.2007 Neue Ansätze in der Verkehrsmodellierung Jens Rümenapp Gertz Gutsche Rümenapp GbR, Hamburg 1 Gliederung Aufgaben und Anforderungen Der aktuelle Stand
MehrBevorzugter Zitierstil für diesen Vortrag
Bevorzugter Zitierstil für diesen Vortrag Zöllig, C., P. Schirmer, K. Müller und B.R. Bodenmann (2011) Simulation von Flächennutzungsentwicklungen am Beispiel Zürich, 4. Symposium des PNGI* Planungsnetzwerk
MehrPreferred citation style for this presentation
Preferred citation style for this presentation Raphael Fuhrer und Veronika Killer (2013) Erreichbarkeitsveränderungen in Raum und Zeit: Vom historischen Strassennetzwerk zum aggregierten Potentialansatz,
MehrEinleitung Mobilitätsverhalten Daten zum Mobilitätsverhalten Kurze Einführung ins Data Mining Ein Beispiel aus dem Verkehrsbereich
9. Thurgauer Technologietag vom 27. März 2009 Paul Widmer, Marcel Dettling SVI Forschungsprojekt Neue Erkenntnisse zum Mobilitätsverhalten dank Data Mining? Einleitung Mobilitätsverhalten Daten zum Mobilitätsverhalten
MehrKURS EINFÜHRUNG IN DIE ABSCHÄTZUNG UND PROGNOSE DER VERKEHRSNACHFRAGE. 13.-15. Oktober 2010 25.-26. November 2010
KURS EINFÜHRUNG IN DIE ABSCHÄTZUNG UND PROGNOSE DER VERKEHRSNACHFRAGE 13.-15. Oktober 2010 25.-26. November 2010 ETH Hönggerberg Gebäude HIL 8093 Zürich Einführung in die Abschätzung und Prognose der Verkehrsnachfrage
MehrDie CUTEr Testbibliothek
Die CUTEr Testbibliothek Slide 1 Motivation Softwarepakete mit vollkommen verschiedenen Anwendungsschwerpunkten Optimierung entweder nur einer von vielen Schwerpunkten oder sogar nur Nebenprodukt zur Lösung
MehrPreferred Citation Style for this Presentation
Preferred Citation Style for this Presentation Waraich, Rashid A. (2010) Aufladeverhalten von Plug-In-Hybrid Elektrischen Fahrzeugen, Verkehrsingenieurtag 2010, Zurich, Switzerland, March 2010. 1 Aufladeverhalten
MehrMethoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien
Methoden zur Visualisierung von Ergebnissen aus Optimierungs- und DOE-Studien Katharina Witowski katharina.witowski@dynamore.de Übersicht Beispiel Allgemeines zum LS-OPT Viewer Visualisierung von Simulationsergebnissen
MehrPreferred citation style for this presentation
Preferred citation style for this presentation Simma, A. (2002) Ziel- und Verkehrsmittelwahl für Wege zum Skifahren in der Schweiz, 3. AMUS-Konferenz, Aachen, Juli 2002. 1 Ziel - und Verkehrsmittelwahl
MehrTechniken der Verkehrssimulation
Techniken der Verkehrssimulation 1. Einführung/Motivation 2. Verkehrsplanungsmodelle: Klassisches 4-Stufen-Modell Aktivitätsbasierte Verkehrsnachfrage Umlegungsverfahren Discrete Choice Modelle 3. Verkehrsflusssimulation:
MehrModellierung von Agenten mit reicher innerer Struktur. Struktur anhand eines Einkaufzentrums
Modellierung von Agenten mit reicher innerer Struktur anhand eines Einkaufzentrums Technische Universität Wien 19. November 2015 Inhalt 1 Einleitung 2 Discrete-Event Simulation System Dynamics Agenten-basierte
MehrMobilität in der Schweiz. Wichtigste Ergebnisse des Mikrozensus 2005 zum Verkehrsverhalten
Mobilität in der Schweiz Wichtigste Ergebnisse des Mikrozensus 2005 zum Verkehrsverhalten Neuchâtel, 2007 Jahresmobilität: 19 000 Kilometer pro Jahr Eine halbe Erdumrundung pro Person Jahresmobilität 19
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) Mathematikgebäude Raum 715 Christoph Kustosz (kustosz@statistik.tu-dortmund.de) W-Rechnung und Statistik
MehrMonte-Carlo-Simulation
Modellierung und Simulation Monte-Carlo-Simulation Universität Hamburg Johannes Schlundt 7. Januar 2013 Monte-Carlo-Simulation Johannes S. 1/31 Inhalt Motivation Geschichtliche Entwicklung Monte-Carlo-Simulation
MehrMotivation. Motivation
Vorlesung Modellierung nebenläufiger Systeme Sommersemester 2012 Universität Duisburg-Essen Was sind nebenläufige Systeme? Ganz allgemein: Systeme, bei denen mehrere Komponenten/Prozesse nebenläufig arbeiten
MehrArchitektur verteilter Anwendungen
Architektur verteilter Anwendungen Schwerpunkt: verteilte Algorithmen Algorithmus: endliche Folge von Zuständen Verteilt: unabhängige Prozessoren rechnen tauschen Informationen über Nachrichten aus Komplexität:
MehrAlgorithmen & Datenstrukturen 1. Klausur
Algorithmen & Datenstrukturen 1. Klausur 7. Juli 2010 Name Matrikelnummer Aufgabe mögliche Punkte erreichte Punkte 1 35 2 30 3 30 4 15 5 40 6 30 Gesamt 180 1 Seite 2 von 14 Aufgabe 1) Programm Analyse
MehrLeitfaden 2012/02. Aktivitätenorientierte Analyse des Neuverkehrs SVI
Leitfaden 2012/02 Aktivitätenorientierte Analyse des Neuverkehrs SVI Impressum Datum 27.12.2012 Version 1.1 Grundlagen SVI 2004/012 Aktivitätenorientierte Analyse des Neuverkehrs IVT, ETH Zürich, Zürich
MehrFranzösisch (fliessend in Schrift und Sprache)
LEBENSLAUF DR. CLAUDE WEIS ANGABEN ZUR PERSON Geschlecht: Männlich Geburtsdatum: 13. Juni 1981 Geburtsort: Luxemburg Zivilstand: Ledig Staatsbürgerschaften: Luxemburger und Schweizer Sprachen: Luxemburgisch
MehrSeminar aus maschinellem Lernen MCTS und UCT
Seminar aus maschinellem Lernen MCTS und UCT 26. November 2014 TU Darmstadt FB 20 Patrick Bitz 1 Übersicht Historisches zu MCTS MCTS UCT Eigenschaften von MCTS Zusammenfassung 26. November 2014 TU Darmstadt
MehrVerkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Jörg Rambau
Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? Verkehrsstauspiel: Wieviel Prozent der Autos fahren über blau/grün? 1 x x = Anteil der Fahrzeuge, die dort entlang fahren Verkehrsstauspiel:
MehrBevorzugter Zitierstil für diesen Vortrag
Bevorzugter Zitierstil für diesen Vortrag Axhausen, K.W. (2008) Erfassung der Nutzenfaktoren Zeit und Zuverlässigkeit über Zahlungsbereitschaftsanalysen, Expertenworkshop zur Bewertungsmethodik für Verkehrsinfrastrukturanalysen,
MehrMotivation. Problemstellung. Lösungsansätze. Fazit und Ausblick. Dipl. Wi.-Inf. Thomas Huth. Problemstellung. Lösungsansätze. Fazit und Ausblick
Dynamische Aspekte in der mehrperiodischen Tourenplanung Doktorandenkolloquium Sonnenberg, März M 2007 1 Motivation Dynamische Aspekte in der Tourenplanung werden zunehmend wichtiger Gründe dafür sind
MehrOptimal Control in Air Traffic Management
Optimal Control in Air Traffic Management DGLR Workshop Bestimmung optimaler Trajektorien im Air Traffic Management 23.04.2013 Deutsche Flugsicherung GmbH, Langen 23.04.2013 1 Inhalt. Hintergrund und Motivation.
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrAlles zu seiner Zeit Projektplanung heute
Alles zu seiner Zeit Projektplanung heute Nicole Megow Matheon Überblick Projektplanung Planen mit Graphentheorie Maschinenscheduling Ein 1 Mio. $ Problem Schwere & leichte Probleme? Zeitplanungsprobleme?
MehrPR Statistische Genetik und Bioinformatik
PR Statistische Genetik und Bioinformatik Johanna Bertl Institut für Statistik und OR, Universität Wien Oskar-Morgenstern-Platz 1/6.344, 1090 Wien, Tel.: 01-4277-38617 johanna.bertl@univie.ac.at, homepage.univie.ac.at/johanna.bertl
MehrHeuristiken im Kontext von Scheduling
Heuristiken im Kontext von Scheduling Expertenvortrag CoMa SS 09 CoMa SS 09 1/35 Übersicht Motivation Makespan Scheduling Lokale Suche Weitere Metaheuristiken Zusammenfassung Literatur CoMa SS 09 2/35
MehrKurzanleitung MORECO-Haushaltsrechner
SIR + ISPACE / 11 June 2014 Kurzanleitung MORECO-Haushaltsrechner Salzburgs Rechner für Wohn- und Mobilitätskosten Inhaltsverzeichnis 1. Wo wohnen? Was kostet Mobilität wirklich?... 1 2. Wie funktioniert
MehrHolistische Betrachtung von Stoff- und Energieflüssen mittels Petri-Netzen
Holistische Betrachtung von Stoff- und Energieflüssen mittels Petri-Netzen Dr. Martin Nagel Universität Erlangen-Nürnberg, Department Chemie- und Bioingenieurwesen, Lehrstuhl für Strömungsmechanik Motivation
MehrLebenslauf Kai Nagel. 1 Ausbildung, Wehrdienst. 2 Berufliche Erfahrung. 3 Gastaufenthalte. 12. Juli 2007
12. Juli 2007 Lebenslauf Kai Nagel Stellung: Professor (C4), Technische Universität Berlin, Fakultät V (Verkehrs- und Maschinensysteme), Institut für Land- und Seeverkehr, Fachgebiet Verkehrssystemplanung
MehrDr. Gerhard Ploss Andreas Schmid. SPAT Service: Ampelphasen-Assistent
Dr. Gerhard Ploss Andreas Schmid SPAT Service: Ampelphasen-Assistent Green Light optimal Speed Advisory (GLOSA) Welche Geschwindigkeit führt führt mich mich bei bei Grün grün über die nächste Kreuzung?
MehrAnalyse und Simulation von Untergrundereignissen für den LFV-Zerfall mit dem ATLAS Experiment am LHC
Analyse und Simulation von Untergrundereignissen für den LFV-Zerfall mit dem ATLAS Experiment am LHC Bericht über ein Praktikum am CERN im Juli/August 2008 Andreas Reiserer Gliederung Der Zerfall τ-produktion
MehrInformatik II Greedy-Algorithmen
7/7/06 lausthal Erinnerung: Dynamische Programmierung Informatik II reedy-algorithmen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de Zusammenfassung der grundlegenden Idee: Optimale Sub-Struktur:
MehrBICYCLE RESEARCH REPORT NR. 151
BICYCLE RESEARCH REPORT NR. 151 Juni 2003 Ministerium für Stadtentwicklung, Wohnen und Verkehr (Hg.): Ausbaubedarf Radwege außerorts an Bundes- und Landesstraßen im Land Brandenburg Hohes Nutzen-Kosten-Verhältnis
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
MehrHP Service Virtualization. Bernd Schindelasch 19. Juni 2013
HP Service Virtualization Bernd Schindelasch 19. Juni 2013 Agenda EWE TEL GmbH Motivation Proof of Concept Ausblick und Zusammenfassung HP Software Performance Tour 2013: HP Service Virtualization 2 EWE
MehrBabeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005. Paradigmen im Algorithmenentwurf
Babeș-Bolyai Universität Cluj Napoca Fakultät für Mathematik und Informatik Grundlagen der Programmierung MLG5005 Paradigmen im Algorithmenentwurf Problemlösen Problem definieren Algorithmus entwerfen
MehrINTEGRATION OF SOCIAL NETWORKS IN A LARGE- SCALE TRAVEL BEHAVIOR MICROSIMULATION
DISS. ETH NO. 18723 INTEGRATION OF SOCIAL NETWORKS IN A LARGE- SCALE TRAVEL BEHAVIOR MICROSIMULATION A dissertation submitted to ETH ZURICH for the degree of Doctor of Sciences presented by JEREMY HACKNEY
MehrInhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII
Inhaltsverzeichnis Vorwort................................................................. V Symbolverzeichnis...................................................... XIII Kapitel 1: Einführung......................................................
MehrKooperative Fahrstreifenwechselassistenz: Hintergrund, Implementierung & Evaluation. Johann Kelsch, Marc Dziennus, Frank Köster
Kooperative Fahrstreifenwechselassistenz: Hintergrund, Implementierung & Evaluation Johann Kelsch, Marc Dziennus, Frank Köster www.dlr.de Folie 2 Hauptschwerpunkt Design kooperativer Assistenz bei Fahrstreifenwechseln
MehrVerkehrsmittelwahl bei Freizeitwegen Analyse auf Basis von Modalgruppen
www.dlr.de Folie 1 > Verkehrsmittelwahl bei Freizeitwegen > Dr. Claudia Nobis > 24.09.2015 Verkehrsmittelwahl bei Freizeitwegen Analyse auf Basis von Modalgruppen Nahverkehrs-Tage 2015 Kassel, 24. September
MehrSeminararbeit zum Thema Genetische Algorithmen
Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.
MehrMonte-Carlo- Simulation. Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA
Monte-Carlo- Simulation Seminar zur Vorlesung Teilchendetektoren und Experiment an ELSA Übersicht Einleitung Simulation mit Geant4 generierte Daten Zusammenfassung 2 Simulation Mathematische Modellierung
MehrCollaborative Virtual Environments
Collaborative Virtual Environments Stefan Lücking Projektgruppe Kreativität und Technik AG Domik WS 02/03 09.01.2003 1/35 Was sind CVE? Versuch einer Definition : Ein CVE ist ein Programm, das eine virtuelle
MehrJan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008
Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption
MehrIntegriertes Modell Ruhrgebiet 2050
17/06/2015 Integriertes Modell Ruhrgebiet 2050 Ruhrgebietsmodell und Szenarien Kristine Brosch, Felix Huber (LUIS) Miriam Müller, Oscar Reutter (WI) Björn Schwarze, Klaus Spiekermann, Michael Wegener (S&W)
MehrProposal zur Masterarbeit. Kombination der neuroevolutionären Methoden EANT mit Q-Learning und CMA-ES
Proposal zur Masterarbeit Kombination der neuroevolutionären Methoden EANT mit Q-Learning und CMA-ES Tchando Kongue Einleitung Neuroevolutionäre Algorithmen sind Methoden, die durch die Benutzung von genetischen
MehrGraphen: Datenstrukturen und Algorithmen
Graphen: Datenstrukturen und Algorithmen Ein Graph G = (V, E) wird durch die Knotenmenge V und die Kantenmenge E repräsentiert. G ist ungerichtet, wenn wir keinen Start- und Zielpunkt der Kanten auszeichnen.
MehrInnovation im Mikrozensus Mobilität und Verkehr 2010: Erfassung der Routen während der Befragung
Innovation im Mikrozensus Mobilität und Verkehr 2010: Erfassung der Routen während der Befragung Kathrin Rebmann (BFS) Matthias Kowald (ARE) Inhalt Eidgenössisches Departement des Innern EDI 1. Einleitung
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
MehrBehandlung von Unsicherheiten in der Ersatzmodell gestützten Optimierung Christian Voß
www.dlr.de Folie 1 Behandlung von Unsicherheiten in der Ersatzmodell gestützten Optimierung Christian Voß Üersicht - Ersatzmodell gestützte Optimierung - Unsicherheiten in Vorhersagen von Ersatzmodellen
MehrProzesse und Scheduling
Betriebssysteme für Wirtschaftsinformatiker SS04 KLAUSUR Vorbereitung mit Lösungen / Blatt 1 Prozesse und Scheduling Aufgabe 1 : Scheduling Gegeben seien die folgenden Prozesse und die Längen des jeweiligen
MehrMobilitätsbezogener Planungssupport für Politik und Städteplanung
Mobilitätsbezogener Planungssupport für Politik und Städteplanung Prof. Dr. Stefanie Hellweg ETH Zürich, Institut für Umweltingenieurwissenschaften, Professur für Ökologisches Systemdesign E-Mail: stefanie.hellweg@ifu.baug.ethz.ch
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrMaster Infrastruktur Neufassung ab WS 2016/17
1 S C I E N C E P A S S I O N T E C H N O L O G Y Master Infrastruktur Neufassung ab WS 2016/17 Grundlage für Einreichung bei Curricula Kommission Martin FELLENDORF Dirk MUSCHALLA Peter VEIT Informationsveranstaltung
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrDi 7.2. Sprinten mit dem V-Modell XT. Olaf Lewitz. January 26-30, 2009, Munich, Germany ICM - International Congress Centre Munich
Di 7.2 January 26-30, 2009, Munich, Germany ICM - International Congress Centre Munich Sprinten mit dem V-Modell XT Olaf Lewitz Sprinten mit dem V-Modell XT Olaf Lewitz microtool GmbH, Berlin Konkurrenz
MehrSimulation of Urban MObility - SUMO
Simulation of Urban MObility - SUMO Eine freie Verkehrssimulation Daniel Krajzewicz, Institut für Verkehrsforschung am Deutschen Zentrum für Luft- und Raumfahrt Folie 1 > Simulation of Urban MObility >
MehrMarkov-Ketten-Monte-Carlo-Verfahren
Markov-Ketten-Monte-Carlo-Verfahren Anton Klimovsky 21. Juli 2014 Strichprobenerzeugung aus einer Verteilung (das Samplen). Markov- Ketten-Monte-Carlo-Verfahren. Metropolis-Hastings-Algorithmus. Gibbs-Sampler.
MehrDieter SÜSS und Klaus MACHATA
Globaler Optimierungsalgorithmus für überlagerungsfreie Darstellung von Objekten in der neuen Elektronischen Unfallsteckkarte des Kuratorium für Verkehrssicherheit Dieter SÜSS und Klaus MACHATA Zusammenfassung
MehrLineare Programmierung
Lineare Programmierung WS 2003/04 Rolle der Linearen Programmierung für das TSP 1954: Dantzig, Fulkerson & Johnson lösen das TSP für 49 US-Städte (ca. 6.2 10 60 mögliche Touren) 1998: 13.509 Städte in
MehrWasserfall-Ansätze zur Bildsegmentierung
Wasserfall-Ansätze zur Bildsegmentierung von Philipp Jester Seminar: Bildsegmentierung und Computer Vision 16.01.2006 Überblick 1. Problemstellung 2. Wiederholung: Wasserscheiden-Ansätze 3. Der Wasserfall-Ansatz
MehrStudium des Wirtschaftsingenieurwesens an der Universität Karlsruhe (TH) Abschluss: Diplom, Note: 1,5
Nadine Rieser Addresse Riedgrabenweg 49 CH - 8050 Zürich Telefon +41 43 810 05 25 +41 76 435 38 37 E-Mail nadine.rieser@alumni.ethz.ch Geburtsdatum: 10. Mai 1979 Nationalität Deutsch Ausbildung Sep 04
MehrSynthese Eingebetteter Systeme. 16 Abbildung von Anwendungen: Optimierung mit DOL
12 Synthese Eingebetteter Systeme Sommersemester 2011 16 Abbildung von Anwendungen: Optimierung mit DOL 2011/06/24 Michael Engel Informatik 12 TU Dortmund unter Verwendung von Foliensätzen von Prof. Lothar
MehrSchmeller Preis 2012. Volkswirtschaftliche Gesellschaft des Kantons Bern. Laudatio durch den Vizepräsidenten: Prof. em. Dr.
Volkswirtschaftliche Gesellschaft des Kantons Bern Schmeller Preis 2012 a) Für Volkswirtschaftslehre b) Für Betriebswirtschaftslehre Laudatio durch den Vizepräsidenten: Prof. em. Dr. Norbert Thom Bern,
MehrSeminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen
Seminar A - Spieltheorie und Multiagent Reinforcement Learning in Team Spielen Michael Groß mdgrosse@sbox.tugraz.at 20. Januar 2003 0-0 Matrixspiel Matrix Game, Strategic Game, Spiel in strategischer Form.
MehrAlgorithmen II Vorlesung am 15.11.2012
Algorithmen II Vorlesung am 15.11.2012 Kreisbasen, Matroide & Algorithmen INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER KIT Universität des Landes Baden-Württemberg und Algorithmen nationales
MehrRisikosimulation zur Optimierung der Finanzierungsplanung von Projekten
Risikosimulation zur Optimierung der Finanzierungsplanung von Projekten Dresden, 18.06.2012 Agenda Motivation Notwendigkeit einer Risikosimulation Grundlagen der Monte-Carlo-Simulation Konzept einer 4-Stufen-Risikosimulation
MehrOhne Mathematik undenkbar!
Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als
MehrSuche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche. Suche in Spielbäumen. KI SS2011: Suche in Spielbäumen 1/20
Suche in Spielbäumen Suche in Spielbäumen KI SS2011: Suche in Spielbäumen 1/20 Spiele in der KI Suche in Spielbäumen Spielbäume Minimax Algorithmus Alpha-Beta Suche Einschränkung von Spielen auf: 2 Spieler:
MehrInhaltsverzeichnis. 4 Lagrange-Funktion und Dualität... 63 4.1 Lagrange-FunktionmitGleichheitsrestriktionen... 63
1 Einleitung... 1 1.1 Optimierungstypen.............................................. 3 1.2 Motivation und Grundbegriffe der Optimierung........................... 4 1.3 Allgemeine Form des Optimierungsproblems............................
MehrZusammenfassung: FE-Projekt-Nr. 96.996/2011
Zusammenfassung: FE-Projekt-Nr. 96.996/2011 Ermittlung von Bewertungsansätzen für Reisezeiten und Zuverlässigkeit auf der Basis eines Modells für modale Verlagerungen im nicht-gewerblichen und gewerblichen
MehrVergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN)
Exposé zur Bachelorarbeit: Vergleich von Methoden zur Rekonstruktion von genregulatorischen Netzwerken (GRN) Fakultät: Informatik, Humboldt-Universität zu Berlin Lijuan Shi 09.05.2013 Betreuer: Prof. Dr.
MehrInfoTraffic Alltagsbezogene Lernumgebungen für Warteschlangen und Aussagenlogik
Absolvententreffen der Informatiklehrer/innen TU Dresden, 31. März 27 InfoTraffic Alltagsbezogene Lernumgebungen für Warteschlangen und Aussagenlogik Department of Computer Science ETH Zürich Ruedi Arnold,
MehrStochastische Optimierung von Gaskraftwerken, speichern und kontrakten unter Take-or-Pay-Nebenbedingungen
Stochastische Optimierung von Gaskraftwerken, speichern und kontrakten unter Take-or-Pay-Nebenbedingungen Nils Löhndorf, WU Wien David Wozabal, TU München Das Problem Ressourcenbewirtschaftung unter Unsicherheit
MehrA Platform for Complex Event Processing
A Platform for Complex Event Processing Einführung Business Process Technology Prof. Dr. Mathias Weske Matthias Kunze Nico Herzberg Business Process Technology Seit 2001 Untersuchung realer Probleme des
MehrRedundanz und Replikation
Redundanz und Replikation Fehlertoleranz auf Systemebene Kurt Kanzenbach Friedrich Alexander Universität Erlangen-Nürnberg 25. November 2014 1 / 29 Redundanz und Replikation Replikation Replikation: Koordinierter
MehrPerzentile mit Hadoop ermitteln
Perzentile mit Hadoop ermitteln Ausgangspunkt Ziel dieses Projektes war, einen Hadoop Job zu entwickeln, der mit Hilfe gegebener Parameter Simulationen durchführt und aus den Ergebnissen die Perzentile
MehrEinsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens
Fachhochschule Brandenburg Fachbereich Informatik und Medien Kolloquium zur Diplomarbeit Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Übersicht Darstellung
MehrCT Rekonstruktion mit Objektspezifischen Erweiterten Trajektorien
DACH-Jahrestagung 2015 Mo.3.A.3 CT Rekonstruktion mit Objektspezifischen Erweiterten Trajektorien Andreas FISCHER 1, Tobias LASSER 2, Michael SCHRAPP 1, Jürgen STEPHAN 1, Karsten SCHÖRNER 1, Peter NOËL
MehrSimulation of Urban MObility - SUMO Eine freie Verkehrssimulation
Simulation of Urban MObility - SUMO Eine freie Verkehrssimulation Michael Behrisch, Daniel Krajzewicz Institut für Verkehrssystemtechnik Folie 1 > Simulation of Urban MObility > Daniel Krajzewicz Verkehrssimulation
MehrStudiengang Didaktischer Ausweis in Informatik. Leitprogramm Ampelsteuerung für drei Siedlungen
Eidgenössische Technische Hochschule Zürich Departement für Informatik Studiengang Didaktischer Ausweis in Informatik Leitprogramm Ampelsteuerung für drei Siedlungen Fach: Stufe: Voraussetzung: Autoren:
MehrSimulation von Zinsentwicklungen und Bewertung von gängigen Finanzprodukten
Simulation von Zinsentwicklungen und Bewertung von gängigen Finanzprodukten Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 1. Februar 2010 1 / 7 Gliederung 1 Was ist Finanzmathematik
MehrApproximationsalgorithmen: Klassiker I. Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling
Approximationsalgorithmen: Klassiker I Kombinatorische Optimierung Absolute Gütegarantie Graph-Coloring Clique Relative Gütegarantie Scheduling VO Approximationsalgorithmen WiSe 2011/12 Markus Chimani
MehrIntelligente Wechselbrückensteuerung für die Logistik von Morgen
Intelligente Wechselbrückensteuerung für die Logistik von Morgen Kassel, 06.03.2009 Alexander Podlich Micromata GmbH 1 Agenda Inwest-Projekt & Projektpartner YellowBox Middleware, Tourenplanung und Ad-Hoc-Optimierung
MehrImplementierung und Evaluierung von Video Feature Tracking auf moderner Grafik Hardware
Implementierung und Evaluierung von Video Feature Tracking auf moderner Diplomarbeit vorgelegt von Sebastian Heymann Betreut von Prof. Dr. Bernd Fröhlich Bauhaus Universität t Dr. Aljoscha Smolic Fraunhofer
MehrHauptseminar. Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit. Robert John 2.11.2011
Hauptseminar Monte-Carlo-Methoden, stochastische Schätzungen und deren Unsicherheit Robert John 1 Inhalt Herkunft Stochastische Schätzung Monte-Carlo-Methode Varianzreduktion Zufallszahlen Anwendungsgebiete
MehrLIST OF PUBLICATIONS UNTIL 2009
LIST OF PUBLICATIONS UNTIL 2009 KW Axhausen IVT ETH Zürich BOOKS: Larsen, J., J. Urry and K.W. Axhausen (2006) Mobilities, Networks, Geographies, Ashgate, Aldershot. Axhausen, K.W. (1989) Eine ereignisorientierte
MehrMobilität in der Schweiz Ergebnisse des Mikrozensus Mobilität und Verkehr 2010
Mobilität in der Schweiz Ergebnisse des Mikrozensus Mobilität und Verkehr 2010 Dr. Jürg Marti, Direktor BFS Dr. Maria Lezzi, Direktorin ARE Medienkonferenz Mikrozensus Mobilität und Verkehr 2010 Erste
MehrOR-Methoden in der Fabrikplanung. an den Beispielen Karosserie-Rohbau und Motorenfertigung
Einsatz von an den Beispielen Karosserie-Rohbau und Motorenfertigung Seminar für SCM und Produktion Universität zu Köln SCMP VHB WK Operations Research Ingolstadt, 23.1.2009 Übersicht 1 Einführung 2 Fließproduktionssysteme
MehrEinführung in NetLogo. 06.06.2012 Andreas Braun
Einführung in NetLogo 06.06.2012 Andreas Braun entwickelt am Center for Connected Learning (CCL) and Computer-Based Modeling der Northwestern University aktuelle Version 5.0.1. hier: Version 4.1.3. (auf
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrVier-Stufen-Verfahren
Vier-Stufen-Verfahren Kai Nagel nagel@vsp.tu-berlin.de Tuesday, 10 May 2011 1 Einleitung Tuesday, 10 May 2011 2 Planungsprozess (Wdh.) 3 Tuesday, 10 May 2011 Bundesverkehrswegeplan 4 Tuesday, 10 May 2011
MehrMethoden Quantitative Datenanalyse
Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung
MehrEvolutionäre Algorithmen Software
Evolutionäre Algorithmen Software Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrSummer School in Public Health Policy, Economics and Management
Jahresbericht SSPH + 2014 Einleitung Der Schwerpunkt der Aktivitäten in der ersten Hälfte des Jahres 2014 lag weiterhin in der Erarbeitung einer nachhaltigen Struktur der SSPH+ für die Zeit nach 2016.
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrRekonfigurierbare Regelung der Stuttgart SmartShell
Rekonfigurierbare Regelung der Stuttgart SmartShell Michael Heidingsfeld Institut für Systemdynamik, Universität Stuttgart 9. Elgersburg Workshop (2.-6. März 2014) Institut für Systemdynamik Stuttgart
MehrRE-Metriken in SCRUM. Michael Mainik
RE-Metriken in SCRUM Michael Mainik Inhalt Agile Methoden Was ist SCRUM? Eine kurze Wiederholung Metriken Burn Down Graph Richtig schätzen Running Tested Features WBS/ Earned Business Value Business Value
Mehr