Which version of betweenness centrality is the best predictor of traffic volume?

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2023-12-12
Department
Major/Subject
Complex Systems
Mcode
SCI3066
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
69 + 17
Series
Abstract
The traffic volume at specific road segments is often quantified by the Annual Average Daily Traffic (AADT). In network science and space syntax, traffic is modelled as flows that take place on road networks. It is conjectured that one can estimate AADT by a network-theoretical measure called betweenness centrality (BC), or shortest-path BC, which measures on how many of all shortest paths in the network a given node or edge lies. It holds when all agents choose the shortest path and the demand between all node pairs is uniform. On a real-world road network, however, BC does not predict AADT very well. Researchers have taken multiple approaches to modify BC into a better predictor, but there is no agreement on how to do it best. Hence, I aim to compare different approaches and find out which version of BC is the best predictor of traffic volume. I create various road networks of Greater London and five metropolitan counties in England, from historical OpenStreetMap data from both 2019 and 2021, and calculate multiple versions of BC on them. Then, I study the correlations between the calculated centralities and observed traffic count data from the United Kingdom from 2019 and 2021. I find that the largest improvements on traditional BC are obtained by using travel time as edge weight and by creating the network with a buffer zone. The very best traffic predictor of the studied measures is travel-time-weighted shortest-path BC with a 30-minute cutoff calculated on a primal network representation with a 30-minute buffer zone. These results answer the long-standing question of how to modify BC to best predict AADT. The predictive performance of my best measure is significant in the research field, particularly for a model that requires minimal data collection, and can be very valuable for road network planning.

Trafikvolymen på ett specifikt vägsegment kvantifieras ofta som årsdygnstrafik (ÅDT), det genomsnittliga antalet passerande fordon per dygn. I nätverksvetenskap och space syntax -forskning modelleras trafik som flöden i ett vägnätverk. Det hypotetiseras att man kan uppskatta ÅDT med genhet, ett mått från nätverksteorin som mäter på hur många av alla de kortaste förbindelserna i nätverket en given nod eller kant ligger. Hypotesen stämmer om alla aktörer väljer den kortaste förbindelsen och alla nodpar har lika efterfrågan. På ett riktigt vägnätverk är genhet dock inte speciellt bra på att uppskatta ÅDT. Forskare har på många olika sätt försökt modifiera genhetsmåttet för att uppskatta ÅDT bättre, men det finns ingen överenskommelse om vilket sätt som är bäst. Därför jämför jag dessa olika sätt och strävar efter att lista ut vilken version av genhetsmåttet som ger den bästa uppskattningen av trafikvolym. Jag skapar flera vägnätverk av Storlondon och fem storstadsområden i England från historisk data från OpenStreetMap från både 2019 och 2021 och räknar ut flera olika versioner av genhet i dem. Sen studerar jag korrelationerna mellan de uträknade genhetsvärdena och observerad trafikvolymsdata från Storbritannien från 2019 och 2021. Jag upptäcker att det som förbättrar det traditionella genhetsmåttet mest är att använda resetid som vikt för kanterna samt att skapa nätverket med en buffertzon. Av de genhetsmått jag jämför får jag den bästa uppskattningen av ÅDT med resetidsvägd genhet med en 30 minuters avbrytningstid i en primär nätverksrepresentation med en 30 minuters buffertzon. Dessa resultat besvarar den länge öppna frågan om hur genhetsmåttet ska modifieras för att ge den bästa uppskattningen av ÅDT. Jämfört med forskningen inom ämnet ger mitt bästa genhetsmått en synnerligen god uppskattning av trafikvolym, framför allt för ett mått som kräver minimal datainsamling, och det kan vara av värde för vägnätverksplanering.
Description
Supervisor
Saramäki, Jari
Thesis advisor
Huang, Zhiren
Keywords
betweenness centrality, traffic volume, network science, space syntax
Other note
Citation