Stageplaatsen

VORtech biedt graag ruimte voor stagiairs. Niet alleen om werkzaamheden te doen waar we zelf niet aan toe komen, maar ook om onze bijdrage te leveren aan het opleiden van nieuwe generaties toegepast wiskundigen en wetenschappelijk programmeurs.

Hieronder vind je een lijst met stageplaatsen die op dit moment wachten op een geschikte invulling. Mocht er geen geschikte opdracht voor je bij staan, dan nodigen we je toch uit om contact met ons op te nemen. Misschien kunnen we rondom jouw belangstelling alsnog een opdracht formuleren die ook voor ons nuttig is.

VORtech kan slechts een beperkt aantal stagiairs tegelijk begeleiden. Als je geïnteresseerd bent in een van de stage/afstudeer-opdrachten, stuur ons een e-mail zodat we kunnen kijken of we op dit moment ruimte voor je hebben.

Datafusie en transportmodel kalibratie met OpenDA en OmniTRANS

Beschrijving van het probleem

Sinds de opkomst van big data, speelt het een steeds belangrijkere rol bij zowel de bouw (parameterschatting) en toepassing (prognose) van de strategische, tactische en operationele transport modelsystemen. In Nederland worden de numerieke modellen die in OmniTRANS beschikbaar zijn op grote schaal gebruikt om vervoersmodelsystemen te bouwen. Hoewel sommige parameterschattingmethoden en instrumenten direct beschikbaar zijn binnen OmniTRANS, vertrouwen de meeste modellen en toepassingen op exogeen geschatte sets van parameters en/of interfaces met (big) data met behulp van aangepaste Ruby scripts. Het OpenDA platform bevat een aantal datafusie en parameterschattingsmethoden voor numerieke modellen en zou, als zodanig, een meer generieke oplossing zijn voor de bouw en toepassing van op OmniTRANS gebaseerde modelsystemen met behulp van big data.

Transport model

Stageopdracht

Het onderzoek richt zich op de verschillende OmniTRANS modellen en toepassingen waarbij big data een rol (kunnen) spelen. Het doel is het definiëren en bouwen van een testcase waarin big data en OpenDA worden gebruikt voor het kalibreren en/of numerieke modellen toe te passen binnen OmniTRANS.

Een (onvolledige) lijst van mogelijke datasets, modellen en schattingsmethoden:
• Met met behulp van lusdetectorgegevens samen met een lichtgewicht variant van routegeneratie, routekeuzemodellen en -nudging of optimale interpolatie schatten van stromen, snelheden en dichtheden in netwerken waarin OD-demand informatie slecht of niet beschikbaar is.
• De representativiteit van floating car data (TomTom, Here of Be-Mobile) schatten met behulp van lusdetectoren en/of geïnterpoleerde gegevens, gecombineerd met een toedelingsmodel en een datafusie-methode.
• Het gebruik van OV-chipkaart-gegevens om parameters te schatten voor stop-keuzemodellen en lijn-keuzemodellen in een openbaar vervoer toedelingsmodel met behulp van een parameterschattingsmethode.
• Met behulp van floating car data, lusdetectorgegevens en andere bronnen (bijvoorbeeld de huidige weersvoorspelling) samen met een toedelingsmodel en bijvoorbeeld ensemble Kalmanfiltering voor state estimation en kortetermijnsvoorspellingen van verkeersstromen, snelheden, reistijden en dichtheden.

Onderzoeksgroep / informatie

DAT.mobility Deventer en VORtech Delft
Dagelijks begeleiders: Ir. Luuk Brederode (DAT.mobility, Delft University)  en Dr. Nils van Velzen (VORtech, TU Delft)

Bij interesse in deze MSc thesis stage op gebied van datafusie en transportmodel kalibratie, kunt u contact opnemen met ir. Luuk Brederode (lbrederode@DAT.nl, 0627369830)

Verkeersmodellen automatisch kalibreren (afstudeeropdracht)

Het ontwikkelen van stedelijke en regionale verkeersmodellen is een arbeidsintensieve klus. Het opzetten van het model, keuzes maken in de modelsystematiek en vervolgens het kalibreren van het model kosten veel tijd. Tijdens het kalibreren wordt in eerste instantie geprobeerd het model zo goed mogelijk te laten aansluiten bij de werkelijkheid door aan de parameters van het model “te draaien”. Dit is vaak een trial-and-error proces. Daarna wordt ook nog de Herkomst-Bestemmings-matrix (de belangrijkste input voor het model) gekalibreerd op tellingen. Voor deze laatste stap zijn reeds veel methodes ontwikkeld. De eerste kalibratiestap is nog een echt ambacht. Als deze stap effectiever en efficiënter wordt zou dat veel winst opleveren.

De verwachting is dat dit kan door het gebruik van wiskundige kalibratietechnieken. Veel daarvan zijn geïmplementeerd in het open source platform OpenDA. Dat wordt wereldwijd al voor veel toepassingen gebruikt, waaronder waterbeheer, luchtkwaliteitsvoorspellingen, management van rioleringen en het modelleren van het binnenklimaat in huizen. Er is nog geen toepassing voor verkeersmodellen, maar OpenDA zou daar zeer geschikt voor zijn.

Deze opdracht begint met het interviewen van “modelbouwers”. Hoe gaan ze te werk in het kalibratieproces. Wat is verantwoord om te wijzigen en wat niet. Wat zijn de criteria en de doelen. Op basis van deze inventarisatie zoek je uit in hoeverre dit proces te automatiseren is. Vervolgens zal je deze automatiering ook daadwerkelijk uitwerken en testen. Hierbij krijg je de beschikking over een verkeersmodel (in OmniTRANS) en over de OpenDA toolkit (zie www.openda.org). Enige handigheid met programmeren is daarbij wel nodig.

Twee-wegparallellisatie van data-assimilatie algoritmen in OpenDA

OpenDA is een generiek software framework voor data-assimilatie en model kalibratietechnieken (zie www.openda.org). Data-assimilatie methoden gebruiken observaties om dynamische computermodellen bij te sturen zodat de voorspelkracht van deze modellen toeneemt.

Dynamische modellen die voor operationele voorspellingen worden gebruikt zijn vaak zeer rekenintensief. Het aantal berekeningen dat nodig is voor data-assimilatie is vaak nog een orde hoger dan die voor het model zelf. Daarom is parallel rekenen nodig om de rekentijd terug te brengen tot acceptabele proporties en om de grote hoeveelheden data te spreiden over meerdere computers.

Voor dit afstudeerproject ligt de nadruk op het parallelliseren van methoden die gebruik maken van Ensembles, waarbij het model wordt doorgerekend met een verzameling (ensemble) afwijkende invoerwaarden om daarmee een beeld te krijgen van de onzekerheden in het model. De uitdaging is gelegen in de vorm van parallellisme.

Voor een schaalbare oplossing hebben we twee manieren van parallelliseren tegelijk nodig. Daarbij worden de verschillende instanties van het ensemble parallel doorgerekend terwijl de update stap, waarbij de toestand van het hoofdmodel wordt aangepast, ook nog eens geparallelliseerd wordt op basis van domein decompositie.

Deze twee-wegparallellisatie dient te worden geimplementeerd door generieke parallelle bouwblokken in het OpenDA framework te introduceren. Het idee is dat daarmee programmeurs die weinig of niets van parallel rekenen afweten toch parallelle rekenmethoden in OpenDA kunnen ontwikkelen.

Om de nieuwe methoden te testen zal een groot ensemble doorgerekend worden met het SWAN model.

De belangrijkste onderzoeksvragen zijn:

• Kan parallellisatie gedaan worden op een manier die transparant is voor de gebruiker?
• Kunnen we de vereiste schaalbaarheid bereiken?
• Wat is het beste communicatiemechanisme om de parallellisatie op te baseren?

Dit MSc project is een initiatief van het eScience Center (www.esciencecenter.nl) en VORtech. De student zal bij voorkeur werken bij het eScience Center in Amsterdam. Eventueel kan het werk ook (deels) uitgevoerd worden bij VORtech in Delft.

Share on LinkedInShare on FacebookTweet about this on TwitterShare on Google+Email this to someonePrint this page
Social Media Auto Publish Powered By : XYZScripts.com