Se tapahtuu jokaiselle kuljettajalle useammin kuin hän todennäköisesti haluaisi: Matka suunnitellun reitin varrella, ja jollain tavoin onnistutaan osumaan jokaiseen valoon matkan varrella. Se ei ole vain turhauttavaa, vaan se, että stop-and-go hukkaa polttoainetta, aikaa ja voi jopa aiheuttaa ylikuormituksen, jauhaen koko kaupungin pysähtymään.
MIT: n maa- ja ympäristötekniikan apulaisprofessorin Carolina Osorion kehittämä uusi simulointiohjelmisto lupaa tasoittaa liikennettä tehokkaammin kuin mikään aiempi ohjelmisto. Optimoimalla liikennevalojen ajoitukset nykyisten järjestelmien mahdollisuuksien ulkopuolelle, hänen malliensa on osoitettu lyhentävän ruuhka-ajoaikoja 22 prosentilla.
Liikennevalojen ajoitusjärjestelmät toimivat tyypillisesti kahdella tavalla. Suuressa kaupunki- tai alueellisessa mittakaavassa järjestelmät asettavat kevyen ajoituksen havaitun liikenteen perusteella; näitä kutsutaan virtauspohjaisiksi malleiksi. Muut simulaattorit toimivat mikromittakaavassa ottaen huomioon yksittäisten kuljettajien toimet ja tottumukset. Nämä simulaattorit toimivat eräänlaisena tekoälynä ennustamaan, kuinka kuljettajan käyttäytyminen ja päätökset saattavat muuttua tietyissä liikenneolosuhteissa. Ne pienet erot ja yksilölliset päätökset heittävät virtauspohjaiset mallit kilpasta.
”Minun on laskettava, kuinka ihmiset reagoivat muutoksiin. Jos matka-ajat kasvavat valtatiellä [tiellä], ihmiset saattavat suuntautua ", Osorio selittää." Useimmat signaalin ajoitusohjelmat tarkastelevat nykyisiä tai historiallisia liikennekuvioita. Siinä ei oteta huomioon, miten matka voi muuttua. "
Tämä ongelma voi yhdistyä, kun yhä enemmän signaalimuutoksia toteutetaan. Sano esimerkiksi, että sinulla on kaksi mahdollista reittiä työmatkalle: reitti A ja reitti B. Valitset useimmiten reitin A, mutta liikennevalon ajoitus muuttuu yhtenä päivänä, joten päätät siirtyä reitille B. Ei vain onko liikenteen suunta muuttunut reitillä A, mutta ne, jotka jo käyttivät reittiä B, saattavat olla taipuvaisia harkitsemaan vaihtoehtonsa uudelleen. Vielä monimutkaisempaa on se, kuinka nuo muutokset ja siirtymät voivat rypistyä ulospäin ja vaikuttaa muihin alueen teihin ja risteyksiin.
Selvä ratkaisu on ajaa sekä virtauspohjaisia että yksilöllisiä malleja kaikille skenaarioille. Mutta liikennevirran jokaisen mahdollisen permutaation simulointi ei ole mahdollista. Laskentatehon määrä, joka voi vaatia tällaisen monimutkaisen simulaation suorittamiseksi koko kaupunkiin, tekisi järjestelmäkustannuksista kohtuuttomia.
Kiertääkseen asiaa uhraamatta uskollisuutta ja luotettavuutta, Osorion järjestelmä yhdistää molempien maailmojen parhaat puolet. Se vie vain parhaat virtauspohjaiset skenaariot, kuten yleinen ajoitusohjelmisto on tunnistanut, ja ajaa kuljettajakohtaisia simulaatioita vain näissä tapauksissa.
Otetaan esimerkiksi risteys, jonka liikennevirta on paljon raskaampaa pohjoiseen ja etelään kuin itään ja länteen. Yksinkertaisemmat mallit voivat johtaa siihen, että liikennevalojen tulisi sallia enemmän vihreää aikaa pohjois-etelä-kaistoissa kuin itä-länsillä. Sitten monimutkaisemmat simulaatiot voivat auttaa arvioimaan kuinka kauan näiden valojen tulisi olla, ja myös ennustamaan tällaisen muutoksen aaltoilutehosteen.
Ratkaisu on skaalautuva. "Oletetaan, että minulla oli 100 erilaista signaaliajoitusta, jotka halusin testata", Osorio sanoo. ”Yksinkertaisempi malli voisi antaa sinulle kuvan 100 osajoukosta, jolla voisi olla suuri potentiaali. Sitten suoritamme simulaation osajoukossa. ”
Värilliset linjat edustavat Sveitsin Lausannen pääteitä. Vasemmassa kartassa, jossa on tavanomainen liikennevalo-ohjelmointi, on monia punaisia viivoja, jotka edustavat pitkiä työmatkoja. Oikealla kartalla, joka käyttää tutkijan parannettua järjestelmää, on monia vihreitä viivoja, jotka edustavat lyhyitä työmatkoja. (Carolina Osorion kohteliaisuus) Osorion paperi, joka julkaistaan Transportation Science -lehdessä, sovelsi mallinsa liikenteeseen Lausanne, Sveitsi, alue, jolla hän aikoinaan asui. Työssä käytettiin 47 tietä ja 15 risteystä (joista yhdeksässä on liikennevalot) liikennetietojen kanssa, tutkimuksessa sovellettiin hänen algoritmeja iltatie-ruuhan ensimmäiseen tuntiin. Simulaatiot leikkaavat matka-ajan lähes neljänneksellä.
Liikennevirtasimulaattorit, joita Osorio lisää malleihinsa, luovat tyypillisesti kaupungit itse. Kunnat keräävät omia tietojaan vallitsevista liikenneolosuhteista ja miinanlaskentatietoja muun muassa luotettavien mallien luomiseksi. Tämän jälkeen he luovuttavat Osorioon simulaatiot, jotka on upotettu metatietoineen infrastruktuurista, suosituista kohteista, jalankulkijoiden liikenteestä ja muista tärkeistä prioriteetteista.
Esimerkiksi Manhattanilla on erityisiä rajoituksia siitä, kuinka kauan jalankulkijoilla tulisi olla tieoikeus. New Yorkin kaupungin liikenneministeriö tekee jo yhteistyötä Osorin tiimin kanssa hallitakseen virtausta ruuhka-aikoina Manhattanin vilkkaan liikenteen alueilla.
"Tällainen malli voi vahvistaa aktiivisen liikenteenhallintajärjestelmämme Manhattanilla ja antaa meille mahdollisuuden hienosäätää prosessejamme ja parantaa verkon toimintaa", Mohamad Talas, NYC DOT: n varaosapäällikkö NYC DOTille, kertoi MIT Newsille .
Osorio sanoo, että mallin avulla voidaan optimoida eri tekijöitä riippuen kaupungin tavoitteista. Esimerkiksi liikenteen ajoittaminen voi auttaa kuljettajia lisäämään polttoainetaloutta.
Hänen tiiminsä tekee jo yhteistyötä yritysten kanssa useissa projekteissa. He osallistuvat pyrkimykseen auttaa tulevien autonomisten autojen kuljettajia tunnistamaan ihanteelliset ajat ja paikat siirtyäkseen autonomiseen tilaan polttoaineen säästämiseksi. Toinen meneillään oleva työ antaa autonjako-ohjelmien, kuten ZipCar, antaa paremman sijainnin nouto- ja poistumispaikoilleen, jotta asiakkaat voivat arvioida luotettavasti matkansa aikojaan.
Kaikki Osorion työ, mukaan lukien Lausanne-testi, on edelleen simulointivaiheessa, eikä ole tarkkaa aikataulua hänen liikenteen ajoittavien oppituntien soveltamiseen tien päälle.
"Mutta siksi teemme nämä asiat", hän sanoo, "toteuttaaksemme ne todellisessa maailmassa."
