Det skjer med hver sjåfør oftere enn han eller hun sannsynligvis vil ha: Reise langs en planlagt rute, og på en eller annen måte klarer man å treffe hvert eneste lys underveis. Ikke bare er det frustrerende, men at stop-and-go sløser bort drivstoff, tid og til og med kan forårsake gridlock, noe som mister en hel by.
Ny simuleringsprogramvare utviklet av Carolina Osorio, assisterende professor i sivil- og miljøteknikk ved MIT, lover å jevne trafikken på en mer effektiv måte enn noen programvare før den. Ved å optimalisere tidspunktet for trafikklys utover dagens systemers evner, har modellene hennes vist seg å kutte reisetidene for rushtiden med 22 prosent.
Tidssystemer for trafikklys fungerer vanligvis på en av to måter. I en stor by- eller regional skala setter systemer lysetidspunkt basert på den observerte trafikken; disse kalles flytbaserte modeller. Andre simulatorer arbeider i en mer mikroskala, og tar hensyn til handlingene og vanene til enkeltførere. Disse simulatorene fungerer som en slags kunstig intelligens for å forutsi hvordan sjåførens atferd og beslutninger kan endres under gitte trafikkforhold. Det er de små forskjellene og individuelle beslutninger som kaster flytbaserte modeller.
“Jeg må redegjøre for hvordan folk vil reagere på endringene mine. Hvis reisetidene øker på en arteriell [vei], kan folk kanskje avlede, "forklarer Osorio." De fleste programvare for signaltiming ser på aktuelle eller historiske trafikkmønstre. Det tar ikke hensyn til hvordan reiser kan endre seg. ”
Dette problemet kan forverre seg etter hvert som flere og flere signalendringer implementeres. Si for eksempel at du har to mulige ruter å pendle til jobb: Rute A og Rute B. Du velger oftest Rute A, men en dag endres tid for trafikklys, så du bestemmer deg for å bytte til Rute B. Ikke bare har trafikkflyten endret seg på rute A, men de som allerede tok rute B kan være tilbøyelige til å vurdere alternativene sine på nytt. Ytterligere kompliserende saker er hvordan disse endringene og avledningene kan rive utover og påvirke resten av veiene og kryssene i regionen.
Den åpenbare løsningen er å kjøre både flytbaserte og individualiserte modeller for alle scenarier. Men å simulere alle mulige permutasjoner av trafikkflyt er ikke mulig. Mengden datakraft som det kan ta for å fullføre en så kompleks simulering for en hel by, ville gjøre systemet kostnadseffektivt.
For å løse problemet, uten å ofre tro og pålitelighet, kombinerer Osorios system det beste fra begge verdener. Den tar bare de beste flytbaserte scenariene, som identifiseres med vanlig timing-programvare, og kjører driverspesifikke simuleringer bare i disse tilfellene.
Ta for eksempel et kryss som har en mye tyngre trafikkflyt nord og sør enn det gjør øst og vest. Enklere modeller kan medføre at trafikklyset bør gi rom for mer grøntid i nord-sør-banene enn i øst-vest. Deretter kan de mer komplekse simuleringene bidra til å vurdere hvor lenge lysene skal være, og også forutsi ringvirkningen av en slik endring.
Løsningen er skalerbar. "La oss si at jeg hadde 100 forskjellige signaltiminger som jeg ønsket å teste, " sier Osorio. “Den enklere modellen kan gi deg en ide om en delmengde på 100 som kan ha stort potensiale. Deretter kjører vi simuleringen på delsettet. ”
Fargede linjer representerer hovedveiene i Lausanne, Sveits. Det venstre kartet, med konvensjonell trafikklysprogrammering, har mange røde linjer som representerer lange pendler. Det rette kartet, som bruker forskerens forbedrede system, har mange grønne linjer som representerer korte pendler. (Med tillatelse av Carolina Osorio) Osorios papir, som vil bli publisert i tidsskriftet Transportation Science, brukte modellen for trafikk i Lausanne, Sveits, et område der hun en gang bodde. Arbeidet med trafikkdata over 47 veier og 15 kryss (hvorav ni har trafikklys), anvendte studien hennes algoritmer til den første timen av kvelden rushtid. Simuleringene kutter reisetiden med nesten en fjerdedel.
Trafikkstrømssimulatorene som Osorio mater inn i modellene sine, er vanligvis laget av byer selv. Kommuner samler inn egne data om rådende trafikkforhold og informasjon om gruvetelling, blant andre metoder, for å lage modeller de stoler på. De overleverer deretter simuleringene sine innebygd med metadata om deres infrastruktur, populære destinasjoner, fotgjengertrafikk og andre relevante prioriteringer til Osorio.
På Manhattan er det for eksempel spesielle begrensninger for hvor lenge fotgjengere skal ha rett. New York City Department of Transportation samarbeider allerede med Osorios team for å håndtere flyt i høysesongen i høye trafikkområder på Manhattan.
"En slik modell kan validere vårt aktive trafikkstyringssystem på Manhattan, og la oss finjustere prosessene våre og forbedre nettverksdriften, " sa Mohamad Talas, en nestleder for systemteknikk for NYC DOT til MIT News .
Avhengig av byens mål, sier Osorio, kan modellen bidra til å optimalisere for forskjellige faktorer. For eksempel kan det sette tid i trafikken for å hjelpe bilister å øke drivstofføkonomien.
Hennes team samarbeider allerede med selskaper om flere prosjekter. De er involvert i et forsøk på å hjelpe bilførere av fremtidige autonome biler med å identifisere de ideelle tidene og stedene å bytte til autonom modus for å spare drivstoff. Et annet arbeid som pågår vil la bildelingsprogrammer, for eksempel ZipCar, bedre finne frem til henting og avlevering, slik at kundene vil kunne estimere reisetidene mer pålitelig.
Alt arbeidet til Osorio, inkludert Lausanne-testen, er fremdeles i simuleringsfasen, og det er ingen klar tidslinje for å bruke hennes timingstimer på veien.
"Men det er derfor vi gjør disse tingene, " sier hun, "for å implementere dem i den virkelige verden."
