TranSEC’s bijna real-time weergave van de schatting van de verkeerstoestand in de hele Los Angeles Metro Area om 18.00 uur op een doordeweekse dag. Deze weergave werd in minder dan een uur berekend. Groene gebieden geven aan dat het verkeer vrij doorstroomt en gele en rode gebieden duiden op congestie. Krediet: afbeelding met dank aan Arun Sathanur, Pacific Northwest National Laboratory
Een nieuw algoritme voor machine learning staat klaar om analisten in het stadsvervoer te helpen knelpunten en knelpunten te verlichten die het stadsverkeer routinematig in de war sturen.
De tool, genaamd TranSEC, is ontwikkeld door het Pacific Northwest National Laboratory van het Amerikaanse Department of Energy om stadsverkeeringenieurs toegang te geven tot bruikbare informatie over verkeerspatronen in hun steden.
Momenteel is openbaar beschikbare verkeersinformatie op straatniveau schaars en onvolledig. Verkeersingenieurs hebben over het algemeen vertrouwd op geïsoleerde verkeerstellingen, botsstatistieken en snelheidsgegevens om de toestand van de rijbaan te bepalen. De nieuwe tool maakt gebruik van verkeersdatasets die zijn verzameld van UBER-chauffeurs en andere openbaar beschikbare verkeerssensorgegevens om de verkeersstroom op straatniveau in de tijd in kaart te brengen. Het creëert een groot beeld van het stadsverkeer met behulp van machine learning-tools en de computerbronnen die beschikbaar zijn bij een nationaal laboratorium.
“Wat hier nieuw is, is de schatting van het straatniveau over een grootstedelijk gebied”, zegt Arif Khan, een PNNL-computerwetenschapper die heeft bijgedragen aan de ontwikkeling van TranSEC. “En in tegenstelling tot andere modellen die alleen in één specifiek grootstedelijk gebied werken, is onze tool draagbaar en kan hij worden toegepast op elk stedelijk gebied waar geaggregeerde verkeersgegevens beschikbaar zijn.”
UBER-snelle verkeersanalyse
TranSEC (wat staat voor het schatten van de transporttoestand) onderscheidt zich van andere verkeersmonitoringsmethoden door zijn vermogen om schaarse en onvolledige informatie te analyseren. Het maakt gebruik van machine learning om segmenten met ontbrekende gegevens te verbinden, waardoor het bijna realtime schattingen van het straatniveau kan maken.
De kaartfuncties op onze smartphones kunnen ons daarentegen helpen onze reis door een stadslandschap te optimaliseren, door knelpunten aan te geven en alternatieve routes voor te stellen. Maar smartphonegereedschappen werken alleen voor een individuele bestuurder die van punt A naar punt B probeert te komen. Stadsverkeeringenieurs houden zich bezig met hoe ze alle voertuigen kunnen helpen efficiënt hun bestemming te bereiken. Soms leidt een route die voor een individuele bestuurder efficiënt lijkt, ertoe dat te veel voertuigen proberen toegang te krijgen tot een weg die niet is ontworpen om dat verkeersvolume aan te kunnen.
Door gebruik te maken van openbare gegevens uit het hele grootstedelijke gebied van Los Angeles, heeft het team de tijd die nodig is om een ​​verkeerscongestiemodel te maken met een orde van grootte verkort, van uren tot minuten. De versnelling, bereikt met krachtige computerbronnen bij PNNL, maakt een bijna realtime verkeersanalyse mogelijk. Het onderzoeksteam presenteerde die analyse onlangs tijdens de virtuele Urban Computing Workshop van augustus 2020 als onderdeel van de Knowledge Discovery and Data Mining (SIGKDD) -conferentie, en in september 2020 zochten ze de input van verkeersingenieurs tijdens een virtuele bijeenkomst op TranSEC.
“TranSEC heeft het potentieel om een ​​paradigmaverschuiving teweeg te brengen in de manier waarop verkeersprofessionals de prestaties van systeemmobiliteit monitoren en voorspellen”, zegt Mark Franz, een deelnemer aan een vergadering en een onderzoeksingenieur bij het Center for Advanced Transportation Technology, University of Maryland, College Park. “TranSEC verhelpt de inherente lacunes in de gegevensverzamelingsmethoden en heeft een enorm potentieel.”
Machine learning verbetert de nauwkeurigheid in de loop van de tijd
De machine learning-functie van TranSEC betekent dat naarmate er meer gegevens worden verzameld en verwerkt, deze in de loop van de tijd verfijnder en bruikbaarder worden. Dit soort analyse wordt gebruikt om te begrijpen hoe storingen zich over netwerken verspreiden. Als er voldoende gegevens zijn, kan het element machine learning de impact voorspellen, zodat verkeersingenieurs corrigerende strategieën kunnen ontwikkelen.
“We gebruiken een op grafieken gebaseerd model samen met nieuwe bemonsteringsmethoden en optimalisatie-engines om zowel de reistijden als de routes te leren”, zegt Arun Sathanur, een PNNL-computerwetenschapper en een hoofdonderzoeker in het team. “De methode heeft een aanzienlijk potentieel om te worden uitgebreid naar andere vervoerswijzen, zoals doorvoer en vrachtverkeer. Als analytisch hulpmiddel is het in staat om te onderzoeken hoe een verkeerssituatie zich verspreidt.”
Met de gegevensgestuurde aanpak van PNNL kunnen gebruikers realtime gegevens uploaden en TranSEC regelmatig bijwerken in een transportcontrolecentrum. Ingenieurs kunnen prognoses op korte termijn gebruiken ter ondersteuning van de besluitvorming om verkeersproblemen te beheren. De aanpak van PNNL is ook uitbreidbaar met weers- of andere gegevens die van invloed zijn op de omstandigheden op de weg.
Rekenkracht voor transportplanners in het hele land
Net zoals situationeel bewustzijn van de omstandigheden de beslissingen van een individuele bestuurder informeert, biedt de aanpak van TranSEC situationeel bewustzijn op systeembrede basis om de verkeerscongestie in de stad te helpen verminderen.
“Verkeersingenieurs in het hele land hebben geen tool gehad om hen een bijna real-time schatting te geven van de toestand van transportnetwerken”, zegt Robert Rallo, PNNL-computerwetenschapper en hoofdonderzoeker van het TranSEC-project. “Het zou erg waardevol zijn om de omstandigheden een uur of langer vooruit te kunnen voorspellen, om te weten waar de blokkades zullen zijn.”
Hoewel het runnen van een volledig stadsmodel nog steeds krachtige computerbronnen vereist, is TranSEC schaalbaar. Zo zou een wegennet met alleen de belangrijkste snelwegen en verkeersaders kunnen worden gemodelleerd op een krachtige desktopcomputer.
“We werken eraan om TranSEC beschikbaar te maken voor gemeenten in het hele land”, zegt Katherine Wolf, projectmanager voor TranSEC.
Uiteindelijk, na verdere ontwikkeling, zou TranSEC kunnen worden gebruikt om autonome voertuigroutes te helpen programmeren, aldus het onderzoeksteam.
Geleverd door Pacific Northwest National Laboratory