För att förutsäga när morgontrafiken sannolikt kommer att stanna, det kan vara mer effektivt att undersöka hur vi använder el mitt i natten istället för restidsdata. Genom att analysera hushållselanvändning i Austin, Texas, forskare vid Carnegie Mellon University kunde förutsäga när morgontrafiken skulle knorra upp vissa delar av Austins motorvägar.

Att förutsäga när trafikstockningarna kommer att börja och hur länge det kommer att pågå är svårt på grund av variationer från dag till dag. Att analysera resedata i realtid ger inte tillräckligt med information för förutsägelseändamål eftersom förarnas avgångstider och resbeteenden varierar, skapa ständigt föränderliga krav på motorvägssystem. Sammansatta saker, under morgonens topp, motorvägstrafiken går ofta sönder inom bara några minuter nära flaskhalsar. För att bättre förstå trafikflödet, forskare utforskade det inbördes förhållandet mellan urbana system, ett nyckelbegrepp i forskning om smarta städer, genom att undersöka hur Austins transportsystem flätas samman med dess elsystem.

I den här studien, Sean Qian, en biträdande professor i Bygg- och miljöteknik och Ph.D. Studenten Pinchao Zhang skapade en modell som utvann tidsdata för elförbrukning och använde sedan artificiell intelligens (AI) för att förutsäga trafikflödet. Denna studie kan vara den första som försöker upptäcka rumsliga relationer mellan användningsmönster mellan transport- och energisystem.

I detta banbrytande arbete, de analyserade 79 dagars eldata från 322 anonyma hushåll i Austin. Deras modell kategoriserade användare efter tid och mängd elektricitet de använde. Till exempel, personer som förmodligen gick och la sig tidigt var i en annan kategori än nattugglor. Använder AI, modellen lär sig viktiga funktioner om användarkategorier och hur varje kategori relaterar till trafikstockningar, och sedan gör den förutsägelser. Dessa förutsägelser är betydligt mer exakta än förutsägelser gjorda genom att endast använda trafikdata i realtid. När hushållen ändrade sina användningsmönster från dag till dag, vilket återspeglades i när trängseln började.

"Våra resultat visar att morgontoppstider är tydligt relaterade till särskilda typer av elanvändningsmönster, säger Qian.  Till exempel, ett mönster bestod av hushåll vars elanvändning ökade från klockan 02.00 och framåt, men avböjde sedan före kl. 06.00. Detta kan tyda på att dessa hushåll kan behöva gå till jobbet senast kl. 06.00, vilket positivt korrelerar till morgonstockning som börjar tidigare.

"Ett annat inslag i denna studie är att den inte kräver någon personlig identifierbar information från hushåll, säger Qian, "Allt vi behöver veta är när och hur mycket någon använder el." Detta visar att systemets effektivitet kan förbättras samtidigt som den personliga integriteten förblir skyddad.

Studiens resultat är övertygande, men det finns begränsningar. Mer data behövs. Ett större urval av hushållsdata som samlats in under en längre tidsperiod skulle bättre träna modellens prediktiva förmåga. Väder- och incidentdata påverkar trafiken, och dessa ingår inte i den nuvarande modellen. Ytterligare, Att återskapa denna studie i andra städer kan vara problematiskt eftersom det är extremt svårt att få tag på elanvändningsdata från energibolag. I den här studien, Pecan Street Inc. tillhandahöll Austins eldata genom en öppen datadelningsplattform.

Medan modellen förutsäger trafikstockningar, kanske ännu viktigare, det ger proof of concept för att para ihop transport- och energisystem för att förutsäga hur systemen kommer att fungera. Att reta ut sambanden mellan hur människor använder urbana system kan leda till att förutsäga efterfrågan och hantering av olika system.

"Vi tittade på energianvändningen för att förutsäga trafiken. Men man kan också använda trafikflödet för att förutsäga energianvändningen i förväg, säger Qian, som ägnar sig åt uppföljande forskning som utforskar sambanden mellan transporter och vatten/avloppssystem och sociala medier.

National Science Foundation, Carnegie Mellon Universitys Traffic21 Institute and Mobility 21, ett National USDOT University Transportation Center finansierade denna forskning. Studien med titeln, "Användarcentrerade interdependent urban systems:Using time-of-day elanvändningsdata för att förutsäga trafikstockningar på morgonen" publicerades nyligen i Transportforskning del C.