Om du har en ny eller sen modellbil, troligen är den ansluten:GPS-navigering, den där infotainmentpanelen, det trådlösa nätverket som din bil skapar – de är alla sätt för din bil att tillhandahålla information, om det är för att ge dig vägbeskrivningar, pinga andra fordon, eller för att checka in med infrastruktur som trafiksignaler, skyltar eller broar.

Alla dessa data skapar potential för uppkopplade bilar att hjälpa transportplanerare att få en korrekt bild av hur deras vägar används. Just nu, fastän, denna typ av data är i allmänhet okontrollerad, felaktiga och opålitliga, med saknade platser och vägar.

Kuilin Zhang, biträdande professor i civil- och miljöteknik och biträdande biträdande professor i datavetenskap vid Michigan Technological University, har utvecklat ett sätt att fylla i luckorna, som presenteras i en nyligen publicerad studie publicerad i Transportforskning Del C:Emerging Technologies . I framtiden, Zhang tror att detta kommer att vara ett kostnadseffektivt sätt att tillåta transportplanerare att göra allt från att göra effektivare strategier för att lindra trafikstockningar till att veta var de ska bygga bredare eller nya vägar.

"I framtiden, vi kommer att ha fler uppkopplade fordon, " sa han. "Om vi ​​fyller i de saknade delarna av uppgifterna de tillhandahåller, vi kan få fullständig aktivitet och resor för enskilda förare, och sedan kan dessa data användas för att veta efterfrågan."

Fylla i luckorna i anslutna bilar

Bilar behöver inte vara autonoma för att kunna anslutas:alla fordon med trådlös åtkomst, t.ex. cellulär eller DSRC-teknik (Dedicated Short-Range Communication), anses ansluten. IHS Automotive förväntar sig att 152 miljoner aktivt anslutna bilar kommer att finnas på vägar runt om i världen år 2025 och att den genomsnittliga bilen kommer att producera upp till 30 terabyte data varje dag.

Bandata för anslutna fordon kan användas för att göra reseförutsägelser, men Zhang har funnit att det finns tillräckligt med luckor i data för att de inte kan användas för att göra tillförlitliga förutsägelser.

I den här studien, forskare som användes inkluderade två månaders anslutna fordonsdata från 2, 800 bilar, tillhandahålls av Safety Pilot Model Deployment Program i Ann Arbor, Michigan. Från det, de skapade en datadriven optimeringsmetod för att rekonstruera de saknade plats-varaktighet-vägvalen som dessa bilar gör. De rekonstruerade valen kan användas för att förbättra valideringen och kalibreringen av modellerna. De aktivitetsbaserade modellerna för resebehovsdynamik ger mer information till transportplaneringsorganisationer. Bättre uppskattning av reseefterfrågan, Zhang sa, kommer också att bidra till att minska trängseln, minska utsläppen och spara energi.

Modeller förutsäger fordonsdata

Zhang menar att värdet av denna aktivitetsbaserade modell går utöver bara precision. Det kommer att spara pengar. Lokala myndigheter, som ofta köper information hämtad från GPS på kommersiella fordon från privata företag, eller lita på National Household Travel Survey, som är dyrt att genomföra, och presenterar bara information om en bit förare istället för hela , kan använda modellerna för att veta mer och betala mindre för att observera sin kommuns körvanor.

Han sa också att den här typen av modellering kommer att vara särskilt viktig om fler städer följer New York Citys ledning och börjar implementera trängselpriser, som kommer att använda registreringsskyltläsare för att ta ut vägtullar för förare under högtrafiktider.

Nästa steg i denna forskning är att modellen ska tillämpas på befintliga anslutna fordonstestbäddar i Florida, New York och Wyoming, och ge insikter där om hur man använder ansluten fordonsdata.

"Det här är en big data-era, ", sa Zhang. "Förutom säkerhetsfördelarna med ansluten fordonsteknik, högfrekvent data som genereras från anslutna fordon erbjuder stora datamängder för nya mobilitetslösningar."