Forskare vid University of Technology Sydney och DATA61 har nyligen utvecklat en ny metod för att optimera timingen av signaler i stadsmiljöer under svåra trafikförhållanden. Deras tillvägagångssätt, presenteras i en tidning förpublicerad på arXiv, innebär användning av genetiska algoritmer (GA), en populär datavetenskaplig teknik för att lösa optimeringsproblem.

"Idén till detta forskningsarbete kom från olika körningar med min bil i staden Sydney, som ofta drabbas av trafikincidenter, orsakar en stor mängd förseningar och ökad trafikstockning, "Tuo Mao, en av forskarna som genomförde studien, berättade för TechXplore. "Detta fick mig att undra:Hur kan vi lösa detta problem med hjälp av avancerade datavetenskapliga tekniker?"

Trafikstyrningssignaler är de mest utbredda verktygen för att styra och hantera vägtrafik i tätbefolkade stadsmiljöer. En trafiksignals inställningar, även känd som signalkontrollplan, kan påverka vägtrafiken avsevärt, särskilt när störningar först uppstår.

Än så länge, majoriteten av de föreslagna lösningarna för trafikstyrningsoptimering är utformade för att fungera under normala trafikförhållanden. Detta beror på att det är en särskilt utmanande uppgift att optimera ett trafikljus kontrollplaner efter att en incident har inträffat eller när trafiken är på topp. speciellt om flera körfält eller en hel vägsträcka påverkas.

I motsats till de flesta tidigare verk, Mao och hans kollegor siktar på att uppnå trafiksignalstyrningsoptimering under svåra trafikförhållanden med hjälp av GA. GA är en datavetenskaplig teknik inspirerad av den biologiska evolution som observerats hos människor, som är designad för att naturligt välja de mest optimala lösningarna bland en initial uppsättning möjligheter.

"GA används ofta i optimeringsproblem (t.ex. hitta den bästa faslängden som skulle minimera restid i en korsning) genom att använda bioinspirerade funktioner som individuell mutation, crossover, och urval av de bästa individerna för att föra vidare de bästa generna i en population – i vårt fall, bästa signalfaserna, " Sa Mao. "Vi trodde att GAs skulle vara en fantastisk lösning för att lösa detta problem och beslutade att använda dem för att generera de optimerade trafiksignalplanerna för det drabbade området."

GA som utvecklats av Mao och hans kollegor undersöker i huvudsak alla möjliga trafiksignalkontrollplaner för en given korsning (t.ex. den gröna tiden för "högersvängsignaler", "gå rakt"-signaler, etc.). Dess huvudmål är att minimera den totala restiden i ett område som drabbats av en trafikolycka genom att identifiera den bästa kombinationen av signalfaser över alla korsningar inom det området.

"Vi genererar först ett stort antal trafikkontrollplaner, inklusive olika faslängder jämnt fördelade i ett stort numeriskt utrymme, som utgör den första generationen individer från hela befolkningen, Mao förklarade. "Då tillämpar vi urval, korsning och mutation för att introducera mer slumpmässighet i att utforska utrymmet för alla möjligheter, och välj bara ut de bästa kandidaterna för att fortsätta optimeringen i nästa generation."

Senare, det tillvägagångssätt som Mao och hans kollegor utarbetat utvecklar den ursprungliga befolkningen under ett specifikt antal generationer tills majoriteten av individerna inom den populationen är lika, och den har nått en optimal lösning. GA:s slutresultat är en optimerad trafiksignalkontrollplan för alla trafikljus i områden som drabbats av trafikolyckor.

Medan tidigare studier har föreslagit flera andra optimeringstekniker för trafiksignalkontroll, de flesta av dessa är baserade på trafikmodeller och kunskapsbaserad expert (dvs. heuristiska) system. Dessa system reagerar passivt på observerade trafikförhållanden och kan därför inte aktivt föreslå lösningar för att minska trafikstockningar orsakade av trafikolyckor.

"Vår metod har tre viktiga fördelar, " förklarade Mao. För det första, den tar hänsyn till engångstrafikincidenter, när vi matar in händelsen till modellen aktivt efter att någon rapporterat den, därför är trafiksignalplanen medveten om händelsen och kan reagera snabbare. För det andra, den tar hänsyn till förarnas omdirigeringsbeteende genom att tillämpa en dynamisk trafiktilldelning, som tar hänsyn till vägkapacitetsminskningen orsakad av trafikolyckorna. Till sist, vår metod är effektiv för att utforska många möjligheter för signalkontrollplaner."

Forskarna utvärderade sin teknik med hjälp av ett nätverk med fyra korsningar designat i AIMSUN, en välkänd trafikmodelleringsplattform. De konstruerade tre olika scenarier där GA var tvungen att optimera trafiksignalstider under både normala förhållanden och med svår trafik. I dessa tester, de observerade att när trafiksignalkontrollplaner kan anpassas till en ruttändring av förare efter att en trafikolycka har inträffat, trängsel tenderar att skingras snabbare.

"När vi använder vår metod, vi förbättrade förarnas totala restid med 40,76 % jämfört med att inte tillämpa något svar alls (dvs. ingen kontroll över signalfasningen), " Sao Mao. " Vår forskning kan ge förslag till trafikledningscentraler om hur man ska agera när en ny incident inträffar, som en del av en rutin för att hantera en bättre trafikrespons."

I framtiden, GA som utvecklats av Mao och hans kollegor skulle kunna hjälpa utvecklingen av effektivare trafikkontrollsystem. Enligt forskarna, genom att förbättra sin tekniks dataströmningsförmåga och beräkningsprestanda kan de i slutändan tillåta den att automatiskt optimera trafiksignaler, aktivt reagera på trafikincidenter.

"Vi tillämpar för närvarande metoden på ett mer komplicerat nätverk och till och med ett större nätverk från staden Sydney, ", sa Mao. "Vi forskar också för att ytterligare förkorta beräkningstiden och ytterligare öka effektiviteten genom att koppla GA med maskininlärning, vilket skulle kunna påskynda konvergenshastigheten mot de bästa lösningarna."

© 2019 Science X Network