Forskare från Carnegie Mellon Universitys institution för civil- och miljöteknik samarbetade med Uber Advanced Technologies Group (Uber ATG) för att bättre förstå hur avancerad fordonsbaserad sensordata kan informera högupplösta trafikflödesmätningar.

Henry Posner, Anne Molloy, och Robert och Christine Pietrandrea docent Sean Qian och forskningsassistent Shuguan Yang, båda medlemmar av Carnegie Mellons Mobility Data Analytics Center (MAC), var medförfattare till en vitbok informerad av Uber Advanced Technologies Groups Allison Plummer. För syftet med denna studie, Uber gav MAC tillgång till utvalda data, inklusive fordonshastighet och trafiktäthet längs två vägsegment i Strip District.

Forskarna skapade en fallstudie som visar hur avancerade fordonsbaserade sensorer kan ge information om trafikförhållandena i ett givet område. Med hjälp av historiska data, de valde fall där minst tre sensorutrustade fordon hade passerat ett visst vägavsnitt. Information från den tidpunkt då det första och tredje fordonet passerade en given punkt gav indata för deras metod, som sedan kunde ge en exakt förutsägelse av trafiktätheten mellan dessa tider.

Som anges i vitboken, MAC visar hur sensordata samlas in idag, oavsett utvecklaren som hämtar det, skulle konceptuellt kunna öppna nya möjligheter för trafikuppskattning och smarta städer i allmänhet.

Qian, direktör för MAC, och Yang planerar att fortsätta testa detta tillvägagångssätt över ett större vägnät med hjälp av större datamängder. De är intresserade av att jämföra effektiviteten av att använda data från fordonsbaserade flytande sensorer, kontra mer traditionella fasta sensorer.