U posljednjim godinama, napredak u području strojnog učenja značajno je unaprijedio urbanu planifikaciju i upravljanje prometom. Kako sustavi prijevoza postaju sve složeniji, zbog povećane povezanosti putnika i vozila te razvoja novih usluga poput dijeljenja vožnje i javnog prijevoza na zahtjev, pronalaženje rješenja postaje izazovno. Da bi bolje razumjeli ove izazove, gradovi razvijaju visoko precizne simulatore urbane mobilnosti, poznate kao “digitalni blizanci”, koji mogu pružiti detaljne opise obrazaca zagušenja.
Ovi sustavi uključuju razne čimbenike koji mogu utjecati na protok prometa, kao što su dostupne usluge mobilnosti, uključujući usklađivanje putnika i vozila za usluge dijeljenja vožnje, operacije mrežne opskrbe poput prometa osjetljivog naplate ili kontrole semafora, te skupove različitih ponašanja putnika koji utječu na stil vožnje (npr. oprezni nasuprot agresivnim), preferencije ruta i izbore načina putovanja.
Primjena digitalnih blizanaca u urbanom prometu
Digitalni blizanci se koriste za različite primjene, uključujući:
- Postavljanje stanica za punjenje električnih vozila
- Ublažavanje prometa nakon događaja
- Cjenovna politika zagušenja i naplate
- Kontrola semafora za održivu mobilnost
- Proširenje javnog prijevoza
Međutim, izazov ostaje u procjeni ulaza ovih simulatora, kao što su prostorna i vremenska raspodjela potražnje za putovanjem, atributi cesta (npr. broj traka i geometrija), te trenutna vremena semafora, kako bi se pouzdano replicirali postojeći obrasci prometa u zagušenim mrežama na metropolitanskoj razini. Proces procjene ovih ulaza poznat je kao kalibracija.
Ciljevi kalibracije simulacija
Glavni cilj kalibracije simulacija je premostiti razliku između simuliranih i promatranih prometnih podataka. Drugim riječima, dobro kalibrirani simulator daje simulirane obrasce zagušenja koji točno odražavaju one u stvarnosti. Kalibracija potražnje, tj. određivanje potražnje za određenim putovanjem od točke A do točke B, najvažniji je ulaz koji treba procijeniti, ali i najteži. Tradicionalno, simulatori su kalibrirani pomoću prometnih senzora instaliranih ispod ceste. Ovi senzori prisutni su u većini gradova, ali su skupi za instalaciju i održavanje. Također, njihova prostorna rijetkost ograničava kvalitetu kalibracije jer obrasci zagušenja često ostaju neprimijećeni.
Inovativni pristupi kalibraciji
U radu “Simulacije prometa: Višegradna kalibracija metropolitanskih autocestovnih mreža”, prikazujemo sposobnost kalibracije potražnje za cijele metropolitanske autocestovne mreže šest gradova — Seattle, Denver, Philadelphia, Boston, Orlando i Salt Lake City — za sve razine zagušenja, od slobodnog protoka do visoko zagušenog. Za kalibraciju koristimo ne-rijetke prometne podatke, konkretno agregirane i anonimne podatke o vremenima putovanja, što omogućava točnije i pouzdanije modele. Kada se usporedi s standardnim referentnim točkama, predloženi pristup može replicirati povijesne podatke o vremenima putovanja 44% bolje u prosjeku (i do 80% bolje u nekim slučajevima).
Pristup kalibraciji potražnje
Kako bi kalibrirali potražnju za putovanjem, urbani planeri i prometni operateri dijele metropolitanska područja na zone i koriste simulatore za procjenu potražnje za putovanjem između parova zona. Međutim, visoko precizni prometni simulatori mogu biti skupi za korištenje. Naše rješenje koristi nedavne istraživačke rezultate o algoritmima koji su učinkoviti uzorkom, koji rješavaju probleme optimizacije na brz način, izbjegavajući potrebu za velikim uzorcima iz skupih simulatora. Konkretno, koristimo metode metamodela, koje koriste nisko-razlučive, fizikalno informirane prometne modele za vođenje pretraživanja u procesu optimizacije.
Uloga podataka u kalibraciji
Povijesno, najčešće korištena vrsta prometnih podataka za modeliranje bila su prostorno rijetka podatkovna mjerenja vozila. Nedavno smo to poboljšali uključivanjem podataka o brzini na cesti, koji su prostorno ne-rijetki. Za naš novi pristup kalibraciji također koristimo agregirane i anonimne podatke o vremenima putovanja (tj. procijenjeno prosječno vrijeme potrebno za putovanje određenom rutom ili stazom između dviju točaka unutar prometne mreže), što pruža potpunije razumijevanje obrazaca zagušenja kroz mrežu.
Kalibracija za šest metropolitanskih područja
Kalibriramo prometnu potražnju za šest metropolitanskih područja (Seattle, Denver, Philadelphia, Boston, Orlando i Salt Lake City) koristeći open-source SUMO simulacijski softver za modeliranje njihovih autocestovnih mreža. Naši algoritmi kalibracije kombiniraju podatke o prometnoj mreži i povijesne prometne podatke s ovim SUMO simuliranim mrežama kako bi optimizirali ulazne parametre ovih simulatora, dajući realistične simulirane prometne statistike (npr. vremena putovanja, brzine).
Odgovarajuće autocestovne mreže su velike, s modeliranim brojem cesta koji se kreće od 6,600 do 18,600. Problemi optimizacije procjene potražnje su visoko dimenzionalni, s rasponom od 600 do 1,700.
Procjena potražnje po satima
Za svaki grad, kalibriramo satnu potražnju od 14:00 do 23:00 na tipičan radni dan. Ovaj period uključuje poslijepodnevne vršne sate kao i izvan vršnih sati, omogućujući nam da procijenimo performanse algoritma pod različitim razinama zagušenja.
Zaključak
Kalibracija digitalnih blizanaca predstavlja ključni korak u optimizaciji urbanih prometnih sustava. Razumijevanje i primjena ovih tehnologija omogućava gradovima da bolje upravljaju prometom, smanje zagušenja i poboljšaju kvalitetu života svojih građana. S obzirom na sve veće izazove u urbanom prometu, inovativni pristupi poput ovih postaju neophodni za održivu budućnost urbanih sredina.
Česta pitanja (FAQ)
Što su digitalni blizanci u urbanom prometu?
Digitalni blizanci su visoko precizni simulatori urbane mobilnosti koji pružaju detaljne opise obrazaca prometa i zagušenja u gradovima.
Kako se kalibriraju prometni simulatori?
Kalibracija se provodi procjenom ulaza poput potražnje za putovanjem, atributa cesta i vremena semafora, kako bi se replicirali stvarni prometni obrasci.
Koje su prednosti korištenja digitalnih blizanaca?
Prednosti uključuju bolju analizu prometa, optimizaciju resursa, smanjenje zagušenja i poboljšanje javnog prijevoza.
Koje tehnologije se koriste za kalibraciju?
Korištene tehnologije uključuju algoritme koji su učinkoviti uzorkom, metamodel metode i open-source simulacijski softver poput SUMO.
Kako digitalni blizanci utječu na urbanu mobilnost?
Oni omogućuju gradovima da bolje planiraju i upravljaju prometom, što dovodi do učinkovitijeg korištenja infrastrukture i poboljšanja kvalitete života građana.
