Para prever quando o tráfego matinal provavelmente irá parar, pode ser mais eficaz examinar como usamos eletricidade no meio da noite em vez de dados de tempo de viagem. Ao analisar o uso de eletricidade doméstica em Austin, Texas, pesquisadores da Carnegie Mellon University foram capazes de prever quando o tráfego matinal atrapalharia alguns trechos das rodovias de Austin.

É difícil prever quando o congestionamento do tráfego começará e quanto tempo durará devido às variações do dia a dia. A análise de dados de viagem em tempo real não fornece informações suficientes para fins de previsão porque os horários de partida dos motoristas e os comportamentos de viagem variam, criando demandas em constante mudança em sistemas rodoviários. Matérias compostas, durante o pico da manhã, o tráfego nas rodovias costuma ser interrompido em apenas alguns minutos, próximo a gargalos. Para entender melhor o fluxo de tráfego, pesquisadores exploraram as inter-relações entre sistemas urbanos, um conceito chave na pesquisa de cidades inteligentes, examinando como o sistema de transporte de Austin se entrelaça com seu sistema elétrico.

Neste estudo, Sean Qian, professora assistente de Engenharia Civil e Ambiental e doutora. O estudante Pinchao Zhang criou um modelo que extraiu dados de tempo de uso de eletricidade e, em seguida, empregou inteligência artificial (IA) para prever o fluxo de tráfego. Este estudo pode ser o primeiro que tenta descobrir relações espaço-temporais de padrões de uso entre sistemas de transporte e energia.

Neste trabalho inovador, eles analisaram 79 dias de dados de eletricidade por hora do dia de 322 famílias anônimas em Austin. Seu modelo categorizou os usuários pelo tempo e quantidade de eletricidade que usaram. Por exemplo, pessoas que presumivelmente iam para a cama cedo estavam em uma categoria diferente dos noctívagos. Usando IA, o modelo aprende recursos essenciais sobre categorias de usuários e como cada categoria se relaciona ao congestionamento de tráfego, e então faz previsões. Essas previsões são significativamente mais precisas do que as feitas usando apenas dados de tráfego em tempo real. Quando as famílias mudaram seus padrões de uso do dia a dia, isso se refletiu no horário de início do congestionamento.

"Nossos resultados mostram que os horários de pico de congestionamento matinal estão claramente relacionados a tipos específicos de padrões de uso de eletricidade, "diga Qian. Por exemplo, um padrão consistia em residências cujo uso de eletricidade aumentou das 2 da manhã em diante, mas depois diminuiu antes das 6h. Isso pode indicar que essas famílias podem ter que sair para trabalhar às 6h, que se correlaciona positivamente com o congestionamento matinal começando mais cedo.

"Outra característica deste estudo é que ele não requer informações de identificação pessoal das famílias, "diz Qian, "tudo o que precisamos saber é quando e quanto alguém usa eletricidade." Isso demonstra que a eficiência do sistema pode ser melhorada enquanto a privacidade pessoal permanece protegida.

Os resultados do estudo são convincentes, mas existem limitações. Mais dados são necessários. Uma amostra maior de dados domiciliares coletados durante um período de tempo mais longo treinaria melhor os recursos preditivos do modelo. Os dados meteorológicos e de incidentes afetam o tráfego, e estes não são considerados no modelo atual. Avançar, reproduzir este estudo em outras cidades pode ser problemático porque a obtenção de dados de uso de eletricidade de empresas concessionárias de energia é extremamente difícil. Neste estudo, A Pecan Street Inc. forneceu os dados de eletricidade de Austin por meio de uma plataforma aberta de compartilhamento de dados.

Embora o modelo preveja congestionamento de tráfego, talvez mais importante, ele fornece uma prova de conceito para o emparelhamento de sistemas de transporte e energia para prever como os sistemas irão operar. Desvendar as correlações entre como as pessoas usam os sistemas urbanos pode levar à previsão e gestão da demanda entre os sistemas.

"Analisamos a utilização de energia para prever o tráfego. Mas você também pode usar o fluxo de tráfego para prever a utilização de energia com antecedência, "diz Qian, que está se engajando em pesquisas de acompanhamento que exploram as relações entre transporte e sistemas de água / esgoto e mídia social.

The National Science Foundation, Traffic21 Institute and Mobility 21 da Carnegie Mellon University, um Centro Nacional de Transporte da Universidade USDOT financiou esta pesquisa. O estudo intitulado, "Sistemas urbanos interdependentes centrados no usuário:usando dados de uso de eletricidade na hora do dia para prever o congestionamento das estradas pela manhã" foi publicado recentemente em Pesquisa de transporte, parte C.