O processo de evolução para a duração de todas as quatro fases em uma interseção. As diferentes cores representam diferentes gerações, da 1ª à 20ª geração. As primeiras gerações apresentam uma distribuição mais dispersa de indivíduos e valores de fitness muito baixos. Conforme o processo de evolução continua, a população fica mais concentrada em torno dos melhores indivíduos e ganha maiores valores de aptidão. Crédito:Mao, Mihaita e Cai.
Pesquisadores da University of Technology Sydney e DATA61 desenvolveram recentemente um novo método para otimizar o tempo de sinais em ambientes urbanos sob condições severas de tráfego. A abordagem deles, apresentado em um artigo pré-publicado no arXiv, envolve o uso de algoritmos genéticos (AGs), uma técnica de ciência da computação popular para resolver problemas de otimização.
“A ideia deste trabalho de pesquisa veio de várias viagens com meu carro na cidade de Sydney, que costuma ser afetado por incidentes de trânsito, causando um grande atraso e aumento do congestionamento das estradas, "Tuo Mao, um dos pesquisadores que realizou o estudo, disse TechXplore. "Isso me fez pensar:como podemos resolver esse problema com a ajuda de técnicas avançadas de ciência da computação?"
Os sinais de controle de tráfego são as ferramentas mais difundidas para controlar e gerenciar o tráfego rodoviário em ambientes urbanos densamente povoados. As configurações de um sinal de trânsito, também conhecido como plano de controle de sinal, pode afetar o tráfego rodoviário significativamente, particularmente quando as interrupções surgem pela primeira vez.
Até aqui, a maioria das soluções propostas para a otimização do controle de tráfego são projetadas para funcionar em condições normais de tráfego. Isso ocorre porque otimizar os planos de controle de um semáforo após a ocorrência de um incidente ou quando o tráfego está em pico é uma tarefa particularmente desafiadora, especialmente se várias faixas ou uma seção inteira da estrada forem afetadas.
Ao contrário da maioria dos trabalhos anteriores, Mao e seus colegas decidiram alcançar a otimização do controle do sinal de tráfego sob condições severas de tráfego usando GAs. GAs são uma técnica de ciência da computação inspirada na evolução biológica observada em humanos, que é projetado para selecionar naturalmente as soluções mais ideais entre um conjunto inicial de possibilidades.
"GAs são comumente usados em problemas de otimização (por exemplo, encontrar a melhor duração de fase que minimizaria o tempo de viagem em uma interseção) usando funções bioinspiradas, como mutação individual, crossover, e seleção dos melhores indivíduos para carregar os melhores genes de uma população - no nosso caso, melhores fases de sinal, "Mao disse." Nós pensamos que os AGs seriam uma solução fantástica para resolver este problema e decidimos usá-los para gerar os planos de semáforo otimizados para a área afetada pelo incidente. "
O GA desenvolvido por Mao e seus colegas explora essencialmente todos os planos de controle de semáforos possíveis para um determinado cruzamento (por exemplo, a hora verde para sinais de "virar à direita", sinais de "ir direto", etc.). Seu principal objetivo é minimizar o tempo total de viagem em uma área afetada por um acidente rodoviário, identificando a melhor combinação de fases de semáforo em todas as interseções dentro dessa área.
Fluxo simulado sob incidente com controle de sinal otimizado GA. Crédito:Mao, Mihaita e Cai.
"Primeiro, geramos um grande número de planos de controle de tráfego, incluindo diferentes durações de fase distribuídas uniformemente em um grande espaço numérico, que constituem a primeira geração de indivíduos de toda a população, "Mao explicou." Então aplicamos a seleção, crossover e mutação, a fim de introduzir mais aleatoriedade na exploração do espaço de todas as possibilidades, e selecione apenas os melhores candidatos para continuar a otimização na próxima geração. "
Subseqüentemente, a abordagem desenvolvida por Mao e seus colegas desenvolve a população original por um número específico de gerações até que a maioria dos indivíduos dessa população seja semelhante, e alcançou uma solução ótima. O resultado final do GA é um plano de controle de semáforo otimizado para todos os semáforos em áreas afetadas por acidentes rodoviários.
Embora estudos anteriores tenham proposto várias outras técnicas de otimização de controle de sinais de tráfego, a maioria deles é baseada em modelagem de tráfego e especialista baseado em conhecimento (ou seja, sistemas heurísticos). Esses sistemas reagem passivamente às condições de tráfego observadas e, portanto, são incapazes de propor ativamente soluções para reduzir o congestionamento causado por acidentes rodoviários.
"Nosso método tem três vantagens principais, "Mao explicou. Em primeiro lugar, considera incidentes de tráfego não recorrentes, conforme inserimos o incidente no modelo ativamente após alguém relatá-lo, portanto, o plano de controle de semáforos está ciente do incidente e pode responder mais rápido. Em segundo lugar, considera o comportamento de redirecionamento dos motoristas aplicando uma atribuição dinâmica de tráfego, que considera a queda da capacidade viária causada pelos incidentes de tráfego. Finalmente, nosso método é eficiente para explorar muitas possibilidades de planos de controle de sinal. "
Os pesquisadores avaliaram sua técnica usando uma rede de quatro interseções projetada em AIMSUN, uma plataforma de modelagem de tráfego renomada. Eles construíram três cenários diferentes nos quais o GA teve que otimizar os tempos dos semáforos tanto em condições normais quanto com tráfego intenso. Nestes testes, eles observaram que quando os planos de controle de sinais de trânsito podem ser adaptados para uma mudança de rota pelos motoristas após a ocorrência de um acidente de trânsito, o congestionamento tende a se dissipar mais rapidamente.
"Ao usar nosso método, melhoramos o tempo total de viagem dos motoristas em 40,76% em comparação com a aplicação de nenhuma resposta (ou seja, nenhum controle sobre a fase do sinal), "Mao disse." Nossa pesquisa pode fornecer sugestões para centros de gerenciamento de tráfego sobre como agir quando um novo incidente acontece, como parte de uma rotina para gerenciar uma melhor resposta do tráfego. "
No futuro, o GA desenvolvido por Mao e seus colegas poderia ajudar no desenvolvimento de sistemas de controle de tráfego mais eficazes. De acordo com os pesquisadores, ao avançar os recursos de streaming de dados e desempenho computacional de sua técnica, eles poderiam, em última análise, permitir que otimizassem automaticamente os sinais de tráfego, respondendo ativamente a incidentes de estrada ao vivo.
"Atualmente, estamos aplicando o método a uma rede mais complicada e até mesmo a uma rede maior da cidade de Sydney, "Mao disse." Também estamos pesquisando para encurtar ainda mais o tempo de computação e aumentar ainda mais a eficiência, combinando o GA com o aprendizado de máquina, o que poderia acelerar a taxa de convergência para as melhores soluções. "
© 2019 Science X Network
