O tráfego urbano segue aproximadamente um padrão periódico associado ao horário de trabalho típico das 9h às 17h. Contudo, quando acontece um acidente, os padrões de tráfego são interrompidos. Projetando modelos precisos de fluxo de tráfego, para uso durante acidentes, é um grande desafio para engenheiros de tráfego, quem deve se adaptar a cenários de tráfego imprevistos em tempo real.

Uma equipe de cientistas da computação do Lawrence Berkeley National Lab está trabalhando com o Departamento de Transporte da Califórnia (Caltrans) para usar computação de alto desempenho (HPC) e aprendizado de máquina para ajudar a melhorar a tomada de decisão em tempo real da Caltrans quando ocorrem incidentes. A pesquisa foi feita em conjunto com a California Partners for Advanced Transportation Technology (PATH), parte do Instituto de Estudos de Transporte da UC Berkeley (ITS), e corredores conectados, um programa colaborativo de pesquisa, desenvolve, e testar uma abordagem de Gerenciamento Integrado de Corredores para gerenciar corredores de transporte na Califórnia.

A Caltrans e a Connected Corridors estão implementando o sistema em caráter experimental no Condado de Los Angeles por meio do piloto I-210. Usando dados em tempo real de parceiros no sul da Califórnia na cidade, condado, e nível estadual, o objetivo é melhorar a tomada de decisão em tempo real da Caltrans, executando planos coordenados de resposta a incidentes de tráfego multijurisdicional para limitar os impactos negativos desses eventos. A primeira iteração deste sistema será implantada nas cidades de Arcádia, Duarte, Monrovia, e Pasadena em 2020, com planos para futuras implantações em todo o estado.

"Existem muitos métodos de previsão de fluxo de tráfego, e cada um pode ser vantajoso na situação certa, "disse Sherry Li, um matemático na Divisão de Pesquisa Computacional do Berkeley Lab (CRD). "Para aliviar a dor de depender de operadores humanos que às vezes confiam cegamente em um modelo específico, nosso objetivo era integrar vários modelos que produzissem previsões de tráfego mais estáveis ​​e precisas. Fizemos isso projetando um algoritmo de aprendizagem por conjunto que combina diferentes submodelos.

A aprendizagem ensemble é a arte de combinar um conjunto diversificado de alunos (modelos individuais) para melhorar, no vôo, a estabilidade e poder preditivo do modelo. Essa ideia tem sido explorada por pesquisadores de aprendizado de máquina há muito tempo. O que é especial sobre o fluxo de tráfego é a característica temporal; as medições do fluxo de tráfego são correlacionadas ao longo do tempo, assim como os resultados da previsão de diferentes modelos individuais.

Na colaboração Berkeley Lab-Caltrans, o modelo de conjunto leva em consideração a dependência mútua dos submodelos e atribui as "cotas de voto" para equilibrar seu desempenho individual com sua co-dependência. O modelo de conjunto também valoriza o desempenho de previsão recente mais do que o desempenho histórico mais antigo. No fim, o modelo combinado é melhor do que qualquer um dos modelos únicos usados ​​em testes de precisão e estabilidade de predição.

O projeto começou com financiamento do programa Laboratório de Pesquisa e Desenvolvimento Dirigido (LDRD) do Berkeley Lab. O objetivo era construir uma estrutura computacional que permitiria aplicativos HPC específicos para transporte, como otimização e controle do equilíbrio do tráfego. A equipe de desenvolvimento de sistemas é liderada por Brian Peterson, um gerente de desenvolvimento de sistemas na PATH que gerencia a equipe de desenvolvimento de sistemas da Connected Corridors. Hongyuan Zhan, um ex-aluno de verão do Berkeley Lab Computing Sciences da Penn State, foi um contribuidor importante para o trabalho dos Corredores Conectados para esta pesquisa.

Dados em tempo real, tomada de decisão em tempo real

Usando dados coletados de sensores Caltrans nas rodovias da Califórnia, o projeto rendeu novos algoritmos que alcançaram uma previsão precisa em uma base contínua de 15 minutos. A equipe então validou e integrou os novos algoritmos usando dados de tráfego em tempo real coletados usando o sistema Connected Corridors:um sistema baseado em streaming, hub de dados de transporte em tempo real no qual Spark MLlib - uma biblioteca de aprendizado de máquina escalonável - fornece modelos de aprendizado de máquina que podem ser utilizados dentro da estrutura de aprendizado de conjunto proposta. A implementação específica deste trabalho foi gerar fluxos de tráfego previstos em pontos onde o sensoriamento estava presente na rodovia. Isso, por sua vez, poderia ser usado para prever as demandas de tráfego nas entradas das rodovias e os fluxos de tráfego nas saídas das rodovias.

A aprendizagem ensemble aborda parcialmente a questão dos diferentes tipos de veículos no trânsito; Contudo, não trata de mudanças repentinas causadas por construções ou incidentes. A equipe de pesquisa aplicou técnicas de aprendizagem online (em tempo real) para permitir que o algoritmo aprendesse não apenas com o passado, mas para se adaptar às novas condições de tráfego ao longo do caminho em tempo real.

O algoritmo pode ser usado em combinação com essas tecnologias para uma previsão de tráfego mais precisa e oportuna e para ajudar no controle de tráfego em tempo real, como redirecionar o tráfego, alterar as configurações do semáforo, e outras medidas corretivas.

“A primeira implantação do programa Corredores Conectados tem como objetivo validar o conceito e quantificar melhorias nos tempos de viagem, fluxo de tráfego, e atrasos em condições do mundo real, "Peterson disse." A modelagem de tráfego indicou que melhorias significativas são possíveis com as estratégias de gerenciamento de tráfego que estão sendo desenvolvidas. Implantações futuras estão em estágio de planejamento com oportunidades para melhorias contínuas do sistema e novas abordagens. "

Além de Li, Peterson, e Zhan, outros contribuintes para este projeto incluem o pesquisador do Berkeley Lab, John Wu, e o ITS 'Gabriel Gomes.