Quando o tráfego está congestionado em um cruzamento no centro da cidade, pode haver uma maneira de reduzir um pouco o congestionamento:Elimine algumas curvas à esquerda.
De acordo com Vikash Gayah, professor associado de engenharia civil da Penn State, restrições de conversão à esquerda bem colocadas em certos cruzamentos movimentados podem afrouxar muitos dos gargalos que dificultam a eficiência do tráfego. Recentemente, ele criou um novo método que pode ajudar as cidades a identificar onde restringir essas curvas para melhorar o fluxo geral de tráfego.

"Todos nós experimentamos essa sensação de ficar preso esperando para fazer uma curva à esquerda", disse Gayah. “E se você permitir que essas curvas tenham sua própria seta verde, você tem que parar todos os outros veículos, tornando o cruzamento menos produtivo. dessas curvas quando pudermos para criar interseções mais seguras e eficientes."

Ao restringir seletivamente as curvas à esquerda, mas não as proibindo totalmente, os motoristas podem simplesmente precisar encontrar rotas alternativas para seus destinos em determinadas áreas, disse Gayah. Alguns podem ser obrigados a percorrer alguns quarteirões extras, mas Gayah acredita que um fluxo de tráfego mais eficiente através de cruzamentos movimentados compensa a distância adicional.

Para os planejadores urbanos, acrescentou ele, determinar onde colocar as restrições é um ato de equilíbrio entre a produtividade da interseção e o aumento das distâncias de viagem. Com tantas possibilidades de restrição a serem consideradas, encontrar o layout mais eficiente pode ser difícil.

"Por exemplo, se você tiver apenas 16 cruzamentos a considerar, cada um com a opção de permitir ou não conversões à esquerda, já são 65.000 configurações diferentes", disse Gayah. "Fica ainda mais complicado quando você considera que o tráfego flui de um cruzamento para o outro, então as decisões dependem umas das outras. Acabam sendo tantas respostas possíveis que nunca conseguimos encontrar a melhor."

O novo método de Gayah se baseia em algoritmos heurísticos, que usam atalhos para encontrar soluções que se aproximam, mas não garantem, um resultado ideal.

"Nós fazemos um palpite, aprendemos com esse palpite e depois fazemos suposições melhores", disse ele. "Com o tempo, podemos chegar muito, muito perto da melhor resposta."

Em um estudo publicado no Transportation Research Record , Gayah combinou dois algoritmos heurísticos existentes para criar uma nova abordagem híbrida. O primeiro, um algoritmo de aprendizado incremental baseado em população (PBIL), amostrava aleatoriamente configurações potenciais e reconhecia os padrões de opções de alto desempenho. Em seguida, um algoritmo de otimização bayesiana analisou esse novo conjunto de alto desempenho para identificar como as restrições estavam afetando o tráfego nas interseções adjacentes. A otimização bayesiana combina informações iniciais sobre o problema e as atualiza ao longo do tempo à medida que novas informações são aprendidas para alcançar uma solução próxima, mas não necessariamente perfeita. O algoritmo então aplicou esse conhecimento da dinâmica do tráfego para encontrar soluções mais eficientes.

"Em vez de iniciar a otimização Bayesiana com um palpite aleatório, nós a alimentamos com os melhores palpites do PBIL", disse Gayah. "O primeiro método cria o ponto de partida e o segundo o refina."

Gayah testou o método híbrido por meio de uma rede quadrada simulada em vários cenários, descobrindo que todos os três métodos – PBIL, otimização Bayesiana e híbrido – identificaram configurações que levaram a padrões de tráfego mais eficientes do que um layout sem restrições. No entanto, em simulações com configurações mais realistas, o método híbrido mostrou-se o mais eficaz.

Segundo Gayah, as configurações mais eficientes tendiam a proibir as curvas à esquerda no meio da cidade e permitiam-nas com mais frequência na periferia. Embora o método tenha sido aplicado a uma rede generalizada, os resultados podem ser usados ​​como ponto de partida para padrões de tráfego do mundo real, com os algoritmos sendo personalizáveis ​​cidade a cidade.

"A rede de grade é a mais generalizável e não específica para qualquer cidade", disse Gayah. "Não posso pegar a melhor configuração para Nova York e aplicá-la a São Francisco, mas essa abordagem generalizada pode ser configurada para qualquer rede com um pouco de codificação."