Per prevedere quando è probabile che il traffico mattutino si arresti, potrebbe essere più efficace esaminare come utilizziamo l'elettricità nel cuore della notte invece dei dati sui tempi di viaggio. Analizzando il consumo di elettricità delle famiglie ad Austin, Texas, i ricercatori della Carnegie Mellon University sono stati in grado di prevedere quando il traffico mattutino avrebbe intasato alcuni segmenti delle autostrade di Austin.

Prevedere quando inizierà la congestione del traffico e quanto durerà è difficile a causa delle variazioni giornaliere. L'analisi dei dati di viaggio in tempo reale non fornisce informazioni sufficienti a fini di previsione perché gli orari di partenza dei conducenti e i comportamenti di viaggio variano, creando richieste in continua evoluzione sui sistemi autostradali. Materie composte, durante il picco mattutino, il traffico autostradale spesso si interrompe in pochi minuti vicino alle strozzature. Per comprendere meglio il flusso di traffico, ricercatori hanno esplorato le interrelazioni tra i sistemi urbani, un concetto chiave nella ricerca sulle smart city, esaminando come il sistema di trasporto di Austin si intreccia con il suo sistema elettrico.

In questo studio, Sean Qian, un assistente professore di Ingegneria Civile e Ambientale e Ph.D. lo studente Pinchao Zhang ha creato un modello che estraeva i dati sul tempo di utilizzo dell'elettricità e quindi utilizzava l'intelligenza artificiale (AI) per prevedere il flusso del traffico. Questo studio potrebbe essere il primo che tenta di scoprire le relazioni spazio-temporali dei modelli di utilizzo tra i sistemi di trasporto e quelli energetici.

In questo lavoro pionieristico, hanno analizzato 79 giorni di dati sull'elettricità dell'ora del giorno da 322 famiglie anonime ad Austin. Il loro modello classificava gli utenti in base al tempo e alla quantità di elettricità utilizzata. Per esempio, le persone che presumibilmente andavano a letto presto appartenevano a una categoria diversa rispetto ai nottambuli. Usando l'intelligenza artificiale, il modello apprende le caratteristiche critiche delle categorie di utenti e il modo in cui ciascuna categoria è correlata alla congestione del traffico, e poi fa previsioni. Queste previsioni sono significativamente più accurate delle previsioni effettuate utilizzando solo i dati sul traffico in tempo reale. Quando le famiglie cambiavano i loro modelli di utilizzo di giorno in giorno, che si è riflesso nel momento in cui è iniziata la congestione.

"I nostri risultati mostrano che i picchi di congestione mattutini sono chiaramente correlati a particolari tipi di modelli di utilizzo dell'elettricità, " dire Qian.  Ad esempio, un modello era costituito da famiglie il cui consumo di elettricità è aumentato dalle 2 del mattino in poi, ma poi è diminuito prima delle 6 del mattino. Ciò potrebbe indicare che quelle famiglie potrebbero dover partire per andare al lavoro entro le 6 del mattino, che si correla positivamente alla congestione mattutina che inizia prima.

"Un'altra caratteristica di questo studio è che non richiede informazioni di identificazione personale da parte delle famiglie, "dice Qian, "tutto quello che dobbiamo sapere è quando e quanto qualcuno usa l'elettricità." Ciò dimostra che l'efficienza del sistema può essere migliorata mentre la privacy personale rimane protetta.

I risultati dello studio sono convincenti, ma ci sono limitazioni. Servono più dati. Un campione più ampio di dati sulle famiglie raccolti in un periodo di tempo più lungo allenerebbe meglio le capacità predittive del modello. I dati meteorologici e sugli incidenti influiscono sul traffico, e questi non sono presi in considerazione nel modello attuale. Ulteriore, riprodurre questo studio in altre città può essere problematico perché ottenere dati sull'uso dell'elettricità dalle società di servizi energetici è estremamente difficile. In questo studio, Pecan Street Inc. ha fornito i dati sull'elettricità di Austin attraverso una piattaforma di condivisione dati aperta.

Mentre il modello prevede la congestione del traffico, forse più importante, fornisce una prova del concetto per l'abbinamento dei sistemi di trasporto e dell'energia per prevedere come funzioneranno i sistemi. Scoprire le correlazioni tra il modo in cui le persone utilizzano i sistemi urbani potrebbe portare alla previsione e alla gestione della domanda tra sistemi.

"Abbiamo esaminato l'utilizzo dell'energia per prevedere il traffico. Ma potresti anche utilizzare il flusso del traffico per prevedere in anticipo l'utilizzo dell'energia, "dice Qian, che è impegnato in una ricerca di follow-up che esplora le relazioni tra i trasporti e i sistemi idrico/fognario e i social media.

La Fondazione Nazionale della Scienza, Istituto Traffic21 e Mobility 21 della Carnegie Mellon University, un Centro nazionale per i trasporti dell'Università USDOT ha finanziato questa ricerca. Lo studio intitolato, "Sistemi urbani interdipendenti incentrati sull'utente:utilizzo dei dati sull'utilizzo dell'elettricità nell'ora del giorno per prevedere la congestione stradale mattutina" è stato recentemente pubblicato in Ricerca sui trasporti parte C.