Il processo di evoluzione per tutte e quattro le fasi durata in un'intersezione. I diversi colori rappresentano generazioni diverse, dalla 1a alla 20a generazione. Le prime generazioni presentano una distribuzione più dispersa degli individui e hanno valori di fitness molto bassi. Mentre il processo di evoluzione continua, la popolazione si concentra maggiormente intorno agli individui migliori e acquisisce valori di fitness più elevati. Credito:Mao, Mihaita &Cai.
I ricercatori della University of Technology di Sydney e di DATA61 hanno recentemente sviluppato un nuovo metodo per ottimizzare i tempi dei segnali in ambienti urbani in condizioni di traffico intenso. Il loro approccio, presentato in un articolo pre-pubblicato su arXiv, comporta l'uso di algoritmi genetici (GA), una popolare tecnica informatica per risolvere problemi di ottimizzazione.
"L'idea di questo lavoro di ricerca è nata da vari viaggi con la mia auto nella città di Sydney, che è spesso colpita da incidenti stradali, causando un grande ritardo e un aumento della congestione stradale, "Tuo Mao, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Questo mi ha fatto chiedere:come possiamo risolvere questo problema con l'aiuto di tecniche informatiche avanzate?"
I segnali di controllo del traffico sono gli strumenti più diffusi per controllare e gestire il traffico stradale in ambienti urbani densamente popolati. Le impostazioni di un semaforo, noto anche come piano di controllo del segnale, può influenzare in modo significativo il traffico stradale, soprattutto quando si verificano le prime interruzioni.
Finora, la maggior parte delle soluzioni proposte per l'ottimizzazione del controllo del traffico sono progettate per funzionare in condizioni di traffico normali. Questo perché ottimizzare i piani di controllo di un semaforo dopo che si è verificato un incidente o quando il traffico è al massimo è un compito particolarmente impegnativo, soprattutto se sono interessate più corsie o un intero tratto stradale.
Contrariamente alla maggior parte dei lavori precedenti, Mao e i suoi colleghi hanno deciso di ottenere l'ottimizzazione del controllo dei semafori in condizioni di traffico gravose utilizzando i GA. Le GA sono una tecnica informatica ispirata all'evoluzione biologica osservata nell'uomo, che è progettato per selezionare naturalmente le soluzioni più ottimali tra un insieme iniziale di possibilità.
"I GA sono comunemente usati nei problemi di ottimizzazione (ad es. trovare la migliore durata della fase che minimizzi il tempo di viaggio in un incrocio) utilizzando funzioni bio-ispirate come la mutazione individuale, incrocio, e selezione dei migliori individui per portare avanti i migliori geni di una popolazione, nel nostro caso, migliori fasi del segnale, " ha detto Mao. "Abbiamo pensato che i GA sarebbero stati una soluzione fantastica per risolvere questo problema e abbiamo deciso di usarli per generare i piani di segnaletica ottimizzati per l'area interessata dall'incidente".
Il GA sviluppato da Mao e dai suoi colleghi esplora essenzialmente tutti i possibili piani di controllo dei segnali stradali per un determinato incrocio (ad esempio il tempo verde per i segnali di "svolta a destra", segnali "vai dritto", eccetera.). Il suo obiettivo principale è ridurre al minimo il tempo di viaggio totale in un'area interessata da un incidente stradale, identificando la migliore combinazione di fasi di segnalazione su tutti gli incroci all'interno di quell'area.
Flusso simulato in caso di incidente con controllo del segnale ottimizzato GA. Credito:Mao, Mihaita &Cai.
"Prima generiamo un gran numero di piani di controllo del traffico, includendo diverse durate di fase equamente distribuite in un ampio spazio numerico, che costituiscono la prima generazione di individui dell'intera popolazione, " spiegò Mao. "Allora applichiamo la selezione, crossover e mutazione per introdurre più casualità nell'esplorazione dello spazio di tutte le possibilità, e selezionare solo i migliori candidati per portare avanti l'ottimizzazione in una prossima generazione."
Successivamente, l'approccio ideato da Mao e dai suoi colleghi fa evolvere la popolazione originale per un numero specifico di generazioni fino a quando la maggior parte degli individui all'interno di quella popolazione sono simili, ed ha raggiunto una soluzione ottimale. Il risultato finale dell'AG è un piano di controllo dei semafori ottimizzato per tutti i semafori nelle aree interessate da incidenti stradali.
Mentre studi precedenti hanno proposto diverse altre tecniche di ottimizzazione del controllo dei segnali stradali, la maggior parte di questi si basa sulla modellazione del traffico e su esperti basati sulla conoscenza (cioè, sistemi euristici). Questi sistemi reagiscono passivamente alle condizioni di traffico osservate e non sono quindi in grado di proporre attivamente soluzioni per ridurre la congestione causata da incidenti stradali.
"Il nostro metodo ha tre vantaggi chiave, " Mao ha spiegato. In primo luogo, considera incidenti stradali non ricorrenti, quando inseriamo attivamente l'incidente nel modello dopo che qualcuno lo ha segnalato, pertanto il piano di controllo del semaforo è a conoscenza dell'incidente e può rispondere più rapidamente. In secondo luogo, considera il comportamento di reindirizzamento dei conducenti applicando un'assegnazione dinamica del traffico, che considera il calo di capacità stradale causato dagli incidenti stradali. Finalmente, il nostro metodo è efficiente per esplorare molte possibilità di piani di controllo del segnale."
I ricercatori hanno valutato la loro tecnica utilizzando una rete di quattro intersezioni progettata in AIMSUN, una rinomata piattaforma di modellazione del traffico. Hanno costruito tre diversi scenari in cui il GA doveva ottimizzare i tempi dei segnali stradali sia in condizioni normali che con traffico intenso. In questi test, hanno osservato che quando i piani di controllo dei semafori possono essere adattati a un cambio di percorso da parte dei conducenti dopo che si è verificato un incidente stradale, la congestione tende a dissiparsi più velocemente.
"Quando si utilizza il nostro metodo, abbiamo migliorato il tempo di viaggio totale dei conducenti del 40,76% rispetto all'applicazione di nessuna risposta (cioè nessun controllo sulla fasatura del segnale), " Ha detto Mao. " La nostra ricerca potrebbe fornire suggerimenti per i centri di gestione del traffico su come agire quando si verifica un nuovo incidente, come parte di una routine per gestire una migliore risposta al traffico."
Nel futuro, il GA sviluppato da Mao e dai suoi colleghi potrebbe aiutare lo sviluppo di sistemi di controllo del traffico più efficaci. Secondo i ricercatori, avanzando le capacità di streaming dei dati della loro tecnica e le prestazioni computazionali potrebbero in definitiva consentirle di ottimizzare automaticamente i segnali stradali, rispondere attivamente agli incidenti stradali in tempo reale.
"Attualmente stiamo applicando il metodo a una rete più complicata e persino a una rete più ampia dalla città di Sydney, " Ha detto Mao. "Stiamo anche cercando di ridurre ulteriormente il tempo di calcolo e aumentare ulteriormente l'efficienza accoppiando il GA con l'apprendimento automatico, che potrebbe accelerare il tasso di convergenza verso le soluzioni migliori."
© 2019 Scienza X Rete
