Sherry Li, ricercatrice del Berkeley Lab (Credit:Roy Kaltschmidt/Berkeley Lab)
Il traffico urbano segue grosso modo uno schema periodico associato al tipico orario di lavoro dalle 9 alle 17. Però, quando accade un incidente, i modelli di traffico sono perturbati. Progettare modelli di flusso di traffico accurati, da utilizzare in caso di incidenti, è una grande sfida per gli ingegneri del traffico, che deve adattarsi in tempo reale a scenari di traffico imprevisti.
Un team di scienziati informatici del Lawrence Berkeley National Lab sta lavorando con il Dipartimento dei trasporti della California (Caltrans) per utilizzare il calcolo ad alte prestazioni (HPC) e l'apprendimento automatico per aiutare a migliorare il processo decisionale in tempo reale di Caltrans quando si verificano incidenti. La ricerca è stata condotta in collaborazione con California Partners for Advanced Transportation Technology (PATH), parte dell'Istituto per gli studi sui trasporti (ITS) dell'UC Berkeley, e Corridoi Collegati, un programma collaborativo per la ricerca, sviluppare, e testare un approccio di gestione integrata dei corridoi per la gestione dei corridoi di trasporto in California.
Caltrans e Connected Corridors stanno implementando il sistema in via sperimentale nella contea di Los Angeles attraverso il progetto pilota I-210. Utilizzando i dati in tempo reale dei partner nel sud della California in città, contea, e livello statale, l'obiettivo è migliorare il processo decisionale in tempo reale di Caltrans eseguendo piani coordinati di risposta agli incidenti di traffico multigiurisdizionali per limitare gli impatti negativi di questi eventi. La prima iterazione di questo sistema sarà implementata nelle città di Arcadia, Duarte, Monrovia, e Pasadena nel 2020, con piani per future implementazioni in tutto lo stato.
"Esistono molti metodi di previsione del flusso di traffico, e ognuno può essere vantaggioso nella giusta situazione, " ha detto Sherry Li, un matematico della divisione di ricerca computazionale (CRD) del Berkeley Lab. "Per alleviare il dolore di affidarsi a operatori umani che a volte si fidano ciecamente di un particolare modello, il nostro obiettivo era integrare più modelli che producessero previsioni di traffico più stabili e accurate. Lo abbiamo fatto progettando un algoritmo di apprendimento di insieme che combina diversi sottomodelli.
L'apprendimento di insieme è l'arte di combinare un insieme diversificato di studenti (modelli individuali) per migliorare, al volo, la stabilità e il potere predittivo del modello. Questa idea è stata esplorata a lungo dai ricercatori di machine learning. La particolarità del flusso di traffico è la caratteristica temporale; le misurazioni del flusso di traffico sono correlate nel tempo, così come i risultati delle previsioni di diversi modelli individuali.
Nella collaborazione Berkeley Lab-Caltrans, il modello di insieme tiene conto della dipendenza reciproca dei sottomodelli e assegna le "quote di voto" per bilanciare la loro prestazione individuale con la loro codipendenza. Il modello di insieme valuta anche le prestazioni di previsione recenti più delle prestazioni storiche precedenti. Alla fine, il modello combinato è migliore di qualsiasi singolo modello utilizzato nei test sia in termini di accuratezza della previsione che di stabilità.
Il progetto è iniziato con il finanziamento del programma Laboratory Directed Research and Development (LDRD) del Berkeley Lab. L'obiettivo era costruire un framework computazionale che consentisse applicazioni HPC specifiche per il trasporto, quali l'ottimizzazione e il controllo dell'equilibrio del traffico. Il team di sviluppo dei sistemi è guidato da Brian Peterson, un responsabile dello sviluppo dei sistemi presso PATH che gestisce il team di sviluppo dei sistemi di Connected Corridors. Hong Yuan Zhan, un ex studente estivo di Berkeley Lab Computing Sciences di Penn State, è stato un importante contributo al lavoro di Connected Corridors per questa ricerca.
Previsione del flusso di traffico tramite l'algoritmo TDEC, uno schema di combinazione di modelli in grado di tracciare il traffico effettivo più vicino rispetto a un pool di singoli modelli candidati. La linea verde è l'intervallo di previsione, la linea blu è il vero flusso, la linea rossa è la previsione dell'algoritmo TDEC. Credito:Hongyuan Zhan
Dati in tempo reale, processo decisionale in tempo reale
Utilizzando i dati raccolti dai sensori Caltrans sulle autostrade della California, il progetto ha prodotto nuovi algoritmi che hanno ottenuto una previsione accurata su base continuativa di 15 minuti. Il team ha quindi convalidato e integrato i nuovi algoritmi utilizzando i dati sul traffico in tempo reale raccolti utilizzando il sistema Connected Corridors:un sistema basato su streaming, hub di dati di trasporto in tempo reale in cui Spark MLlib, una libreria di apprendimento automatico scalabile, fornisce modelli di apprendimento automatico che possono essere utilizzati all'interno del framework di apprendimento dell'insieme proposto. L'implementazione specifica di questo lavoro è stata quella di generare flussi di traffico previsti nei punti in cui era presente il rilevamento sull'autostrada. Questo a sua volta potrebbe essere utilizzato per prevedere la domanda di traffico agli ingressi delle autostrade e i flussi di traffico alle uscite delle autostrade.
L'apprendimento dell'insieme affronta in parte il problema dei diversi tipi di veicoli nel traffico; però, non affronta cambiamenti improvvisi causati da lavori o incidenti. Il team di ricerca ha applicato tecniche di apprendimento online (in tempo reale) per consentire all'algoritmo di apprendere non solo dal passato, ma per adattarsi alle nuove condizioni di traffico lungo il percorso in tempo reale.
L'algoritmo potrebbe essere utilizzato in combinazione con queste tecnologie per una previsione del traffico più accurata e tempestiva e per aiutare il controllo del traffico in tempo reale, come il reindirizzamento del traffico, modificando le configurazioni dei semafori, e altre misure correttive.
"La prima implementazione del programma Connected Corridors ha lo scopo di convalidare il concetto e quantificare i miglioramenti nei tempi di viaggio, flusso di traffico, e ritardi in condizioni reali, " Peterson ha detto. "La modellazione del traffico ha indicato che sono possibili miglioramenti significativi con le strategie di gestione del traffico in fase di sviluppo. Le implementazioni future sono in fase di pianificazione con opportunità di continui miglioramenti del sistema e nuovi approcci".
Oltre a Li, Peterson, e Zanna, altri contributori a questo progetto includono il ricercatore del Berkeley Lab John Wu e Gabriel Gomes di ITS.
