Para predecir cuándo es probable que el tráfico matutino se detenga, puede ser más eficaz examinar cómo utilizamos la electricidad en medio de la noche en lugar de los datos del tiempo de viaje. Al analizar el uso de electricidad de los hogares en Austin, Texas, Los investigadores de la Universidad Carnegie Mellon pudieron predecir cuándo el tráfico matutino se enredaría en algunos segmentos de las carreteras de Austin.

Es difícil predecir cuándo comenzará la congestión del tráfico y cuánto durará debido a las variaciones del día a día. El análisis de los datos de viaje en tiempo real no proporciona suficiente información para fines de predicción porque los horarios de salida de los conductores y los comportamientos de viaje varían. creando demandas siempre cambiantes en los sistemas de carreteras. Agravando las cosas, durante el pico de la mañana, El tráfico en las carreteras a menudo se interrumpe en unos pocos minutos cerca de los cuellos de botella. Para comprender mejor el flujo de tráfico, Los investigadores exploraron las interrelaciones entre los sistemas urbanos, un concepto clave en la investigación de ciudades inteligentes, examinando cómo el sistema de transporte de Austin se entrelaza con su sistema eléctrico.

En este estudio, Sean Qian, un profesor asistente de Ingeniería Civil y Ambiental y Ph.D. El estudiante Pinchao Zhang creó un modelo que extraía datos de tiempo de uso de electricidad y luego empleaba inteligencia artificial (IA) para predecir el flujo de tráfico. Este estudio puede ser el primero que intente descubrir las relaciones espacio-temporales de los patrones de uso entre los sistemas de transporte y energía.

En esta obra pionera, analizaron 79 días de datos de electricidad de la hora del día de 322 hogares anónimos en Austin. Su modelo clasificaba a los usuarios por el tiempo y la cantidad de electricidad que usaban. Por ejemplo, las personas que presumiblemente se acostaban temprano estaban en una categoría diferente a los noctámbulos. Usando IA, el modelo aprende características críticas sobre las categorías de usuarios y cómo cada categoría se relaciona con la congestión del tráfico, y luego hace predicciones. Estas predicciones son significativamente más precisas que las predicciones realizadas utilizando únicamente datos de tráfico en tiempo real. Cuando los hogares cambiaron sus patrones de uso de un día a otro, eso se reflejó en la hora en que comenzó la congestión.

"Nuestros resultados muestran que las horas pico de congestión de la mañana están claramente relacionadas con tipos particulares de patrones de uso de electricidad, "diga Qian. Por ejemplo, un patrón consistió en hogares cuyo uso de electricidad aumentó a partir de las 2 a.m. en adelante, pero luego se redujo antes de las 6 a.m. Esto podría indicar que esos hogares pueden tener que irse a trabajar a las 6 a.m., lo que se correlaciona positivamente con la congestión matutina que comienza antes.

"Otra característica de este estudio es que no requiere información de identificación personal de los hogares, "dice Qian, "Todo lo que necesitamos saber es cuándo y cuánto usa alguien la electricidad". Esto demuestra que la eficiencia del sistema se puede mejorar mientras la privacidad personal permanece protegida.

Los resultados del estudio son convincentes, pero existen limitaciones. Se necesitan más datos. Una muestra más grande de datos de hogares recopilados durante un período de tiempo más largo capacitaría mejor las capacidades predictivas del modelo. Los datos meteorológicos y de incidentes afectan al tráfico, y estos no se incluyen en el modelo actual. Más lejos, La reproducción de este estudio en otras ciudades puede resultar problemática porque obtener datos sobre el uso de la electricidad de las empresas de servicios públicos de energía es extremadamente difícil. En este estudio, Pecan Street Inc. proporcionó los datos de electricidad de Austin a través de una plataforma abierta para compartir datos.

Si bien el modelo predice la congestión del tráfico, quizás lo más importante, proporciona una prueba de concepto para la combinación de sistemas de transporte y energía para predecir cómo operarán los sistemas. Descubrir las correlaciones entre la forma en que las personas usan los sistemas urbanos podría conducir a la predicción y gestión de la demanda entre sistemas.

"Analizamos la utilización de energía para predecir el tráfico. Pero también puede utilizar el flujo de tráfico para predecir la utilización de energía de antemano, "dice Qian, que está participando en una investigación de seguimiento que explora las relaciones entre el transporte y los sistemas de agua / alcantarillado y las redes sociales.

La Fundación Nacional de Ciencias, Traffic21 Institute and Mobility 21 de la Universidad Carnegie Mellon, un Centro de Transporte de la Universidad Nacional del USDOT financió esta investigación. El estudio titulado, Recientemente se publicó en Investigación de transporte Parte C.