El proceso de evolución para la duración de las cuatro fases en una intersección. Los diferentes colores representan diferentes generaciones, de la 1ª a la 20ª generación. Las primeras generaciones presentan una distribución de individuos más dispersa y tienen valores de aptitud muy bajos. A medida que continúa el proceso de evolución, la población se concentra más en torno a los mejores individuos y obtiene valores de aptitud más elevados. Crédito:Mao, Mihaita y Cai.
Investigadores de la Universidad de Tecnología de Sydney y DATA61 han desarrollado recientemente un nuevo método para optimizar la sincronización de las señales en entornos urbanos bajo condiciones de tráfico severas. Su enfoque presentado en un artículo publicado previamente en arXiv, implica el uso de algoritmos genéticos (GA), una técnica informática popular para resolver problemas de optimización.
"La idea de este trabajo de investigación surgió de varios recorridos con mi automóvil en la ciudad de Sydney, que a menudo se ve afectado por incidentes de tráfico, provocando una gran cantidad de retrasos y un aumento de la congestión de la carretera, "Tuo Mao, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Esto me hizo preguntarme:¿Cómo podemos resolver este problema con la ayuda de técnicas avanzadas de informática?"
Las señales de control de tráfico son las herramientas más extendidas para controlar y gestionar el tráfico rodado en entornos urbanos densamente poblados. La configuración de una señal de tráfico, también conocido como plan de control de señales, puede afectar el tráfico por carretera de manera significativa, particularmente cuando surgen las interrupciones por primera vez.
Hasta aquí, la mayoría de las soluciones propuestas para la optimización del control del tráfico están diseñadas para funcionar en condiciones normales de tráfico. Esto se debe a que optimizar los planes de control de un semáforo después de que ha ocurrido un incidente o cuando el tráfico está en su punto máximo es una tarea particularmente desafiante. especialmente si se ven afectados varios carriles o una sección completa de la carretera.
Al contrario de la mayoría de los trabajos anteriores, Mao y sus colegas se propusieron lograr la optimización del control de las señales de tráfico en condiciones de tráfico severas utilizando GA. Los GA son una técnica informática inspirada en la evolución biológica observada en los seres humanos, que está diseñado para seleccionar naturalmente las soluciones más óptimas entre un conjunto inicial de posibilidades.
"Los GA se utilizan habitualmente en problemas de optimización (p. Ej., encontrar la mejor duración de fase que minimizaría el tiempo de viaje en una intersección) mediante el uso de funciones bioinspiradas como la mutación individual, Transversal, y selección de los mejores individuos para portar los mejores genes de una población; en nuestro caso, mejores fases de señal, ", Dijo Mao." Pensamos que los GA serían una solución fantástica para resolver este problema y decidimos usarlos para generar los planes de señales de tráfico optimizados para el área afectada por el incidente ".
El GA desarrollado por Mao y sus colegas esencialmente explora todos los posibles planes de control de semáforos para una intersección determinada (por ejemplo, el tiempo verde para las señales de "giro a la derecha", señales de "ir directamente", etc.). Su objetivo clave es minimizar el tiempo total de viaje en un área afectada por un accidente de tráfico identificando la mejor combinación de fases de señales en todas las intersecciones dentro de esa área.
Flujo simulado bajo incidente con control de señal optimizado GA. Crédito:Mao, Mihaita y Cai.
"Primero generamos una gran cantidad de planes de control de tráfico, incluyendo diferentes duraciones de fase distribuidas uniformemente en un gran espacio numérico, que constituyen la primera generación de individuos de toda la población, "Explicó Mao." Luego aplicamos la selección, cruce y mutación para introducir más aleatoriedad en la exploración del espacio de todas las posibilidades, y seleccione solo a los mejores candidatos para llevar a cabo la optimización en la próxima generación ".
Después, el enfoque ideado por Mao y sus colegas evoluciona la población original durante un número específico de generaciones hasta que la mayoría de los individuos dentro de esa población son similares, y ha alcanzado una solución óptima. El resultado final de la AG es un plan de control de señales de tráfico optimizado para todos los semáforos en las áreas afectadas por accidentes de tráfico.
Si bien estudios anteriores han propuesto varias otras técnicas de optimización del control de señales de tráfico, la mayoría de estos se basan en modelos de tráfico y expertos basados en el conocimiento (es decir, sistemas heurísticos). Estos sistemas reaccionan pasivamente a las condiciones de tráfico observadas y, por lo tanto, no pueden proponer activamente soluciones para reducir la congestión causada por los accidentes de tráfico.
"Nuestro método tiene tres ventajas clave, "Explicó Mao. En primer lugar, considera incidentes de tráfico no recurrentes, a medida que ingresamos el incidente al modelo de manera activa después de que alguien lo informó, por lo tanto, el plan de control de señales de tráfico está al tanto del incidente y puede responder más rápido. En segundo lugar, considera el comportamiento de redireccionamiento de los conductores mediante la aplicación de una asignación de tráfico dinámica, que considera la caída de capacidad vial provocada por las incidencias de tráfico. Finalmente, nuestro método es eficaz para explorar muchas posibilidades de planes de control de señales ".
Los investigadores evaluaron su técnica utilizando una red de cuatro intersecciones diseñada en AIMSUN, una plataforma de modelado de tráfico de renombre. Construyeron tres escenarios diferentes en los que el GA tuvo que optimizar los tiempos de las señales de tráfico tanto en condiciones normales como con tráfico intenso. En estas pruebas, observaron que cuando los planes de control de las señales de tráfico pueden ser adaptados por los conductores a un cambio de ruta después de un accidente de tráfico, la congestión tiende a disiparse más rápido.
"Al utilizar nuestro método, Mejoramos el tiempo total de viaje de los conductores en un 40,76% en comparación con no aplicar ninguna respuesta (es decir, sin control sobre la fase de la señal), ", Dijo Mao." Nuestra investigación podría proporcionar sugerencias para los centros de gestión del tráfico sobre cómo actuar cuando ocurre un nuevo incidente, como parte de una rutina para gestionar una mejor respuesta al tráfico ".
En el futuro, el GA desarrollado por Mao y sus colegas podría ayudar al desarrollo de sistemas de control de tráfico más efectivos. Según los investigadores, al avanzar en las capacidades de transmisión de datos y el rendimiento computacional de su técnica, en última instancia, podrían permitirle optimizar automáticamente las señales de tráfico, responder activamente a los incidentes en la carretera en vivo.
"Actualmente estamos aplicando el método a una red más complicada e incluso a una red más grande de la ciudad de Sydney, ", Dijo Mao." También estamos investigando para acortar aún más el tiempo de cálculo y aumentar aún más la eficiencia al acoplar la GA con el aprendizaje automático, lo que podría acelerar la tasa de convergencia hacia las mejores soluciones ".
© 2019 Science X Network
