Investigadora de Berkeley Lab, Sherry Li (Crédito:Roy Kaltschmidt / Berkeley Lab)
El tráfico urbano sigue aproximadamente un patrón periódico asociado con el horario de trabajo típico de 9 a 5. Sin embargo, cuando ocurre un accidente, los patrones de tráfico se interrumpen. Diseñar modelos precisos de flujo de tráfico, para su uso durante accidentes, es un gran desafío para los ingenieros de tráfico, que deben adaptarse a escenarios de tráfico imprevistos en tiempo real.
Un equipo de científicos informáticos del Laboratorio Nacional Lawrence Berkeley está trabajando con el Departamento de Transporte de California (Caltrans) para utilizar la informática de alto rendimiento (HPC) y el aprendizaje automático para ayudar a mejorar la toma de decisiones en tiempo real de Caltrans cuando ocurren incidentes. La investigación se realizó en conjunto con California Partners for Advanced Transportation Technology (PATH), parte del Instituto de Estudios de Transporte (ITS) de UC Berkeley, y corredores conectados, un programa colaborativo para investigar, desarrollar, y probar un enfoque de gestión integrada de corredores para gestionar los corredores de transporte en California.
Caltrans y Connected Corridors están implementando el sistema a modo de prueba en el condado de Los Ángeles a través del piloto I-210. Usando datos en tiempo real de socios en el sur de California en la ciudad, condado, y a nivel estatal, el objetivo es mejorar la toma de decisiones en tiempo real de Caltrans mediante la ejecución de planes coordinados de respuesta a incidentes de tráfico multijurisdiccionales para limitar los impactos negativos de estos eventos. La primera iteración de este sistema se implementará en las ciudades de Arcadia, Duarte, Monrovia, y Pasadena en 2020, con planes para futuras implementaciones en todo el estado.
"Existen muchos métodos de predicción del flujo de tráfico, y cada uno puede ser ventajoso en la situación correcta, "dijo Sherry Li, matemático de la División de Investigación Computacional (CRD) de Berkeley Lab. "Para aliviar el dolor de depender de operadores humanos que a veces confían ciegamente en un modelo en particular, Nuestro objetivo era integrar varios modelos que produzcan predicciones de tráfico más estables y precisas. Hicimos esto diseñando un algoritmo de aprendizaje por conjuntos que combina diferentes submodelos.
El aprendizaje en conjunto es el arte de combinar un conjunto diverso de alumnos (modelos individuales) para mejorar, sobre la marcha, la estabilidad y el poder predictivo del modelo. Esta idea ha sido explorada por investigadores de aprendizaje automático durante mucho tiempo. Lo que tiene de especial el flujo de tráfico es la característica temporal; las mediciones del flujo de tráfico están correlacionadas a lo largo del tiempo, al igual que los resultados de predicción de diferentes modelos individuales.
En la colaboración Berkeley Lab-Caltrans, el modelo de conjunto tiene en cuenta la dependencia mutua de los submodelos y asigna las "cuotas de voto" para equilibrar su desempeño individual con su codependencia. El modelo de conjunto también valora el desempeño de predicción reciente más que el desempeño histórico anterior. Al final, el modelo combinado es mejor que cualquiera de los modelos individuales utilizados en las pruebas tanto en precisión de predicción como en estabilidad.
El proyecto comenzó con fondos del programa de Investigación y Desarrollo Dirigido por Laboratorio (LDRD) de Berkeley Lab. El objetivo era construir un marco computacional que permitiera aplicaciones HPC específicas para el transporte, como la optimización y el control del equilibrio del tráfico. El equipo de desarrollo de sistemas está dirigido por Brian Peterson, gerente de desarrollo de sistemas en PATH que administra el equipo de desarrollo de sistemas de Connected Corridors. Hongyuan Zhan, ex estudiante de verano de Ciencias de la Computación del Laboratorio de Berkeley de Penn State, fue uno de los principales contribuyentes al trabajo de Connected Corridors para esta investigación.
Predicción del flujo de tráfico mediante el algoritmo TDEC, un esquema de combinación de modelos que puede rastrear el tráfico real más cerca que un grupo de modelos candidatos individuales. La línea verde es el rango de predicción, la línea azul es el verdadero flujo, la línea roja es la predicción del algoritmo TDEC. Crédito:Hongyuan Zhan
Datos en tiempo real, toma de decisiones en tiempo real
Usando datos recopilados de los sensores de Caltrans en las carreteras de California, el proyecto produjo algoritmos novedosos que lograron una predicción precisa sobre una base continua de 15 minutos. Luego, el equipo validó e integró los nuevos algoritmos utilizando datos de tráfico en tiempo real recopilados mediante el sistema Connected Corridors:un Centro de datos de transporte en tiempo real en el que Spark MLlib, una biblioteca escalable de aprendizaje automático, proporciona modelos de aprendizaje automático que se pueden utilizar dentro del marco de aprendizaje conjunto propuesto. La implementación específica de este trabajo fue generar flujos de tráfico previstos en los puntos donde la detección estaba presente en la autopista. Esto, a su vez, podría usarse para predecir las demandas de tráfico en las entradas de las autopistas y los flujos de tráfico en las salidas de las autopistas.
El aprendizaje conjunto aborda en parte el problema de los diferentes tipos de vehículos en el tráfico; sin embargo, no aborda cambios repentinos causados por construcciones o incidentes. El equipo de investigación aplicó técnicas de aprendizaje en línea (en tiempo real) para permitir que el algoritmo aprendiera no solo del pasado, sino para adaptarse a las nuevas condiciones del tráfico en el camino en tiempo real.
El algoritmo podría usarse en combinación con estas tecnologías para una predicción del tráfico más precisa y oportuna y para ayudar al control del tráfico en tiempo real. como desviar el tráfico, alterar las configuraciones de los semáforos, y otras medidas correctivas.
"El primer despliegue del programa Corredores Conectados tiene como objetivo validar el concepto y cuantificar las mejoras en los tiempos de viaje, flujo de tráfico, y retrasos en condiciones del mundo real, Peterson dijo. El modelo de tráfico ha indicado que son posibles mejoras significativas con las estrategias de gestión del tráfico que se están desarrollando. Las implementaciones futuras se encuentran en la etapa de planificación con oportunidades para mejoras continuas del sistema y nuevos enfoques ".
Además de Li, Peterson, y Zhan, Otros contribuyentes a este proyecto incluyen al investigador de Berkeley Lab, John Wu, y a Gabriel Gomes de ITS.
