Om te voorspellen wanneer het ochtendverkeer waarschijnlijk tot stilstand komt, misschien is het effectiever om te onderzoeken hoe we midden in de nacht elektriciteit gebruiken in plaats van reistijdgegevens. Door het elektriciteitsverbruik van huishoudens in Austin te analyseren, Texas, onderzoekers van de Carnegie Mellon University konden voorspellen wanneer het ochtendverkeer op sommige delen van de snelwegen van Austin zou komen.

Voorspellen wanneer verkeersopstoppingen zullen beginnen en hoe lang deze zullen duren, is moeilijk vanwege de dagelijkse variaties. Het analyseren van realtime reisgegevens biedt onvoldoende informatie voor voorspellingsdoeleinden, omdat de vertrektijden en het reisgedrag van chauffeurs variëren, steeds veranderende eisen stellen aan snelwegsystemen. Samengestelde zaken, tijdens de ochtendspits, Het snelwegverkeer staat vaak binnen enkele minuten stil in de buurt van knelpunten. Om de verkeersstroom beter te begrijpen, onderzoekers onderzochten de onderlinge relaties tussen stedelijke systemen, een sleutelbegrip in smart city-onderzoek, door te onderzoeken hoe het transportsysteem van Austin verweven is met zijn elektriciteitssysteem.

In dit onderzoek, Sean Qian, een assistent-professor Civiele en Milieutechniek en Ph.D. student Pinchao Zhang creëerde een model dat tijdgegevens voor elektriciteitsverbruik ontgonnen en vervolgens kunstmatige intelligentie (AI) gebruikte om de verkeersstroom te voorspellen. Deze studie is mogelijk de eerste die probeert om tijdsruimtelijke relaties van gebruikspatronen tussen transport- en energiesystemen te ontdekken.

In dit baanbrekende werk ze analyseerden 79 dagen aan dagelijkse elektriciteitsgegevens van 322 anonieme huishoudens in Austin. Hun model categoriseerde gebruikers op basis van de tijd en hoeveelheid elektriciteit die ze gebruikten. Bijvoorbeeld, mensen die vermoedelijk vroeg naar bed gingen, behoorden tot een andere categorie dan nachtbrakers. AI gebruiken, het model leert essentiële functies over gebruikerscategorieën en hoe elke categorie zich verhoudt tot verkeersopstoppingen, en dan doet hij voorspellingen. Deze voorspellingen zijn aanzienlijk nauwkeuriger dan voorspellingen die worden gedaan met alleen realtime verkeersgegevens. Toen huishoudens hun gebruikspatroon van dag tot dag veranderden, dat werd weerspiegeld in de tijd dat de congestie begon.

"Onze resultaten laten zien dat congestietijden in de ochtendspits duidelijk verband houden met bepaalde soorten elektriciteitsverbruikspatronen, " zeg Qian.  Bijvoorbeeld, een patroon bestond uit huishoudens waarvan het elektriciteitsverbruik vanaf 2 uur 's nachts is toegenomen, maar vervolgens voor 6 uur 's ochtends afnam. Dit zou erop kunnen wijzen dat die huishoudens mogelijk om 6 uur 's ochtends naar hun werk moeten vertrekken, wat positief correleert met de ochtendcongestie die eerder begint.

"Een ander kenmerk van dit onderzoek is dat het geen persoonlijk identificeerbare informatie van huishoudens vereist, " zegt Qian, "alles wat we moeten weten is wanneer en hoeveel iemand elektriciteit gebruikt." Dit toont aan dat de systeemefficiëntie kan worden verbeterd terwijl de persoonlijke privacy beschermd blijft.

De resultaten van het onderzoek zijn overtuigend, maar er zijn beperkingen. Er zijn meer gegevens nodig. Een grotere steekproef van huishoudgegevens verzameld over een langere periode zou de voorspellende capaciteiten van het model beter kunnen trainen. Weer- en incidentgegevens beïnvloeden het verkeer, en deze zijn niet meegenomen in het huidige model. Verder, het reproduceren van deze studie in andere steden kan problematisch zijn omdat het verkrijgen van elektriciteitsverbruiksgegevens van energiebedrijven uiterst moeilijk is. In dit onderzoek, Pecan Street Inc. leverde de elektriciteitsgegevens van Austin via een open platform voor het delen van gegevens.

Hoewel het model verkeersopstoppingen voorspelt, misschien nog belangrijker, het biedt proof-of-concept voor het koppelen van transport- en energiesystemen om te voorspellen hoe systemen zullen werken. Het ontrafelen van de correlaties tussen hoe mensen stedelijke systemen gebruiken, zou kunnen leiden tot voorspelling en beheer van de vraag over verschillende systemen.

“We hebben gekeken naar het energieverbruik om het verkeer te voorspellen. Maar je zou ook de verkeersstroom kunnen gebruiken om het energieverbruik vooraf te voorspellen, " zegt Qian, die vervolgonderzoek doet naar de relaties tussen transport en water/riolering en sociale media.

De Nationale Wetenschapsstichting, Carnegie Mellon University's Traffic21 Institute en Mobility 21, een National USDOT University Transportation Center financierde dit onderzoek. De studie getiteld, "Gebruikergerichte onderling afhankelijke stedelijke systemen:gebruik van gegevens over elektriciteitsverbruik op de dag om verkeersopstoppingen in de ochtend te voorspellen" werd onlangs gepubliceerd in Transportonderzoek deel C.