Onderzoekers van de afdeling Civiele en Milieutechniek van de Carnegie Mellon University werkten samen met de Uber Advanced Technologies Group (Uber ATG) om beter te begrijpen hoe geavanceerde voertuiggebaseerde sensorgegevens informatie kunnen geven over verkeersstroommetingen met een hoge resolutie.

Hendrik Posner, Anne Molloy, en Robert en Christine Pietrandrea universitair hoofddocent Sean Qian en onderzoeksassistent Shuguan Yang, beide leden van Carnegie Mellon's Mobility Data Analytics Center (MAC), co-auteur van een witboek op de hoogte door Allison Plummer van Uber Advanced Technologies Group. Voor het doel van deze studie, Uber gaf MAC toegang tot bepaalde data, inclusief rijsnelheid en verkeersdichtheid langs twee wegsegmenten in het Strip District.

De onderzoekers hebben een casestudy gemaakt die laat zien hoe geavanceerde voertuiggebaseerde sensoren informatie kunnen verstrekken over de verkeersomstandigheden in een bepaald gebied. Met behulp van historische gegevens, ze kozen gevallen waarin ten minste drie met sensoren uitgeruste voertuigen door een bepaald wegsegment waren gepasseerd. Informatie vanaf het moment dat het eerste en derde voertuig een bepaald punt passeerden, leverde de input voor hun methode, die vervolgens een nauwkeurige voorspelling van de verkeersdichtheid tussen die tijden kon uitvoeren.

Zoals aangegeven in het witboek, MAC laat zien hoe sensorgegevens tegenwoordig worden verzameld, ongeacht de ontwikkelaar die het verzamelt, zou conceptueel nieuwe mogelijkheden kunnen openen voor verkeersschatting en slimme steden in het algemeen.

Qian, directeur van het MAC, en Yang zijn van plan om deze aanpak te blijven testen over een groter wegennet met behulp van grotere datasets. Ze zijn geïnteresseerd in het vergelijken van de doeltreffendheid van het gebruik van gegevens van op voertuigen gebaseerde drijvende sensoren, versus meer traditionele vaste sensoren.