Het stadsverkeer volgt ruwweg een periodiek patroon dat hoort bij het typische werkschema van 9 tot 5. Echter, als er een ongeluk gebeurt, verkeerspatronen worden verstoord. Het ontwerpen van nauwkeurige verkeersstroommodellen, voor gebruik bij ongevallen, is een grote uitdaging voor verkeersingenieurs, die zich in realtime moeten aanpassen aan onvoorziene verkeersscenario's.

Een team van computerwetenschappers van het Lawrence Berkeley National Lab werkt samen met het California Department of Transportation (Caltrans) om high performance computing (HPC) en machine learning te gebruiken om de realtime besluitvorming van Caltrans te helpen verbeteren wanneer zich incidenten voordoen. Het onderzoek is uitgevoerd in samenwerking met California Partners for Advanced Transportation Technology (PATH), onderdeel van UC Berkeley's Institute for Transportation Studies (ITS), en verbonden gangen, een samenwerkingsprogramma voor onderzoek, ontwikkelen, en test een Integrated Corridor Management-aanpak voor het beheer van transportcorridors in Californië.

Caltrans en Connected Corridors implementeren het systeem op proef in Los Angeles County via de I-210-pilot. Met behulp van realtime gegevens van partners in Zuid-Californië in de stad, district, en staatsniveau, het doel is om de realtime besluitvorming van Caltrans te verbeteren door gecoördineerde multijurisdictionele responsplannen voor verkeersincidenten uit te voeren om de negatieve effecten van deze gebeurtenissen te beperken. De eerste iteratie van dit systeem zal worden ingezet in de steden Arcadia, Duarte, Monrovia, en Pasadena in 2020, met plannen voor toekomstige implementaties in de staat.

"Er zijn veel voorspellingsmethoden voor verkeersstromen, en elk kan voordelig zijn in de juiste situatie, " zei Sherry Li, een wiskundige in de Computational Research Division (CRD) van Berkeley Lab. "Om de pijn te verlichten van het vertrouwen op menselijke operators die soms blindelings op een bepaald model vertrouwen, ons doel was om meerdere modellen te integreren die stabielere en nauwkeurigere verkeersvoorspellingen opleveren. Dit deden we door een ensemble-learning algoritme te ontwerpen dat verschillende submodellen combineert.

Ensembleleren is de kunst om een ​​diverse groep leerlingen (individuele modellen) te combineren om te verbeteren, op de vlucht, de stabiliteit en voorspellende kracht van het model. Dit idee is lange tijd onderzocht door machine learning-onderzoekers. Het bijzondere aan de doorstroming is de temporele karakteristiek; verkeersstroommetingen zijn gecorreleerd in de tijd, evenals de voorspellingsresultaten van verschillende individuele modellen.

In de Berkeley Lab-Caltrans samenwerking, het ensemblemodel houdt rekening met de wederzijdse afhankelijkheid van submodellen en kent de "stemaandelen" toe om hun individuele prestaties in evenwicht te brengen met hun codependency. Het ensemblemodel waardeert ook recente voorspellingsprestaties meer dan oudere historische prestaties. Aan het einde, het gecombineerde model is beter dan elk van de enkele modellen die bij het testen worden gebruikt, zowel wat betreft de nauwkeurigheid als de stabiliteit van de voorspelling.

Het project begon met financiering van het Laboratory Directed Research and Development (LDRD)-programma van Berkeley Lab. Het doel was om een ​​computationeel raamwerk te bouwen waarmee HPC-toepassingen specifiek voor transport, zoals optimalisatie en beheersing van het verkeersevenwicht. Het systeemontwikkelingsteam wordt geleid door Brian Peterson, een systeemontwikkelingsmanager bij PATH die het systeemontwikkelingsteam van Connected Corridors aanstuurt. Hongyuan Zhan, een voormalige Berkeley Lab Computing Sciences zomerstudent uit Penn State, leverde een belangrijke bijdrage aan het werk van Connected Corridors voor dit onderzoek.

Realtime gegevens, realtime besluitvorming

Met behulp van gegevens verzameld van Caltrans-sensoren op snelwegen in Californië, het project leverde nieuwe algoritmen op die nauwkeurige voorspellingen bereikten op een voortschrijdende basis van 15 minuten. Het team heeft vervolgens de nieuwe algoritmen gevalideerd en geïntegreerd met behulp van realtime verkeersgegevens die zijn verzameld met behulp van het Connected Corridors-systeem:een op streaming gebaseerd, real-time transportdatahub waarin Spark MLlib - een schaalbare machine-learning-bibliotheek - machine-learningmodellen biedt die kunnen worden gebruikt binnen het voorgestelde ensemble-learningraamwerk. De specifieke uitvoering van dit werk was het genereren van voorspelde verkeersstromen op punten waar detectie aanwezig was op de snelweg. Dit zou op zijn beurt kunnen worden gebruikt om de verkeersvraag bij snelwegopritten en verkeersstromen bij snelwegafritten te voorspellen.

Ensemble learning pakt deels de problematiek van verschillende soorten voertuigen in het verkeer aan; echter, het gaat niet in op plotselinge veranderingen veroorzaakt door constructie of incidenten. Het onderzoeksteam paste online (realtime) leertechnieken toe om het algoritme in staat te stellen niet alleen te leren van het verleden, maar om zich onderweg in realtime aan te passen aan nieuwe verkeersomstandigheden.

Het algoritme kan in combinatie met deze technologieën worden gebruikt voor nauwkeurigere en tijdige verkeersvoorspelling en om realtime verkeerscontrole te ondersteunen, zoals het omleiden van verkeer, het wijzigen van verkeerslichtconfiguraties, en andere corrigerende maatregelen.

"De eerste implementatie van het Connected Corridors-programma is bedoeld om het concept te valideren en verbeteringen in reistijden te kwantificeren, verkeersstroom, en vertragingen onder reële omstandigheden, " Peterson zei. "Verkeersmodellering heeft aangetoond dat aanzienlijke verbeteringen mogelijk zijn met de verkeersbeheerstrategieën die worden ontwikkeld. Toekomstige implementaties bevinden zich in de planningsfase met mogelijkheden voor voortdurende systeemverbeteringen en nieuwe benaderingen."

Naast Li, Peterson, en Zhan, andere bijdragen aan dit project zijn onder meer Berkeley Lab-onderzoeker John Wu en ITS' Gabriel Gomes.