Hvad fortæller elforbruget ved midnat os om morgentrafikken?

For at forudsige, hvornår morgentrafikken sandsynligvis går i stå, det kan være mere effektivt at undersøge, hvordan vi bruger elektricitet midt om natten i stedet for rejsetidsdata. Ved at analysere husholdningernes elforbrug i Austin, Texas, forskere ved Carnegie Mellon University var i stand til at forudsige, hvornår morgentrafikken ville snerre nogle dele af Austins motorveje op.

Det er svært at forudsige, hvornår trafikpropper starter, og hvor længe det varer, på grund af variationer fra dag til dag. Analyse af rejsedata i realtid giver ikke nok information til forudsigelsesformål, fordi chaufførernes afgangstider og rejseadfærd varierer, skabe stadigt skiftende krav til motorvejssystemer. Sammensatte sager, om morgenens højdepunkt, motorvejstrafik bryder ofte sammen inden for få minutter i nærheden af ​​flaskehalse. For bedre at forstå trafikstrømmen, forskere undersøgte sammenhængen mellem bysystemer, et nøglebegreb i forskning i smart city, ved at undersøge, hvordan Austins transportsystem flettes sammen med dets elsystem.

I dette studie, Sean Qian, en adjunkt Civil- og Miljøteknik og ph.d. studerende Pinchao Zhang skabte en model, der udvindede data om elektricitetsforbrug og derefter anvendte kunstig intelligens (AI) til at forudsige trafikstrømmen. Denne undersøgelse kan være den første, der forsøger at opdage rumlige forhold mellem brugsmønstre mellem transport- og energisystemer.

I dette banebrydende arbejde, de analyserede 79 dages eldata fra 322 anonyme husstande i Austin. Deres model kategoriserede brugere efter den tid og mængde elektricitet, de brugte. For eksempel, mennesker, der formodentlig gik tidligt i seng, var i en anden kategori end natteravner. Ved hjælp af AI, modellen lærer kritiske funktioner om brugerkategorier og hvordan hver kategori relaterer sig til trafikpropper, og så laver den forudsigelser. Disse forudsigelser er væsentligt mere nøjagtige end forudsigelser, der er lavet ved udelukkende at bruge trafikdata i realtid. Når husstande skiftede deres brugsmønster fra dag til dag, det afspejlede sig i det tidspunkt, hvor overbelastningen startede.

"Vores resultater viser, at overbelastningstiderne om morgenen klart er relateret til bestemte former for strømforbrugsmønstre, siger Qian.  F.eks. et mønster bestod af husstande, hvis elforbrug steg fra kl. 02.00 og frem, men faldt derefter inden kl. 6 Dette kan indikere, at disse husstande muligvis skal af sted til arbejde inden kl. 6, hvilket positivt korrelerer med morgenoverbelastning, der starter tidligere.

"En anden egenskab ved denne undersøgelse er, at den ikke kræver nogen personlig identificerbar information fra husholdninger, " siger Qian, "det eneste, vi behøver at vide, er, hvornår og hvor meget nogen bruger elektricitet." Dette viser, at systemets effektivitet kan forbedres, mens privatlivets fred forbliver beskyttet.

Undersøgelsens resultater er overbevisende, men der er begrænsninger. Der er brug for flere data. En større prøve af husstandsdata indsamlet over en længere periode ville bedre træne modelens forudsigelsesmuligheder. Vejr- og hændelsesdata påvirker trafikken, og disse er ikke indregnet i den nuværende model. Yderligere, at gengive denne undersøgelse i andre byer kan være problematisk, fordi det er ekstremt vanskeligt at indhente data om elforbrug fra energiforsyningsselskaber. I dette studie, Pecan Street Inc. leverede Austins eldata gennem en åben datadelingsplatform.

Mens modellen forudsiger trafikbelastning, måske endnu vigtigere, det giver proof of concept for parringen af ​​transport- og energisystemer for at forudsige, hvordan systemer vil fungere. At pirre sammenhængen mellem, hvordan folk bruger bysystemer, kan føre til forudsigelse og styring af efterspørgsel på tværs af systemer.

"Vi kiggede på energiudnyttelsen for at forudsige trafikken. Men man kunne også bruge trafikafviklingen til at forudsige energiudnyttelsen på forhånd, " siger Qian, som beskæftiger sig med følgeforskning, der udforsker forholdet mellem transport og vand/kloaksystemer og sociale medier.

National Science Foundation, Carnegie Mellon University's Traffic21 Institute and Mobility 21, et National USDOT University Transportation Center finansierede denne forskning. Undersøgelsen med titlen, "Brugercentrerede indbyrdes afhængige bysystemer:Brug af data om elektricitetsforbrug på tidspunktet på dagen til at forudsige overbelastning af veje om morgenen" blev for nylig offentliggjort i Transportforskning, del C.