At udfylde hullerne i forbundne bildata hjælper transportplanlæggere

Hvis du har en ny eller sen modelbil, højst sandsynligt er det forbundet:GPS-navigation, det infotainmentpanel, det trådløse netværk, som din bil opretter - de er alle måder, hvorpå din bil kan levere information, om det er for at give dig retninger, ping andre køretøjer, eller for at tjekke ind med infrastruktur som trafiksignaler, skilte eller broer.

Alle disse data skaber potentialet for tilsluttede biler til at hjælpe transportplanlæggere med at få et præcist billede af, hvordan deres veje bliver brugt. Lige nu, selvom, denne type data er generelt ukontrolleret, unøjagtig og upålidelig, med manglende steder og stier.

Kuilin Zhang, assisterende professor i civil- og miljøteknik og tilknyttet adjunkt i datalogi ved Michigan Technological University, har udviklet en måde at udfylde hullerne på, som præsenteret i en nylig undersøgelse offentliggjort i Transportforskning Del C:Emerging Technologies . I fremtiden, Zhang mener, at dette vil være en omkostningseffektiv måde at give transportplanlæggere mulighed for at gøre alt fra at lave mere effektive strategier til at mindske trafikpropper til at vide, hvor de skal bygge bredere eller nye veje.

"I fremtiden, vi får flere tilsluttede køretøjer, " sagde han. "Hvis vi udfylder de manglende dele af de data, de leverer, vi kan få fuld aktivitet og rejse for individuelle chauffører, og så kan disse data bruges til at kende efterspørgslen."

At udfylde hullerne i forbundne biler

Biler behøver ikke at være autonome for at blive tilsluttet:ethvert køretøj med trådløs adgang, såsom cellulære eller dedikerede kortdistancekommunikationsteknologier (DSRC), anses for forbundet. IHS Automotive forventer, at 152 millioner aktivt tilsluttede biler vil være på veje rundt om i verden i 2025, og at den gennemsnitlige bil vil producere op til 30 terabyte data hver dag.

Forbundne køretøjs banedata kan bruges til at lave rejseforudsigelser, men Zhang har fundet ud af, at der er nok huller i dataene til, at de ikke kan bruges til at lave pålidelige forudsigelser.

I dette studie, brugte forskere inkluderede to måneders forbundne køretøjsdata fra 2, 800 biler, leveret af Safety Pilot Model Deployment Program i Ann Arbor, Michigan. Fra det, de skabte en datadrevet optimeringstilgang til at rekonstruere de manglende placering-varighed-sti-valg, som disse biler foretager. De rekonstruerede valg kan bruges til at forbedre valideringen og kalibreringen af ​​modellerne. De aktivitetsbaserede modeller for rejseefterspørgselsdynamik giver flere detaljer til transportplanlægningsorganisationer. Bedre estimering af rejseefterspørgsel, Zhang sagde, vil også hjælpe med at mindske overbelastning, reducere emissioner og spare energi.

Modeller forudsiger køretøjsdata

Zhang mener, at værdien af ​​denne aktivitetsbaserede model rækker ud over blot nøjagtighed. Det vil spare penge. Lokale myndigheder, som ofte køber information hentet fra GPS på erhvervskøretøjer fra private virksomheder, eller stole på National Household Travel Survey, som er dyrt at udføre, og præsenterer kun information om en stribe chauffører i stedet for det hele, kan bruge modellerne til at vide mere og betale mindre for at observere deres kommunes kørevaner.

Han sagde også, at denne form for modellering vil være særlig vigtig, hvis flere byer følger New York Citys føring og begynder at implementere overbelastningspriser, som vil bruge nummerpladelæsere til at opkræve vejafgifter til chauffører i spidsbelastningstider.

Det næste trin i denne forskning er, at modellen skal anvendes på eksisterende forbundne køretøjstestpladser i Florida, New York og Wyoming, og give indsigt der om, hvordan man bruger forbundne køretøjsdata.

"Dette er en big data-æra, " sagde Zhang. "Ud over sikkerhedsfordelen ved tilsluttet køretøjsteknologi, højfrekvente data genereret fra tilsluttede køretøjer tilbyder store datasæt til nye mobilitetsløsninger."