En ny genetisk algoritme til trafikstyringsoptimering

Forskere ved University of Technology Sydney og DATA61 har for nylig udviklet en ny metode til at optimere timingen af ​​signaler i bymiljøer under hårde trafikforhold. Deres tilgang, præsenteret i et papir, der er forududgivet på arXiv, indebærer brug af genetiske algoritmer (GA'er), en populær datalogisk teknik til løsning af optimeringsproblemer.

"Idéen til dette forskningsarbejde kom fra forskellige køreture med min bil i byen Sydney, som ofte er påvirket af trafikuheld, forårsager en stor mængde forsinkelser og øget trafikpropper, "Tuo Mao, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Dette fik mig til at spekulere på:Hvordan kan vi løse dette problem ved hjælp af avancerede computervidenskabelige teknikker?"

Trafikkontrolsignaler er de mest udbredte værktøjer til at kontrollere og styre vejtrafikken i tætbefolkede bymiljøer. Et trafiksignals indstillinger, også kendt som signalkontrolplan, kan påvirke vejtrafikken betydeligt, især når der først opstår forstyrrelser.

Indtil nu, størstedelen af ​​de foreslåede løsninger til trafikstyringsoptimering er designet til at fungere under normale trafikforhold. Dette skyldes, at det er en særlig udfordrende opgave at optimere et trafiklys kontrolplaner efter en hændelse er indtruffet, eller når trafikken er i top. især hvis flere kørebaner eller en hel vejstrækning er berørt.

I modsætning til de fleste tidligere værker, Mao og hans kolleger satte sig for at opnå trafiksignalstyringsoptimering under svære trafikforhold ved hjælp af GA'er. GA'er er en datalogisk teknik inspireret af den biologiske evolution observeret hos mennesker, som er designet til naturligt at vælge de mest optimale løsninger blandt et indledende sæt af muligheder.

"GA'er bruges ofte i optimeringsproblemer (f.eks. finde den bedste fasevarighed, der ville minimere rejsetiden i et vejkryds) ved at bruge bioinspirerede funktioner såsom individuel mutation, crossover, og udvælgelse af de bedste individer til at videreføre de bedste gener i en befolkning – i vores tilfælde, bedste signalfaser, " sagde Mao. "Vi troede, at GA'er ville være en fantastisk løsning til at løse dette problem og besluttede at bruge dem til at generere de optimerede trafiksignalplaner for det berørte område."

GA udviklet af Mao og hans kolleger udforsker i det væsentlige alle mulige trafiksignalstyringsplaner for et givet vejkryds (f.eks. den grønne tid for "højre svingsignaler", "gå ligeud"-signaler, etc.). Dets vigtigste mål er at minimere den samlede rejsetid i et område, der er berørt af en trafikulykke, ved at identificere den bedste kombination af signalfaser på tværs af alle vejkryds inden for dette område.

"Vi genererer først et stort antal trafikkontrolplaner, inklusive forskellige fasevarigheder jævnt fordelt i et stort numerisk rum, som udgør den første generation af individer fra hele befolkningen, Mao forklarede. "Så anvender vi udvælgelse, crossover og mutation for at introducere mere tilfældighed i at udforske alle muligheders rum, og vælg kun de bedste kandidater til at fortsætte optimeringen i en næste generation."

Efterfølgende den tilgang, Mao og hans kolleger har udtænkt, udvikler den oprindelige befolkning i et bestemt antal generationer, indtil størstedelen af ​​individer inden for denne befolkning er ens, og den har nået en optimal løsning. GA's endelige resultat er en optimeret trafiksignalkontrolplan for alle trafiklys i områder, der er berørt af trafikulykker.

Mens tidligere undersøgelser har foreslået adskillige andre teknikker til optimering af trafiksignalstyring, de fleste af disse er baseret på trafikmodellering og videnbaseret ekspert (dvs. heuristiske) systemer. Disse systemer reagerer passivt på observerede trafikforhold og er derfor ikke i stand til aktivt at foreslå løsninger til at reducere trængsel forårsaget af trafikulykker.

"Vores metode har tre vigtige fordele, Mao forklarede. For det første, den tager hensyn til ikke-tilbagevendende trafikhændelser, da vi indlæste hændelsen til modellen aktivt, efter at nogen rapporterede det, derfor er trafiksignalstyringsplanen opmærksom på hændelsen og kan reagere hurtigere. For det andet den overvejer chaufførers omdirigeringsadfærd ved at anvende en dynamisk trafiktildeling, som tager højde for vejkapacitetsfaldet forårsaget af trafikuheldene. Endelig, vores metode er effektiv til at udforske mange muligheder for signalkontrolplaner."

Forskerne evaluerede deres teknik ved hjælp af et netværk med fire vejkryds designet i AIMSUN, en berømt trafikmodelleringsplatform. De konstruerede tre forskellige scenarier, hvor GA skulle optimere trafiksignalets timing under både normale forhold og med hård trafik. I disse tests, de bemærkede, at når trafiksignalstyringsplaner kan tilpasses til en ruteændring af chauffører efter en trafikulykke, overbelastning har en tendens til at forsvinde hurtigere.

"Når vi bruger vores metode, vi forbedrede chaufførernes samlede rejsetid med 40,76 % sammenlignet med at anvende ingen respons overhovedet (dvs. ingen kontrol over signalindfasningen), " sagde Mao. " Vores forskning kan give forslag til trafikstyringscentre om, hvordan man kan handle, når en ny hændelse sker, som en del af en rutine for styring af en bedre trafikrespons."

I fremtiden, GA udviklet af Mao og hans kolleger kunne hjælpe med udviklingen af ​​mere effektive trafikkontrolsystemer. Ifølge forskerne, ved at fremme deres tekniks datastreaming-egenskaber og beregningsmæssig ydeevne kunne de i sidste ende give den mulighed for automatisk at optimere trafiksignaler, reagere aktivt på hændelser på vej.

"Vi anvender i øjeblikket metoden på et mere kompliceret netværk og endda et større netværk fra byen Sydney, " sagde Mao. "Vi forsker også i at forkorte beregningstiden yderligere og øge effektiviteten yderligere ved at koble GA med maskinlæring, som kunne fremskynde konvergensraten mod de bedste løsninger."

© 2019 Science X Network