すべてのドライバーは、おそらく自分が望むよりも頻繁に発生します。計画されたルートに沿って移動し、途中ですべてのライトをなんとかすることができます。 それはイライラするだけでなく、ストップアンドゴーは燃料、時間を浪費し、渋滞を引き起こし、都市全体を停止させることさえあります。
MITの土木および環境工学の助教授であるカロライナオソリオによって開発された新しいシミュレーションソフトウェアは、それ以前のどのソフトウェアよりも効果的な方法でトラフィックをスムーズにすることを約束します。 現在のシステムの能力を超えて信号機のタイミングを最適化することで、彼女のモデルはラッシュアワーの移動時間を22％短縮することが示されています。
信号機のタイミングシステムは通常、2つの方法のいずれかで動作します。 大都市または地域規模では、システムは観測されたトラフィックに基づいて軽いタイミングを設定します。 これらはフローベースのモデルと呼ばれます。 他のシミュレーターは、個々のドライバーの行動と習慣を考慮に入れて、よりマイクロスケールで動作します。 これらのシミュレーターは、特定の交通状況でドライバーの行動と意思決定がどのように変化するかを予測する一種の人工知能として機能します。 これらの微妙な違いと個々の決定が、フローベースのモデルを狂わせます。
「人々が私の変化にどのように反応するかを考慮する必要があります。 動脈[道路]で移動時間が長くなると、人々は迂回する可能性があります。「ほとんどの信号タイミングソフトウェアは、現在または過去の交通パターンを確認します。
この問題は、実装される信号の変化が増えるにつれて悪化する可能性があります。 たとえば、通勤するルートとしてルートAとルートBの2つのルートがあるとします。ルートAを選択することがほとんどですが、ある日信号機のタイミングが変わるため、ルートBに切り替えることにします。ルートAでトラフィックの流れが変更されていますが、すでにルートBを利用している人は、オプションを再検討する傾向があります。 さらに複雑な問題は、これらの変更と迂回が外側に波及し、地域の残りの道路と交差点にどのように影響するかです。
明らかな解決策は、すべてのシナリオでフローベースモデルと個別モデルの両方を実行することです。 しかし、トラフィックフローのあらゆる可能な順列をシミュレートすることは現実的ではありません。 都市全体でこのような複雑なシミュレーションを完了するために必要な計算能力の量は、システムのコストを法外に高くするでしょう。
Osorioのシステムは、忠実度と信頼性を犠牲にすることなく、この問題を回避するために、両方の長所を組み合わせています。 これは、一般的なタイミングソフトウェアで識別される最適なフローベースのシナリオのみを使用し、それらの場合にのみドライバー固有のシミュレーションを実行します。
たとえば、東と西よりも北と南ではるかに重い交通流がある交差点を考えてみましょう。 単純なモデルは、信号機が東西の車線よりも南北の車線のほうが緑の時間を長くする必要があると考えることができます。 次に、より複雑なシミュレーションにより、これらのライトの長さを評価し、そのような変化の波及効果を予測することができます。
ソリューションはスケーラブルです。 「テストしたい信号のタイミングが100種類あったとしましょう」とOsorio氏は言います。 「より単純なモデルは、大きな可能性を秘めている可能性のある100個のサブセットのアイデアを与えることができます。 次に、サブセットでシミュレーションを実行します。」
色付きの線は、スイスのローザンヌの主要道路を表しています。 従来の信号機プログラミングを使用した左のマップには、長い通勤を表す多くの赤い線があります。 研究者の改良されたシステムを使用する右のマップには、短い通勤を表す多くの緑の線があります。 （カロライナオソリオの礼儀） 運輸科学誌に掲載されるオソリオの論文は、彼女がかつて住んでいたスイスのローザンヌの交通に彼女のモデルを適用しました。 この調査では、47の道路と15の交差点（そのうち9つに信号灯があります）の交通データを処理し、アルゴリズムを夕方のラッシュアワーの最初の1時間に適用しました。 シミュレーションにより、移動時間が約4分の1短縮されました。
Osorioがモデルに入力する交通流シミュレータは、通常、都市自体によって作成されます。 自治体は、信頼できるモデルを作成するために、他の方法の中でも特に、一般的な交通状況と地勢調査情報に関する独自のデータを収集します。 その後、インフラストラクチャ、人気のある目的地、歩行者の交通、その他の優先順位に関するメタデータが埋め込まれたシミュレーションをオソリオに引き渡します。
たとえば、マンハッタンでは、歩行者がどのくらいの期間にわたって権利を有するべきかについて特定の制限があります。 ニューヨーク市交通局は、すでにマンハッタンの交通量の多い地域のピーク時に流れを管理するためにオソリオのチームと協力しています。
「このようなモデルは、マンハッタンのアクティブなトラフィック管理システムを検証し、プロセスを微調整してネットワーク運用を改善することができます」と、NYC DOTのシステムエンジニアリング担当副ディレクターであるMohamad TalasはMIT Newsに語りました 。
オソリオ氏によると、このモデルは都市の目標に応じて、さまざまな要因を最適化するのに役立ちます。 例えば、ドライバーが燃費を向上させるのに役立つように交通量を調整できます。
彼女のチームはすでにいくつかのプロジェクトで企業と協力しています。 彼らは、将来の自動運転車の運転手が燃料を節約するために自動運転モードに切り替える理想的な時間と場所を特定するのを支援する努力に関与しています。 進行中の別の作業により、ZipCarなどのカーシェアリングプログラムは、お客様の乗車場所と降車場所をより適切に特定できるようになり、顧客がより確実に旅行時間を推定できるようになります。
ローザンヌテストを含むオソリオのすべての作業は、まだシミュレーション段階にあり、交通タイミングレッスンを道路に適用する明確なスケジュールはありません。
「しかし、それが私たちがこれらのことをする理由です」と彼女は言います。
