Succede a ogni conducente più spesso di quanto probabilmente vorrebbe: viaggiare lungo un percorso pianificato e in qualche modo si riesce a colpire ogni singola luce lungo il percorso. Non solo è frustrante, ma questo stop-and-go spreca carburante, tempo e può persino causare lo stallo, facendo fermare un'intera città.
Il nuovo software di simulazione sviluppato da Carolina Osorio, assistente professore di ingegneria civile e ambientale presso il MIT, promette di regolare il traffico in modo più efficace rispetto a qualsiasi altro software precedente. Ottimizzando i tempi dei semafori oltre le capacità dei sistemi attuali, i suoi modelli hanno dimostrato di ridurre i tempi di percorrenza delle ore di punta del 22 percento.
I sistemi di fasatura dei semafori funzionano in genere in due modi. Su una grande città o su scala regionale, i sistemi impostano un tempismo leggero basato sul traffico osservato; questi sono chiamati modelli basati sul flusso. Altri simulatori funzionano su una scala più micro, tenendo conto delle azioni e delle abitudini dei singoli conducenti. Questi simulatori agiscono come una sorta di intelligenza artificiale per aiutare a prevedere come i comportamenti e le decisioni dei conducenti potrebbero cambiare in determinate condizioni del traffico. Sono quelle minuscole differenze e le decisioni individuali che gettano fuori gioco i modelli basati sul flusso.
"Devo rendere conto di come le persone reagiranno ai miei cambiamenti. Se i tempi di percorrenza aumentano su un'arteria [strada], le persone potrebbero deviare ", spiega Osorio." La maggior parte dei software di temporizzazione del segnale guarda i modelli di traffico attuali o storici. Non tiene conto di come il viaggio potrebbe cambiare. "
Questo problema può aggravarsi quando vengono implementate sempre più modifiche al segnale. Supponiamo, ad esempio, che tu abbia due possibili percorsi per andare al lavoro: il percorso A e il percorso B. Il più delle volte scegli il percorso A, ma un giorno i tempi del semaforo cambiano, quindi decidi di passare al percorso B. Non solo il flusso di traffico è cambiato sulla rotta A, ma coloro che stavano già percorrendo la rotta B potrebbero essere inclini a riconsiderare le loro opzioni. Ulteriori complicazioni sono le modalità con cui tali cambiamenti e deviazioni potrebbero incresparsi verso l'esterno e influenzare il resto delle strade e degli incroci nella regione.
La soluzione ovvia è eseguire modelli basati sul flusso e personalizzati per tutti gli scenari. Ma non è possibile simulare ogni possibile permutazione del flusso di traffico. La quantità di potenza di calcolo che potrebbe essere necessaria per completare una simulazione così complessa per un'intera città renderebbe proibitivo il costo del sistema.
Per aggirare quel problema, senza sacrificare la fedeltà e l'affidabilità, il sistema di Osorio combina il meglio di entrambi i mondi. Prende solo i migliori scenari basati sul flusso, identificati dal comune software di temporizzazione, ed esegue le simulazioni specifiche del driver solo su quei casi.
Prendi, ad esempio, un incrocio che ha un flusso di traffico molto più pesante verso nord e sud rispetto a est e ovest. I modelli più semplici possono pensare che il semaforo dovrebbe consentire più tempo verde nelle corsie nord-sud rispetto a quelle est-ovest. Quindi, le simulazioni più complesse possono aiutare a valutare quanto dovrebbero durare quelle luci e anche prevedere l'effetto a catena di un tale cambiamento.
La soluzione è scalabile. "Diciamo che avevo 100 diversi tempi di segnale che volevo testare", afferma Osorio. “Il modello più semplice potrebbe darti un'idea di un sottoinsieme dei 100 che potrebbe avere un grande potenziale. Quindi eseguiamo la simulazione sul sottoinsieme. "
Le linee colorate rappresentano le strade principali di Losanna, in Svizzera. La mappa di sinistra, con la tradizionale programmazione del semaforo, ha molte linee rosse che rappresentano lunghi spostamenti. La mappa giusta, che utilizza il sistema migliorato del ricercatore, ha molte linee verdi che rappresentano brevi spostamenti. (Per gentile concessione di Carolina Osorio) L'articolo di Osorio, che sarà pubblicato sulla rivista Transportation Science, applicò il suo modello al traffico a Losanna, in Svizzera, un'area in cui un tempo viveva. Lavorando con i dati del traffico su 47 strade e 15 incroci (nove dei quali hanno semafori), lo studio ha applicato i suoi algoritmi alla prima ora dell'ora di punta della sera. Le simulazioni riducono i tempi di viaggio di quasi un quarto.
I simulatori del flusso di traffico che Osorio inserisce nei suoi modelli sono in genere creati dalle città stesse. I comuni raccolgono i propri dati sulle condizioni di traffico prevalenti e raccolgono informazioni sul censimento, tra gli altri metodi, per creare modelli di cui si fidano. Quindi consegnano le loro simulazioni incorporate con metadati sulla loro infrastruttura, destinazioni popolari, traffico pedonale e altre priorità rilevanti per Osorio.
A Manhattan, ad esempio, ci sono particolari restrizioni su quanto a lungo i pedoni dovrebbero avere la precedenza. Il Dipartimento dei trasporti di New York City sta già collaborando con il team di Osorio per gestire il flusso durante i periodi di punta nelle aree ad alto traffico di Manhattan.
"Tale modello può convalidare il nostro sistema di gestione del traffico attivo a Manhattan e consentirci di ottimizzare i nostri processi e migliorare il funzionamento della rete", ha detto a MIT News Mohamad Talas, vicedirettore dell'ingegneria del sistema per il DOT di New York.
A seconda degli obiettivi di una città, afferma Osorio, il modello può aiutare a ottimizzare per diversi fattori. Ad esempio, potrebbe essere il momento del traffico per aiutare i conducenti ad aumentare il risparmio di carburante.
Il suo team sta già collaborando con aziende per diversi progetti. Sono coinvolti nello sforzo di aiutare i conducenti di future auto autonome a identificare i tempi e i luoghi ideali per passare alla modalità autonoma al fine di risparmiare carburante. Un altro lavoro in corso consentirà ai programmi di car sharing, come ZipCar, di individuare meglio le posizioni di ritiro e riconsegna, in modo che i clienti possano stimare in modo più affidabile i tempi di viaggio.
Tutto il lavoro di Osorio, incluso il test di Losanna, è ancora in fase di simulazione e non esiste una linea temporale definita per applicare le sue lezioni di tempistica del traffico sulla strada.
"Ma è per questo che facciamo queste cose", dice, "per implementarle nel mondo reale".
