Les données des conducteurs UBER aident à suivre et potentiellement atténuer la congestion du trafic urbain –

  • FrançaisFrançais



  • Un nouvel algorithme d’apprentissage automatique est sur le point d’aider les analystes du transport urbain à soulager les goulots d’étranglement et les points d’étranglement qui grognent régulièrement le trafic urbain.

    L’outil, appelé TranSEC, a été développé au laboratoire national du nord-ouest du Pacifique du département américain de l’Énergie pour aider les ingénieurs de la circulation urbaine à accéder à des informations exploitables sur les modèles de circulation dans leurs villes.

    Actuellement, les informations sur la circulation accessibles au public au niveau de la rue sont rares et incomplètes. Les ingénieurs de la circulation se sont généralement appuyés sur des comptages de trafic isolés, des statistiques de collision et des données de vitesse pour déterminer l’état de la route. Le nouvel outil utilise des ensembles de données de trafic collectées auprès des conducteurs UBER et d’autres données de capteurs de trafic accessibles au public pour cartographier le flux de trafic au niveau de la rue au fil du temps. Il crée une vue d’ensemble du trafic urbain à l’aide d’outils d’apprentissage automatique et des ressources informatiques disponibles dans un laboratoire national.

    “Ce qui est nouveau ici, c’est l’estimation au niveau de la rue sur une grande région métropolitaine”, a déclaré Arif Khan, un informaticien du PNNL qui a aidé à développer TranSEC. “Et contrairement à d’autres modèles qui ne fonctionnent que dans une zone métropolitaine spécifique, notre outil est portable et peut être appliqué à n’importe quelle zone urbaine où des données de trafic agrégées sont disponibles.”

    Analyse du trafic ultra-rapide

    TranSEC (qui signifie capacité d’estimation de l’état du transport) se différencie des autres méthodes de surveillance du trafic par sa capacité à analyser des informations rares et incomplètes. Il utilise l’apprentissage automatique pour connecter des segments avec des données manquantes, ce qui lui permet de faire des estimations au niveau de la rue en temps quasi réel.

    En revanche, les fonctionnalités de la carte sur nos téléphones intelligents peuvent nous aider à optimiser notre voyage à travers un paysage urbain, en indiquant les points d’étranglement et en suggérant des itinéraires alternatifs. Mais les outils de téléphone intelligent ne fonctionnent que pour un conducteur individuel essayant de se rendre d’un point A à un point B. Les ingénieurs de la circulation urbaine se demandent comment aider tous les véhicules à se rendre efficacement à leur destination. Parfois, un itinéraire qui semble efficace pour un conducteur individuel conduit trop de véhicules à essayer d’accéder à une route qui n’a pas été conçue pour gérer ce volume de trafic.

    En utilisant les données publiques de l’ensemble de la région métropolitaine de Los Angeles, qui s’étend sur 1500 kilomètres carrés, l’équipe a réduit le temps nécessaire pour créer un modèle de congestion du trafic d’un ordre de grandeur, de quelques heures à quelques minutes. L’accélération, réalisée avec les ressources informatiques hautes performances de PNNL, rend possible l’analyse du trafic en temps quasi réel. L’équipe de recherche a récemment présenté cette analyse lors de l’atelier virtuel d’informatique urbaine d’août 2020 dans le cadre de la conférence Knowledge Discovery and Data Mining (SIGKDD), et en septembre 2020, ils ont sollicité la contribution des ingénieurs de la circulation lors d’une réunion virtuelle sur TranSEC.

    «TranSEC a le potentiel d’initier un changement de paradigme dans la façon dont les professionnels de la circulation surveillent et prédisent les performances de mobilité du système», a déclaré Mark Franz, participant à la réunion et ingénieur de recherche au Center for Advanced Transportation Technology, Université du Maryland, College Park. “TranSEC comble les lacunes de données inhérentes aux méthodes de collecte de données existantes et a un potentiel énorme.”

    L’apprentissage automatique améliore la précision au fil du temps

    La fonction d’apprentissage automatique de TranSEC signifie que plus de données sont acquises et traitées, elles deviennent plus raffinées et utiles au fil du temps. Ce type d’analyse permet de comprendre comment les perturbations se propagent sur les réseaux. Avec suffisamment de données, l’élément d’apprentissage automatique sera en mesure de prédire les impacts afin que les ingénieurs du trafic puissent créer des stratégies correctives.

    «Nous utilisons un modèle basé sur des graphiques ainsi que de nouvelles méthodes d’échantillonnage et des moteurs d’optimisation, pour apprendre à la fois les temps de trajet et les itinéraires», a déclaré Arun Sathanur, informaticien PNNL et chercheur principal de l’équipe. “La méthode a un potentiel important pour être étendue à d’autres modes de transport, tels que le transit et le trafic de fret. En tant qu’outil analytique, elle est capable d’étudier comment une condition de trafic se propage.”

    Avec l’approche basée sur les données de PNNL, les utilisateurs peuvent télécharger des données en temps réel et mettre à jour TranSEC sur une base régulière dans un centre de contrôle des transports. Les ingénieurs peuvent utiliser des prévisions à court terme pour aider à la décision afin de gérer les problèmes de trafic. L’approche de PNNL est également extensible pour inclure des données météorologiques ou autres qui affectent les conditions sur la route.

    Puissance de calcul pour les planificateurs des transports à l’échelle nationale

    Tout comme la connaissance de la situation des conditions informe les décisions d’un conducteur individuel, l’approche de TranSEC fournit une connaissance de la situation à l’échelle du système pour aider à réduire la congestion du trafic urbain.

    «Les ingénieurs de la circulation dans tout le pays n’ont pas eu d’outil pour leur donner une estimation en temps quasi réel des états du réseau de transport», a déclaré Robert Rallo, informaticien PNNL et chercheur principal sur le projet TranSEC. “Être capable de prédire les conditions une heure ou plus à l’avance serait très précieux, pour savoir où les blocages vont être.”

    Bien que l’exécution d’un modèle de ville à grande échelle nécessite toujours des ressources de calcul haute performance, TranSEC est évolutif. Par exemple, un réseau routier ne comportant que les principales autoroutes et artères pourrait être modélisé sur un ordinateur de bureau puissant.

    «Nous travaillons à rendre TranSEC disponible aux municipalités du pays», a déclaré Katherine Wolf, gestionnaire de projet pour TranSEC.

    Finalement, après un développement ultérieur, TranSEC pourrait être utilisé pour aider à programmer des itinéraires de véhicules autonomes, selon l’équipe de recherche.

    Vidéo: https://www.youtube.com/watch?v=8S4bLv9CtOo

    Le projet a été soutenu par l’Office of Energy Efficiency and Renewable Energy’s Vehicle Technologies Office, Energy Efficient Mobility Systems Program.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.