Contrairement aux signaux à temps fixe qui fonctionnent selon des horaires prédéterminés, les systèmes d'adaptation permettent d'ajuster en permanence les horaires des signaux à partir de données en temps réel provenant des détecteurs de véhicules, des caméras et d'autres capteurs. L'objectif est de réduire la congestion, d'améliorer la sécurité et de minimiser les impacts sur l'environnement. Toutefois, la conception de tels systèmes pose un défi fondamental : des objectifs multiples, souvent contradictoires, doivent être atteints simultanément.

Comprendre l'optimisation multi-objectif

L'optimisation multi-objectifs (MOO) traite des problèmes qui ont deux fonctions objectives ou plus à optimiser simultanément. Dans le monde réel, ces objectifs sont incommensurables et souvent contradictoires. Par exemple, dans le contrôle de la circulation, il est impossible de minimiser simultanément les émissions moyennes et totales en utilisant un seul plan de synchronisation des signaux car les mesures qui réduisent les délais (p. ex., les longueurs de cycle plus courtes) tendent à augmenter le comportement d'arrêt et de déplacement, en augmentant les émissions.

Sur le plan mathématique, un problème d'optimisation multi-objectifs peut être déclaré comme suit:

Minimiser (ou maximiser) F(x) = [f1[(x), f2(x), ..., fm[(x)]
subsistant à x .

Au lieu d'une solution unique optimale, le MOO produit un ensemble de solutions connues sous le nom de Pareto optimum[ ou non-dominées[ solutions.Une solution est Pareto optimum si aucun objectif ne peut être amélioré sans aggraver au moins un autre objectif.

Des méthodes classiques comme l'approche de la somme pondérée convertissent plusieurs objectifs en un seul objectif en attribuant des poids, mais elles ne peuvent trouver qu'un sous-ensemble limité du front Pareto. Des méthodes plus avancées, notamment des algorithmes évolutionnaires, sont conçues pour découvrir le front entier en une seule fois, ce qui les rend idéales pour des problèmes complexes du monde réel comme le contrôle des signaux de trafic.

Objectifs en matière de contrôle adaptatif des signaux de circulation

La conception d'un système de signaux adaptatifs commence par définir les objectifs, notamment :

  • Délai minimal du véhicule – le temps moyen que les véhicules passent à attendre aux intersections.
  • – réduire le trafic d'arrêts augmente le confort et réduit l'usure des véhicules.
  • Débit maximal – le nombre de véhicules passant par une intersection par unité de temps.
  • Réduction de la consommation de carburant et des émissions[ – en particulier CO[2, NO[x et particules.
  • Améliorer la sécurité des piétons – assurer des temps de passage adéquats et réduire les conflits.
  • Priorité de transit – accordant un traitement préférentiel aux autobus et aux tramways.
  • Préemption de véhicule d'urgence – défrichement des trajectoires des camions de pompiers, des ambulances et de la police.

Chaque objectif peut être exprimé en fonction des paramètres de chronométrage du signal : longueur du cycle, fractions de phase, décalage entre les intersections et séquence de phase. Pour un corridor ou un réseau, les variables de décision peuvent être numérotées dans les centaines, créant ainsi un espace de recherche haute dimension.

Échanges d'objectifs

Une tension commune existe entre la réduction des délais et la réduction des émissions. De même, la durée du cycle plus longue tend à réduire le nombre de phases rouges rencontrées par une section, ce qui réduit les arrêts et les émissions, mais augmente le temps d'attente pour les véhicules qui arrivent juste après le début d'un signal rouge. De même, la durée plus longue des passages pour piétons augmente la sécurité, mais réduit la capacité de circulation automobile.

Algorithmes multi-objectifs évolutifs pour le contrôle des signaux de circulation

Plusieurs algorithmes évolutifs ont été appliqués avec succès à l'optimisation du signal de trafic. Ils sont bien adaptés car ils peuvent gérer des fonctions objectives non linéaires, multimodales et limitées sans nécessiter d'informations de gradient.

Algorithme génétique de tri non dominé II (NSGA-II)

NSGA-II, introduit par Deb et al. en 2002, est l'un des algorithmes les plus utilisés.

  • Tri rapide non dominé pour classer les solutions selon la dominance de Pareto.
  • Distance de crowding pour maintenir la diversité le long du front de Pareto.
  • L'élitisme pour préserver les meilleures solutions au fil des générations.

Dans le contrôle des signaux de circulation, NSGA-II peut générer un ensemble de plans de synchronisation des signaux qui représentent différents compromis entre, par exemple, le retard et les émissions. Sa nature démographique permet aux ingénieurs d'évaluer simultanément de nombreuses alternatives. Pour une description détaillée, voir l'article original: A Algorithme génétique multi-objectifs rapide et élitiste: NSGA-II.

Algorithme évolutif multi-objectif basé sur la décomposition (MOEA/D)

MOEA/D décompose un problème multi-objectifs en un certain nombre de sous-problèmes mono-objectifs utilisant des vecteurs de poids. Il a été démontré qu'il fonctionne bien sur des problèmes de haute dimension et peut être plus efficace que des approches basées sur la domination.

Optimisation du swar multi-objectif des particules (MOPSO)

L'optimisation des essaims de particules utilise une population de particules qui se déplacent dans l'espace de recherche en fonction des meilleures positions personnelles et mondiales. Dans sa variante multi-objectifs, une archive externe stocke des solutions non dominées. MOPSO converge souvent rapidement et est efficace pour les environnements dynamiques, ce qui le rend attrayant pour le contrôle adaptatif en temps réel où les conditions de trafic changent minute par minute.

Comparaison et pertinence

Bien que NSGA-II soit robuste et largement référencée, MOEA/D peut être plus efficace pour les problèmes avec des objectifs bien séparables. MOPSO est particulièrement attrayant lorsque la vitesse de calcul est critique. De nombreux systèmes modernes d'adaptation combinent plusieurs algorithmes ou utilisent une approche hybride. Le choix dépend des objectifs spécifiques, de la taille du réseau, et des ressources informatiques disponibles au centre de gestion du trafic.

Conception et mise en oeuvre d'un système adaptatif utilisant le MOO

Le déroulement du déploiement d'un système de contrôle adaptatif multi-objectifs des signaux suit plusieurs étapes, chacune présentant des défis techniques distincts.

1. Collecte et modélisation des données

Les détecteurs de boucles inductifs, les capteurs radar, les caméras et les détecteurs Bluetooth/Wi-Fi permettent de mesurer le volume de trafic, la vitesse, l'occupation et les temps de déplacement.

Les outils de microsimulation tels que SUMO (Simulation de la mobilité urbaine), VISSIM ou Aimsun sont utilisés pour créer des jumelles numériques du réseau de trafic. Ces modèles simulent les mouvements de véhicules avec changement de voie, suivi de voiture et comportement d'intersection. Les objectifs (délais, émissions, etc.) sont calculés à partir de la sortie de simulation.

Une étape importante est la définition de l'horizon d'optimisation – jusqu'à quel point le plan de signal devrait-il être optimisé? Pour le contrôle adaptatif en temps réel, un horizon de roulement de 5 à 15 minutes est typique.

2. Définition de la fonction objective et contraintes

Chaque objectif doit être formulé comme une fonction calculable. Par exemple, le délai total peut être calculé comme la somme de la différence entre le temps de déplacement libre et le temps de déplacement réel sur tous les véhicules. Les émissions peuvent être estimées au moyen de modèles modaux d'émissions tels que PHEM (modèle d'émission de voitures de tourisme et de véhicules lourds) ou MOVES (simulateur d'émission de véhicules automobiles).

3. Optimisation multi-objectifs

Le moteur d'optimisation, utilisant NSGA-II, MOEA/D ou un autre algorithme, génère un ensemble de plans de chronométrage optimaux de Pareto. Pour une seule intersection, les variables de décision peuvent être des scissions de phase; pour un corridor coordonné, elles comprennent des décalages et des longueurs de cycle. L'algorithme est exécuté hors ligne en utilisant des schémas de trafic historiques et le front de Pareto est stocké pour la sélection en ligne.

4. Prise de décision et sélection du plan

Avec le front Pareto disponible, le gestionnaire de trafic (ou un système automatisé) sélectionne un plan qui correspond le mieux aux priorités actuelles.

  • Mesure pondérée : choisir la solution qui minimise une somme pondérée des objectifs, avec des pondérations reflétant la politique.
  • Programmation des objectifs : choisir le plan qui se rapproche le plus des valeurs cibles pour chaque objectif.
  • Méthodes interactives : l'opérateur peut explorer visuellement la surface de compromis à l'aide d'un outil de soutien de la décision.

Dans les systèmes adaptatifs, la sélection peut changer dynamiquement en fonction de l'heure du jour, du jour de la semaine ou des incidents en temps réel.

5. Mise en œuvre et rétroaction

Le plan de temps sélectionné est mis en œuvre par le contrôleur de signal. Les données de performance en temps réel sont réintroduites dans le système pour affiner le modèle de simulation et mettre à jour le front Pareto. Les techniques d'apprentissage automatique peuvent être utilisées pour prédire les états de trafic à proximité et déclencher une réoptimisation avant que les conditions ne se dégradent.

Applications et études de cas dans le monde réel

Plusieurs villes ont déployé un contrôle adaptatif multi-objectifs des signaux avec des avantages mesurables.

Système ATSAC de Los Angeles

Le système automatisé de surveillance et de contrôle du trafic de Los Angeles (ATSAC) a plus de 4 000 intersections signalées. Il utilise un algorithme de contrôle adaptatif qui équilibre les retards, le débit et les émissions. Une étude du département des Transports de la ville a signalé des réductions de temps de déplacement de 12 à 15 % et des réductions d'émissions de 10 % pendant les heures de pointe.

Copenhague : la vague verte avec équilibre modal

Grâce à l'optimisation multi-objectifs, le système assure la coordination des cyclistes tout en maintenant les délais de véhicule dans des limites acceptables. Il en résulte une augmentation de 20% du débit de vélo et une réduction de 15% du temps de déplacement à vélo, sans aggraver significativement la circulation automobile.

Étude de simulation sur un corridor à Hangzhou

Les chercheurs ont appliqué NSGA-II à un corridor à six intersections à Hangzhou, en Chine, avec pour objectif de réduire au minimum les retards et la consommation de carburant. Le front de Pareto a révélé de grands compromis : une réduction de 10 % des retards pourrait augmenter la consommation de carburant de 8 %. En choisissant une solution équilibrée, ils ont obtenu une réduction de 7 % des deux mesures par rapport au contrôle activé existant.

Pour plus de détails sur l'application de l'optimisation évolutive multi-objectifs au contrôle du trafic, voir l'étude approfondie: Optimisation multi-objectifs pour le contrôle du signal du trafic: une étude.

Avantages et défis

Avantages de l'utilisation de l'optimisation multi-objectif

  • Gestion explicite des compromis[: Les ingénieurs peuvent voir exactement comment améliorer un objectif dégrade les autres, permettant des décisions éclairées.
  • Flexibilité: La même opération d'optimisation produit un ensemble de plans, et le meilleur peut être sélectionné en temps réel en fonction de l'évolution des priorités (p. ex., passer à la minimisation des émissions lors d'une alerte de qualité de l'air).
  • Amélioration des performances globales du système[: Parce que tous les objectifs pertinents sont pris en compte, le plan final évite les effets secondaires négatifs cachés que l'optimisation d'un seul objectif pourrait causer.
  • Scalabilité : Avec des algorithmes appropriés, l'approche peut être étendue de intersections uniques à de grands réseaux.

Difficultés rencontrées dans la mise en œuvre

  • Compétitivité informatique: La création d'un front Pareto pour un grand réseau avec de nombreux objectifs peut nécessiter des milliers de simulations. Le déploiement en temps réel exige soit des algorithmes plus rapides, soit une optimisation hors ligne avec une récupération rapide du plan.
  • Qualité des données et calibration[: Le modèle de simulation doit refléter avec précision le trafic réel. Un mauvais calibrage conduit à des plans optimisés qui sous-performent sur le terrain.
  • Les conditions de circulation dynamique: Le front Pareto généré à partir de données historiques peut devenir sous-optimal lorsque les modes de circulation changent soudainement (p. ex. en raison d'un accident).
  • Acceptation du titulaire[: Les gestionnaires du trafic habitués à des méthodes à objectif unique peuvent avoir besoin d'une formation pour faire confiance et utiliser des outils de soutien à la décision multi-objectifs.

Orientations futures

L'optimisation multi-objectifs pour le contrôle adaptatif des signaux de circulation est un domaine en évolution rapide.

Intégration avec le Machine Learning

Des recherches récentes ont permis d'étendre le DRL à des paramètres multi-objectifs en utilisant une fonction de scalarisation ou en formant plusieurs agents, chacun optimisant un objectif différent. Le défi consiste à maintenir l'exploration des compromis tout en assurant la stabilité dans un environnement non stationnaire.

Communication Véhicule-Infrastructure (V2I)

Les véhicules connectés et automatisés peuvent fournir des données de trajectoire précises, permettant des calculs d'émissions plus précis et un contrôle prédictif. L'optimisation multi-objectifs au niveau de l'intersection peut intégrer des demandes individuelles de véhicules (par exemple, un autobus demandant la priorité) comme contraintes ou objectifs.

Résilience et optimisation multimodales

Les systèmes futurs devront gérer simultanément les perturbations (température extrême, événements spéciaux) et optimiser pour les modes multiples (voitures, vélos, piétons, scooters) . Les formulations multi-objectifs s'étendent naturellement à des objectifs tels que maximiser le débit de mobilité partagée ou minimiser les inégalités dans les temps d'attente entre les différents groupes d'utilisateurs.

Optimisation en ligne via la métaheuristique

Avec les avancées du calcul parallèle et du traitement des bords, il est désormais possible de faire fonctionner des métaheuristiques légères (p. ex. MOPSO) au niveau du contrôleur toutes les quelques minutes. Cela permet au système de s'adapter aux fluctuations en temps réel sans compter sur un front Pareto précompilé.

Conclusion

L'optimisation multi-objectifs fournit un cadre de principe et puissant pour concevoir des systèmes de contrôle adaptatifs du trafic qui équilibrent les exigences concurrentes d'efficacité, de sécurité et d'impact environnemental. En générant un ensemble de solutions optimales de Pareto, les ingénieurs du trafic peuvent explorer visuellement les compromis et sélectionner des plans qui s'alignent à tout moment sur les objectifs de la politique. Les déploiements du monde réel dans des villes comme Los Angeles et Copenhague démontrent des avantages tangibles en matière de réduction des retards, de réduction des émissions et d'équilibre modal.