La gestion du trafic urbain est passée d'un simple contrôle des signaux à temps fixe à une discipline exigeant des techniques d'optimisation sophistiquées capables de gérer des conditions dynamiques et variables en temps. Alors que les populations métropolitaines enflent et que les kilomètres parcourus par les véhicules continuent de grimper, les coûts de congestion dépassent désormais des milliards de dollars par année en perte de productivité, en gaspillage de carburant et en dommages à l'environnement.

Le défi de la gestion de la circulation urbaine

La demande de trafic varie selon l'heure, le jour de la semaine, la saison et en réponse à des événements spéciaux, des incidents ou des conditions météorologiques. La congestion peut se propager rapidement par un réseau, créant des effets de débordement qui dégradent les performances loin du goulot initial. La gestion efficace doit tenir compte de ces dynamiques temporelles tout en respectant les contraintes physiques telles que les capacités de voie, les géométries d'intersection, les limites de temps de signal et les règlements de sécurité.

Qu'est-ce que la programmation multi-périod entier?

Dans le contexte de la gestion du trafic, les modèles MPIP traitent le temps comme une série d'intervalles (p. ex., incréments de 5 ou 15 minutes) et intègrent des variables, des contraintes et des objectifs de décision qui s'étendent sur ces intervalles. Cela permet d'anticiper les futurs états de trafic et d'ajuster de façon proactive les mesures de contrôle. Contrairement à la programmation dynamique, qui peut aussi impliquer des décisions séquentielles, MPIP impose habituellement des restrictions d'entier sur certaines variables (p. ex., le nombre de véhicules autorisés par phase ou des décisions binaires pour l'activation de phase), faisant du problème un programme linéaire d'entier mixte (MILP) ou un programme d'entier pur.

Formulation mathématique Bases

Un modèle général de MPIP pour le contrôle du trafic peut être exprimé comme suit : Que l'horizon de planification soit divisé en périodes t[ = 1, ..., T. Chaque période comporte des variables de décision xt (p. ex., temps verts, séquences de phase, affectations de route) et des variables d'état yt (p. ex., longueurs de file d'attente, temps de déplacement, nombre de véhicules).

min -t=1T[f[xt, yt]]

]

sous réserve:

  • Contraintes spécifiques à la période : limites physiques pour chaque variable par période (p. ex., temps minimum et maximum vert à un signal)
  • Contraintes de couplage[: équations liant les états d'une période à l'autre (par exemple, évolution de la file d'attente: yt+1 = max(0, yt + arrivées[t – départst))
  • Restrictions entières: certaines variables doivent prendre des valeurs entières (p. ex., nombre de phases à inclure dans un cycle)

Le problème qui en résulte est souvent à grande échelle, avec des milliers de variables et de contraintes pour un réseau urbain de taille moyenne sur un horizon de 24 heures. La résolution de tels modèles nécessite exactement des techniques de décomposition avancées et de puissants résolveurs commerciaux.

Composantes clés des modèles MPIP

Les variables de décision sont les principaux leviers que peut ajuster un gestionnaire de la circulation. Dans le contrôle des signaux, elles comprennent la durée de chaque phase (temps vert) et l'ordre des phases (séquences de phases). Pour le guidage des itinéraires, les variables représentent la proportion de véhicules affectés à d'autres voies. Pour les transports en commun, elles peuvent être des temps de départ, des temps de séjour ou des dimensions de flotte.

Applications en gestion de la circulation urbaine

Les modèles MPIP ont été appliqués à une large gamme de problèmes de gestion du trafic, de l'optimisation du temps de signal à la mise en place dynamique de péages. Leur force réside dans la prise en compte des compromis entre l'efficacité à court terme et la stabilité à long terme. Par exemple, une stratégie myopique qui sert la demande immédiate peut causer des goulots d'étranglement en aval plus tard; MPIP évite de tels pièges en optimisant l'horizon entier.

Contrôle adaptatif des signaux de circulation

Les systèmes précoces comme SCOOT et SCATS utilisent une prédiction et une optimisation simples, mais les approches basées sur le MPIP peuvent gérer des réseaux plus complexes avec de multiples objectifs concurrents. Un modèle typique attribue une variable binaire pour chaque phase de chaque période, plus des variables continues pour les scissions vertes, et comprend des contraintes liant les phases entre les périodes pour assurer une transition sans heurt. Des études ont montré que le contrôle du signal basé sur le MPIP peut réduire les temps de déplacement moyens de 10 à 20 % par rapport aux plans à temps fixe, en particulier dans les réseaux à modes de demande variables.

Orientation dynamique et affectation de la circulation

Route guidance systems aim to distribute traffic across a network to avoid overloading any single corridor. MPIP models for dynamic traffic assignment (DTA) treat time-dependent origin-destination demands and model vehicle movements over a time-expanded network. The integer variables represent the number of vehicles departing on each path during each time interval. Constraints ensure flow conservation and link capacity enforcement. By solving the DTA problem as an MPIP, planners can produce optimal route sets for variable message signs or in-vehicle navigation systems. Real-time implementations use rolling horizon schemes, where only the first few periods’ decisions are implemented and the model is re-solved with updated data.

Calendrier et exploitation des transports publics

Les modèles MPIP peuvent déterminer les horaires de départ et les longueurs de repos optimaux pour réduire au minimum les temps d'attente et les coûts d'exploitation des passagers. Par exemple, un modèle peut décider de tenir un autobus à une station pour se connecter à un train retardé, en pesant le retard pour les passagers à bord contre les avantages pour le transfert des passagers. Les variables entières capturent des décisions discrètes telles que le nombre de véhicules affectés à un itinéraire ou l'activation d'un service spécial. Ces modèles intègrent également les systèmes prioritaires de signalisation routière, permettant aux véhicules de transit de demander des extensions vertes ou des phases vertes précoces aux intersections.

Préemption d'urgence du véhicule

Pour les véhicules d'intervention d'urgence (ambulances, camions-pompiers), chaque seconde compte. Les modèles MPIP peuvent pré-calculer des stratégies de prévention optimales qui permettent de dégager un chemin à travers le réseau en ajustant les signaux à l'avance. Le modèle tient compte de la trajectoire attendue du véhicule d'urgence, des conditions de circulation actuelles et de la nécessité de minimiser les perturbations du trafic régulier.

Considérations et méthodes de solution

Les problèmes du PMIV sont difficiles à résoudre en général, ce qui signifie que les temps de solution exacts peuvent croître de façon exponentielle avec la taille du problème. Un modèle typique à l'échelle de la ville avec des centaines d'intersections et des milliers de périodes de temps donne un PMIV avec des millions de variables et de contraintes.

Décomposition

La relaxation lagrangique est une technique populaire qui découple les contraintes de couplage dur (p. ex., celles qui relient les états à travers les périodes) en introduisant des multiplicateurs Lagrange. Les sous-problèmes qui en résultent deviennent plus faciles à résoudre – souvent des problèmes d'intersection individuels ou des problèmes à un seul corrideur. Un problème maître met à jour les multiplicateurs par l'optimisation des sous-gradants. La décomposition des plieuses, d'autre part, sépare le problème en un problème maître contenant des variables entières et un ensemble de sous-problèmes (un par période) impliquant des variables continues. Les plieuses sont ajoutées au maître pour assurer la faisabilité et l'optimalité.

Heuristique et métaheuristique

Les algorithmes génétiques, les simulations de recuit et l'optimisation des essaims de particules ont été appliqués à l'optimisation des signaux de circulation, bien qu'ils ne soient pas assortis de garanties d'optimalité. Plus récemment, les mathématiques, qui combinent des méthodes exactes et des métaheuristiques, ont montré des promesses. Par exemple, une heuristique peut générer rapidement une bonne solution intégrale, qui est ensuite affinée à l'aide de petits quartiers MILP. Les algorithmes d'horizons roulants, qui résolvent une série de MPIP plus petits sur les fenêtres qui se chevauchent, sont particulièrement efficaces pour les opérations en temps réel.

Solveurs commerciaux et calcul parallèle

Les avancées dans les solutions d'optimisation commerciale comme Gurobi et CPLEX ont considérablement augmenté la taille tractable des problèmes MPIP. Les deux solutions supportent des techniques parallèles de branche et de liaison, d'heuristique et de présolve qui réduisent les dimensions des problèmes. Pour les cas à grande échelle, les cadres de calcul distribués (par exemple, en utilisant plusieurs noyaux ou groupes de nuages) peuvent résoudre les sous-problèmes décomposés en parallèle, réalisant des accélérations quasi linéaires dans le nombre de processeurs.

Études de cas et mise en œuvre dans le monde réel

Plusieurs villes et projets de recherche ont démontré la viabilité de la gestion du trafic basée sur le PMIV. À Los Angeles, le département des Transports de la Ville de Los Angeles (LADOT) a mis en place un système de contrôle adaptatif des signaux qui utilise un modèle MILP à plusieurs périodes pour un corridor artériel majeur. Le système a réduit les temps de déplacement moyens de 12 % pendant les heures de pointe et réduit la consommation de carburant d'environ 8 %.

En Europe, le projet COLOMBO (Cooperative Systems for Green Mobility) a utilisé le MPIP pour coordonner les signaux de circulation et les orientations de route pour les véhicules connectés. Les essais sur le terrain à Barcelone ont montré une réduction de 15% des arrêts et de 10% des émissions.

Les résultats de ces recherches ont montré que l'approche MPIP surpassait le contrôle à temps fixe et le contrôle actionné, en particulier dans les scénarios à forte demande avec congestion induite par des incidents. L'étude a attribué l'amélioration à la capacité du modèle d'anticiper les retombées de file et d'ajuster de façon préventive les signaux en amont.

Ces études de cas soulignent que, bien que les modèles MPIP nécessitent des ressources informatiques substantielles et des données exactes, les avantages opérationnels – retards réduits, émissions réduites et sécurité améliorée – justifient souvent l'investissement.

Avantages et défis

Avantages

  • Réduction de la congestion:[ En optimisant sur plusieurs périodes, les modèles MPIP peuvent faciliter le flux de trafic et empêcher la formation de longues files d'attente.
  • Gains environnementaux: Un trafic plus fluide réduit la conduite en arrêt et en marche, ce qui réduit la consommation de carburant et les émissions de CO2, de NOx et de particules. L'Environmental Protection Agency des États-Unis estime que la congestion urbaine représente 27 milliards de litres de carburant gaspillé chaque année; les stratégies basées sur le PMIV peuvent réduire considérablement ces déchets.
  • Sécurité améliorée:[ La réduction des accélérations et des décélérations soudaines diminue la probabilité de collisions arrière et latérales. De plus, un meilleur débit de circulation réduit le nombre de véhicules en file d'attente sur les voies principales, réduisant ainsi le risque de collisions secondaires.
  • Épargnes de coûts:[ Pour les agences de transport, les modèles du PMIV permettent une utilisation plus efficace de l'infrastructure existante sans élargissement coûteux de la route.

Défis

  • Compatibilité informatique:[ Comme on l'a noté, il reste difficile de résoudre les grands PIM à l'optimalité. Les applications en temps réel nécessitent souvent une heuristique rapide ou de puissants regroupements de calcul parallèles, ce qui peut être prohibitif pour les petites agences.
  • Données requises: Les modèles MPIP exigent des données précises et à haute résolution sur les flux de trafic, les mouvements de virage et les temps de déplacement. La mauvaise qualité des données conduit à des solutions sous-optimales ou invraisemblables.
  • Modèle Étalonnage et validation: Les modèles de trafic contiennent de nombreux paramètres (p. ex. débits de saturation, densités de blocage, comportement du conducteur). L'étalonnage de ces modèles pour un grand réseau prend du temps et nécessite des connaissances spécialisées.
  • Intégration avec les systèmes legacy:[ De nombreuses villes ont des systèmes de contrôle du trafic existants avec des protocoles de communication propriétaires. L'intégration d'un optimiseur MPIP avec les contrôleurs legacy nécessite souvent des interfaces personnalisées et peut faire face à une résistance politique ou organisationnelle.

Orientations futures

L'avenir de la programmation multipériodes entières dans la gestion du trafic urbain réside dans une intégration plus étroite avec les technologies émergentes. La prolifération des véhicules connectés (communication V2I et V2V) fournira une multitude de données en temps réel qui peuvent être directement transmises aux modèles MPIP. Les données de trajectoire du véhicule peuvent être utilisées pour estimer la longueur de la file d'attente et les temps de déplacement avec une précision sans précédent, permettant aux modèles de s'adapter à des échelles de temps inférieures à la seconde.

L'apprentissage du renforcement (RL) offre une approche complémentaire : alors que le PMIP fournit des solutions précises pour une formulation déterministe ou stochastique donnée, le PR peut apprendre les politiques de contrôle de l'interaction avec l'environnement. Les méthodes hybrides qui combinent le PMIP pour la planification stratégique (p. ex., plans de synchronisation des signaux pour l'heure suivante) et le PR pour les ajustements tactiques (p. ex., des temps verts de réglage précis toutes les quelques secondes) sont un domaine de recherche actif.

Les jumeaux numériques, des répliques virtuelles de réseaux de trafic physique, gagnent également en traction. Un jumeau numérique peut simuler les résultats des décisions de MPIP avant leur déploiement, réduisant ainsi le risque de conséquences imprévues. Le jumeau peut être continuellement mis à jour avec les données des capteurs et réoptimisé en utilisant le MPIP, permettant une gestion adaptative du trafic qui évolue avec la ville.

Enfin, les objectifs de durabilité sont à l'origine de l'inclusion de cadres multi-objectifs dans les modèles MPIP. Au lieu de minimiser uniquement le temps de déplacement, les modèles futurs équilibreront explicitement la consommation d'énergie, la pollution sonore, la sécurité des piétons et l'équité entre les différents quartiers.

En conclusion, la programmation intégrale multipériodes représente une évolution importante dans la gestion du trafic urbain.En modélisant explicitement la dynamique temporelle du trafic et en appliquant des contraintes entières qui reflètent des choix discrets dans le monde réel, les modèles MPIP permettent des stratégies de contrôle proactives, coordonnées et optimales. Bien que des défis en matière de calcul et de données subsistent, les progrès constants dans les algorithmes, le matériel et la technologie des capteurs rendent ces modèles pratiques pour un déploiement généralisé.