Comprendre le modèle de contrôle prédictif pour la gestion de la circulation urbaine

La congestion du trafic urbain est un problème persistant qui gaspille le temps, le carburant et la productivité tout en augmentant les émissions. Le contrôle des signaux de trafic traditionnel utilise des plans de temps fixes ou une simple logique d'adaptation basée sur des détecteurs de boucles locales.Ces méthodes luttent pour gérer la nature non linéaire, stochastique et interconnectée des réseaux de trafic modernes.

Le MPC n'est pas un nouveau concept, il a été appliqué avec succès dans le contrôle des processus chimiques, la robotique et la conduite autonome. Son extension à l'optimisation des signaux de circulation est une progression naturelle, rendue possible par les progrès de la détection en temps réel, de la communication et de l'informatique.

Le principal avantage de MPC sur les contrôleurs réactifs est sa nature proactive. En regardant vers l'avant, le contrôleur peut anticiper la congestion et ajuster les signaux avant l'accumulation des files d'attente. Cette capacité prédictive est critique dans des environnements urbains très dynamiques où les tendances de la demande changent rapidement en raison d'événements spéciaux, de conditions météorologiques ou d'incidents.

Composantes essentielles d'un système de MPC de trafic

Modèle de flux de circulation

La fidélité du modèle détermine directement la qualité de la solution MPC. Des modèles macroscopiques simplifiés, comme le modèle de transmission cellulaire (CTM), discrétisent le réseau routier en cellules et un débit approximatif en utilisant des lois de conservation. Ces modèles captent les ondes de choc et les retombées de file assez bien tout en restant calculables.

Pour optimiser le signal de trafic en temps réel, une approche hybride est courante : un modèle macroscopique de prédiction associé à l'estimation des paramètres en ligne (par exemple, à l'aide de filtres Kalman) pour s'adapter aux conditions changeantes. Le modèle doit aussi inclure les contraintes du signal de trafic – temps vert, longueurs de cycle, séquences de phase et durées minimales/maximales – comme contraintes dures ou termes de pénalité.

Estimation de l'état et fusion des données

Malheureusement, la mesure directe de tous les états est rarement disponible. La plupart des villes comptent sur des détecteurs de boucle inductifs, des radars ou des caméras vidéo à un sous-ensemble de sites. Le système doit fusionner ces observations avec des données historiques et des estimations basées sur des modèles pour reconstruire l'état complet. Des techniques comme Les filtres Kalman étendus ou les filtres Kalmanenses sont couramment utilisés à cette fin.

Les nouvelles sources de données, comme les sondes GPS des véhicules roulants, le balayage de l'adresse Bluetooth/Wi-Fi MAC et les messages V2X (véhicule connecté), améliorent la couverture et la précision des estimations de l'état. Cependant, elles présentent aussi des défis : la latence des données, les règlements sur la protection de la vie privée et les taux de pénétration non uniformes.

Formulation d'optimisation

Le problème d'optimisation dans le trafic MPC est typiquement un programme non linéaire, non convexe, mixte-entier. Les variables de décision peuvent être des temps verts, des décalages, des longueurs de cycle, ou même des séquences de phase. L'objectif est souvent une somme pondérée de:

  • Délai total (ou retard moyen par véhicule)
  • Longueurs en temps réel (avec pénalités pour les déversements)
  • Nombre d'arrêts[ (pour réduire la consommation de carburant et les émissions)
  • Trurp[ (nombre de véhicules passant par le réseau)

Les contraintes supplémentaires peuvent inclure les temps de passage des piétons, la prévention des véhicules d'urgence et la coordination avec les contrôleurs de signaux voisins.

  • Linéarisation du modèle de débit de circulation (par exemple, en utilisant des approximations linéaires à la pièce)
  • Solusseurs de programmation linéaire en entier mixte (MILP) pour réseaux de taille moyenne
  • Algorithmes heuristiques tels que des algorithmes génétiques ou des simulations de recuit pour des réseaux plus grands
  • Simplification du modèle[, comme l'agrégation des intersections en zones ou l'utilisation de modèles de stockage et d'avant qui traitent les files d'attente comme des variables continues

La faisabilité en temps réel exige que le solveur retourne une solution en quelques secondes (souvent moins que la longueur du cycle du signal). Par conséquent, de nombreuses implémentations de MPC de qualité de production utilisent un horizon de retrait avec un horizon de prédiction court (p. ex., 2 à 5 minutes) et une étape grossière de discrétisation (p. ex., 5 à 10 secondes d'intervalle).

Architecture de mise en œuvre pour les PPM en temps réel

Plateforme matérielle et informatique

Pour un réseau de 50 à 100 intersections, l'optimisation peut impliquer des milliers de variables. Alors que le cloud computing offre des ressources presque illimitées, la latence introduite par les voyages en réseau (surtout si les contrôleurs de signaux sont sur le terrain) peut être inacceptable. Une architecture commune utilise computing des nœuds situés à ou près de l'armoire d'intersection, chacun manipulant un petit groupe de signaux. Ces nœuds de bord communiquent périodiquement avec un cloud central ou un serveur sur site pour la coordination et l'agrégation des données.

Les processeurs haute performance, les GPU dédiés (pour les opérations matricielles en filtrage Kalman), ou même les FPGA sont utilisés pour le solveur. Le modèle de trafic et le code d'optimisation doivent être écrits dans un langage compilé comme C++ ou Rust pour répondre aux contraintes de temps.

Communication et latence

Une communication fiable et à faible latence est essentielle. La boucle de commande nécessite :

  1. Acquisition de données de capteur[ – des appareils de champ au nœud de bord (généralement sur Ethernet filaire ou 5G).
  2. Énoncé d'estimation – traitement sur le noeud de bord (millisecondes).
  3. Optimisation – résolution du problème MPC (teneurs de millisecondes à quelques secondes).
  4. Transmission de commande de signalisation – retour au contrôleur de feux de circulation (millisecondes).

Pour des applications rigoureuses (p. ex., priorité de transit dans les couloirs d'autobus à haute fréquence), la boucle doit fonctionner toutes les 5 à 10 secondes. La mise en réseau, la perte de paquets et la synchronisation entre les nœuds de bord posent des défis supplémentaires.

Cadre de logiciels et interopérabilité

La pile logicielle pour un système de MPC de trafic comprend généralement:

  • Couche d'ingestion de données – consomme des flux en temps réel provenant de capteurs et de sources externes (données d'incidents, conditions météorologiques, calendriers d'événements).
  • Estimateur d'état – exécute un filtre pour produire un vecteur d'état complet et nettoyé.
  • Modèle prédictif – simule l'évolution du trafic sur l'horizon.
  • Le solveur d'optimisation – produit le plan optimal de signal.
  • Interface de commande – envoie des changements de calendrier au matériel de signal via NTCIP (National Transportation Communications for ITS Protocol) ou API propriétaires.

Les outils open-source tels que SUMO (Simulation de la mobilité urbaine) et MATSim peuvent être utilisés pour l'étalonnage et les essais hors ligne des modèles. Pour les besoins de la modularité, de nombreuses agences utilisent en temps réel des plateformes spécialisées comme PTV Optima[ ou des solutions sur mesure basées sur le système d'exploitation ROS (Robot Operating System).

Défis pratiques dans le déploiement des MPC

Modèle de missac et robustesse

Aucun modèle de trafic ne reflète parfaitement la réalité. Les erreurs dans les paramètres du modèle (p. ex., débits de saturation, vitesses de flux libre, rapports de rotation) peuvent dégrader les performances de contrôle. Les approches de Robust MPC intègrent des limites d'incertitude dans l'optimisation, sacrifiant une certaine optimisation pour une satisfaction garantie de contrainte.

La validation des données réelles est cruciale. Un flux de travail typique implique:

  • Étalonnage du modèle à l'aide de données historiques (p. ex., 30 jours de comptage des détecteurs).
  • Tester le MPC dans un environnement de simulation (en utilisant SUMO ou Vissim).
  • Effectuer des essais pilotes sur le terrain sur un petit réseau non critique avant de procéder à une mise à l'échelle.

Scalabilité informatique

À mesure que la taille du réseau augmente, le problème d'optimisation devient insoluble. Les stratégies de décomposition, telles que distribuée MPC[, divisent le réseau en sous-réseaux, chacun étant résolu indépendamment avec un échange d'informations limité. Une autre approche est MPC hiérarchique, où un contrôleur de haut niveau optimise les cibles macroscopiques de flux (p. ex., les scissions vertes souhaitées pour un corridor) et les contrôleurs locaux de bas niveau suivent ces cibles en temps réel.

Même avec la décomposition, le solveur doit être efficace. Beaucoup d'implémentations utilisent programmation quasi-quadratique (QP) solveurs après linéarisation du modèle. Bien qu'un problème non convexe puisse avoir de nombreux minima locaux, la nature de l'horizon régressant de MPC signifie qu'une bonne solution (pas nécessairement globale) est souvent suffisante, car l'horizon se déplace et le contrôle se re-optimise à chaque étape.

Interaction avec les infrastructures existantes

Les contrôleurs de trafic sur le terrain sont souvent vieux de plusieurs décennies, avec des capacités de communication limitées et des interfaces propriétaires. La mise à jour de ces derniers pour MPC nécessite soit de remplacer le contrôleur (expensant) ou d'ajouter un périphérique secondaire qui outrepasse les sorties de synchronisation du contrôleur. La normalisation via NTCIP et le nouveau SAE J2735 pour les véhicules connectés facilite l'intégration, mais les tests d'interopérabilité restent un fardeau.

Les organismes ont également des exigences de sécurité : le système de contrôle ne doit pas produire de temps de signalisation pouvant causer de confusion ou augmenter le risque d'accident (p. ex., les intervalles de rouge doivent être appliqués). L'optimiseur MPC doit intégrer ces contraintes de sécurité explicitement, et un chronomètre de surveillance devrait déclencher un repli si l'optimiseur échoue ou prend trop de temps.

Avantages observés dans les déploiements dans le monde réel

Plusieurs projets pilotes et déploiements ont démontré le potentiel de MPC pour l'optimisation des signaux de circulation.Dans Pittsburgh, Pennsylvanie, le système Surtrac (un contrôle adaptatif des signaux basé sur une approche par algorithme génétique semblable à MPC) a réduit les temps de déplacement par 25% et le ralenti par 40% sur un corridor de 50 intersections.

Les avantages supplémentaires comprennent :

  • Préemption améliorée du véhicule d'urgence: MPC peut dégager dynamiquement une trajectoire en ajustant les temps verts à travers plusieurs intersections en avant d'un véhicule d'urgence qui approche.
  • Priorité de transit[: Les autobus et les tramways équipés de GPS peuvent être dotés d'extensions vertes ou de greens précoces, réduisant les temps d'habitation et améliorant l'adhésion aux horaires.
  • Gains environnementaux: Un flux de circulation plus fluide entraîne moins de cycles d'accélération/de décélération, réduisant la consommation de carburant et les émissions de CO2 par 10-20% dans les études pilotes.

Cependant, ces résultats dépendent du contexte. MPC effectue le mieux lorsque la demande de trafic est modérée à élevée mais non saturée; dans des conditions extrêmement encombrées (gridlock), le modèle prédictif devient moins précis et le contrôleur peut avoir besoin de passer à une stratégie spécifique encombrée (p. ex., gérer le trafic entrant).

Orientations futures et frontières de la recherche

Intégration avec les véhicules connectés et automatisés

La montée de la technologie du véhicule connecté (CV) offre une opportunité de transformation pour le NPC : au lieu de compter sur des capteurs fixes, le contrôleur peut recevoir des trajectoires et des intentions en temps réel d'un sous-ensemble de véhicules. Ces données peuvent être utilisées comme entrées directes dans l'estimateur de l'état du MPC ou même comme partie du modèle (par exemple, en prédisant les positions futures des CV).

Le programme de recherche sur les véhicules connectés du département des Transports des États-Unis a financé plusieurs projets qui combinent les données de MPC et CV, ce qui montre des promesses de réduction des retards dans les environnements de trafic mixte.

Améliorations de l'apprentissage automatique

L'apprentissage approfondi peut compléter les CPM de plusieurs façons :

  • Modèle learning[: Au lieu d'équations réalisées à la main, un réseau neuronal peut apprendre la dynamique du trafic à partir de données, captant potentiellement des phénomènes complexes (p. ex., comportement du conducteur aux intersections non conventionnelles).
  • Optimisation approximative: Un réseau neuronal formé peut approximer la politique optimale de MPC, fournissant des réponses quasi instantanées sans résoudre l'optimisation en ligne (appelée MPC implicite).
  • Prédiction de la demande[: La combinaison de la prévision à court terme du débit de trafic (en utilisant des MTS ou des transformateurs) avec des MPC peut étendre l'horizon de prévision et améliorer les performances en cas de surtensions soudaines de la demande.

Toutefois, les améliorations basées sur le ML nécessitent une validation minutieuse pour éviter les surajustements et doivent être robustes pour les déplacements de distribution (p. ex., changements dans les habitudes de déplacement en raison d'une nouvelle fermeture de pont).

Modélisation cyclique et piétonne

La plupart des systèmes de MPC de circulation sont principalement axés sur les véhicules motorisés.De plus en plus, les villes visent à prioriser les usagers non motorisés de la route. Les MPC peuvent être étendues aux demandes de passage pour piétons et aux volumes de bicyclettes, mais les défis de modélisation sont importants: la vitesse de passage pour piétons varie, et les pelotons peuvent être irréguliers.

Résilience et cybersécurité

Une cyberattaque sophistiquée pourrait envoyer des données de faux capteurs au MPC, ce qui lui permettrait de calculer des chronométrages dangereux (p. ex. vert simultané pour des mouvements contradictoires). Les modules de détection d'anomalies, les capteurs redondants et l'authentification cryptographique sont essentiels.

Orientations pratiques à l'intention des organismes qui envisagent de créer des MPC

La mise en place de la MPC dans un réseau de trafic réel est un effort multidisciplinaire pluriannuel.

  1. Démarrer petit : Sélectionnez un couloir ou une grille de 10 à 15 intersections avec une bonne couverture de capteur. Utilisez un environnement de simulation pour régler le modèle et optimiser.
  2. Investir dans la détection et la communication: Sans données fiables et peu fiables sur l'état du trafic, MPC aura un rendement insuffisant. S'assurer que chaque intersection a au moins un point de détection en amont et en aval (p. ex., boucles radar ou inductive).
  3. Construire une équipe multidisciplinaire: Ingénieurs de trafic, théoriciens de contrôle, développeurs de logiciels et data savants doivent collaborer. L'expertise de solveur d'optimisation provient souvent du milieu universitaire ou des fournisseurs spécialisés.
  4. Design for fault[: Le système doit se dégrader gracieusement. Si le MPC échoue (p. ex., en raison d'une perte de communication), il doit revenir à un plan de contrôle pré-déterminé ou actionné dans les millisecondes.
  5. Évaluer en continu[ : Utiliser des études antérieures et postérieures (temps de déplacement, longueurs de file d'attente, émissions) pour quantifier les avantages.

L'Institut des ingénieurs en transport (ITE) a publié un guide sur les technologies de contrôle adaptatif des signaux qui comprend des études de cas et des conseils de mise en oeuvre pertinents pour les PPM.

Conclusion

En tirant parti d'un modèle dynamique de flux de trafic et en résolvant un problème d'optimisation limité à chaque étape, MPC peut réduire considérablement les retards, les arrêts et les émissions par rapport aux stratégies de contrôle classiques. Bien que les défis demeurent – précision du modèle, évolutivité des calculs, interopérabilité des infrastructures – les progrès continus de la détection, de l'apprentissage automatique et de la puissance de calcul s'y attaquent régulièrement.

Pour ceux qui souhaitent des détails techniques plus détaillés, un examen des formulations des MPC pour les réseaux de trafic dans la revue Nonlinear Dynamics fournit un aperçu complet. De plus, la plate-forme de simulation SUMO comprend des exemples d'intégration des MPC pour les chercheurs et les praticiens à expérimenter.