האתגר הצומח של קהילת התנועה העירונית

עומס התנועה הפך לאחד הבעיות הרציפות והיקרות ביותר בערים מודרניות.על פי ה-FLT:0.2022 INRIX Global Traffic ScorecardofFLT:1, הנהג הממוצע בארצות הברית איבד 51 שעות כדי ליישב, עלות מעל 800 דולר לנהג בזמן מבוזבז ודלק.

שיטות חישוביות מתקדמות מציעות נתיב קדימה.יניהן, FLT:0דינמית תכנות תכנות FLT:1 בולט כטכניקה קפדנית מתמטית קפדנית לביצוע החלטות פוטנציאליות תחת אי ודאות.על ידי יישום תכנות דינמי לבקרת אותות תנועה, מהנדסים יכולים ליצור מערכות אשר מתאמת באופן מתמיד תזמון מבוסס על נתוני חיישן חי, שיפור דרמטי של זרימת דרך נקודות ורשתות שלמות.

הבנה של תכנות דינמי

תכנות דינמי (DP) הוא פרדיגמה אלגוריתמית שמפתורה בעיות אופטימיזציה מורכבות על ידי שבירה אותם ל subproblems פשוט יותר חפיפה.הרעיון הליבה הוא לאחסן את הפתרונות כדי subproblems כך שהם מפוצצים רק פעם אחת, טכניקה המכונה memoization. DP הוא בשימוש נרחב בתחומים החל מפעילות וכלכלה לבו הרובוטיקה וביונולוגיות.

בהקשר של בקרת התנועה, DP מתייחס להחלטת התזמון של אות כתהליך החלטה רב-שלבי בכל שלב (בדרך כלל כמה שניות), המערכת צופה בהחלטת התזמון הנוכחית:0statecioFLT:1 של הצומת - אורך הנסיעה, ספירות הרכב, מעברי הולכי רגל - ובוחרת קיצוץ מוחלט:2actionofpLT:3 (למשל, שלב ירוק, לעתים קרובות, לטמפרטורה אינסופית, לטמפרטורה).

אלגוריתם ה-DP פועל על ידי פתרון משוואה בלמן המתייחסת לערך (עלות הצפויה) של להיות במדינה מסוימת בעלות מיידית של פעולה בתוספת הערך של המדינה הבאה.מערכת יחסים חוזרת זו מאפשרת למערכת לבחון קדימה ולבחור פעולות שמובילות לתוצאות אופטימליות בעולם, לא רק שיפורים מקומיים.

תכונות מפתח של תכנות דינמי לתנועה

  • (FLT:0) מבנה תת-קרקעי: FLT:1 התוכנית התזמון האופטימלית עבור הצומת כולו ניתן לבנות מתוכניות אופטימליות לכל מרווח זמן.
  • (FLT:0) כפלת תת-פרובלימים: FIRLT:1 תרחישים רבים אחרים של תנועה חולקים תת-מדינות דומות, כך שניתן להשתמש בערכים המקובצים לאורך זמן ובצומת דרכים.
  • (FLT:0) מעברים סטיגמיים או סטוצ'יסטיים: DP:1 יכול להתמודד עם דפוסי ההגעה הדארקטיים והמודלים הפרוביביליסטיים שבהם הגעת הרכב בעקבות הפצה.

יישום תכנות דינמי בבקרת אותות תנועה

החלת DP לבקרת אות התנועה דורשת מיפוי זהיר של הצומת בעולם האמיתי למודל מתמטי.המערכת חייבת לחוש את הסביבה באופן רציף, לייצג אותה כמדינה, להפעיל את אופטימיזציה של הDP וליישם את הפעולה שנבחרה.

איסוף נתונים ו Sensing

נתונים בזמן אמת הם דם החיים של כל מערכת בקרת אותות הסתגלות.הצומתים המודרניים מצוידים בשילוב של חיישנים:

  • גלאי לולאה אינדוקטיביים משובצים בנוכחות כלי הרכב של המדרכה וספירה.
  • מצלמות וידאו עם אלגוריתמים של ראיית מחשב לזהות כלי רכב, לסווג אותם ולעקוב אחר התנועה.
  • חיישני רדאר ו-Ledar מספקים עמדות רכב ברזולוציה גבוהה ומהירויות.
  • נתוני רכב מחוברים (V2X) יכולים לשדר מיקומים GPS מדויקים ודרכים המיועדות.

נתונים אלה נאספים בבקר הצטלבות, לעתים קרובות עם נטיות של פחות מ -100 מ"ג שניות, כדי ליצור את המדינה הנוכחית.

ייצוג המדינה

המדינה חייבת ללכוד את כל המידע הרלוונטי לקבלת החלטה טובה.מדינה טיפוסית לצומת מבודדת כוללת:

  • מספר כלי רכב תורים לכל נתיב או גישה.
  • שלב האות הנוכחי וזמן מחלף בשלב זה.
  • שיעורי הגעה לרכב מגלאי מעלה (תחזיות קצרות טווח).
  • כפתורי חוצות ומעמד המעבר הנוכחי של הולכי רגל.
  • זמן של דגלי אירוע מיוחדים (למשל, אמצעי חירום).

כדי לשמור על המרחב הממשלתי מנוהל, מהנדסים לעתים קרובות מרתיעים את זרימתם לרמות (למשל, נמוך, בינוני, גבוה) או להשתמש בקטור באורך קבוע של אורך תור. ייצוג מדינה מעוצב היטב מאזן דיוק עם יכולת חישובית.

תהליך ההחלטות והתכנון הדינמי אלגואטרום

בכל תקופת החלטה (כל 1-5 שניות), ה-DP מעריך את כל שילובי שלב האותות האפשריים.מספר השלבים האפשריים משתנה: צומת 4-phase פשוט (צפון-דרום-דרום-דרום-דרום-דרום-מערבי, ממזרח למערב, ממזרח למערב-מערב) עשוי להיות 6-10 מעברים אפשריים.

הפונקציה עלות היא חיונית.מטרות נפוצות כוללות:

  • (ב) ,0) ,5 ,3 ,2 , ).
  • מספר התחנות (ב) 1 (התוצאה היא אספקת דלק ופליטת דלק).
  • (ב) ויקרא י"א: "ה' (ב)" (ב"ב)
  • (ב) ,0) ,9, החלפה, עצירות ופליטות עם סדרי עדיפויות.

DP מחשב את הפעולה האופטימלית על ידי פתרון משוואה אופטימליות בלמן.עבור מערכת עם כניסות סטוצ'סטיות, זה הופך תהליך החלטה של מארקוב (MDP), ופתרון ה-DP מניב AFLT:0policyFLT:1 ממיפוי מדינות לפעולות.המדיניות יכולה להיות מלוכדת באופן לא מקוון ומאוחסנים בטבלה לשימוש בזמן אמתי, או לפתור באינטרנט עם גישה מגלגלה.

מטרות אופטימיזציה: הקטנת ההשתתפות וההמתנה

המטרה הסופית היא להפחית את זמן מבוזבז עבור כל משתמשי הכביש.מחקרים הראו כי בקרת אותות תכנות דינמיים מבוססת אותות יכולה להפחית את עיכוב הרכב הממוצע ב-20–40% בהשוואה לסימנים קבועים, וב- 10-15% בהשוואה לבקרים פשוטים יותר.עבור עיר גדולה הנושאת 50,000 כלי רכב ביום, המתורגמת לאלפים שעות של זמן נסיעה נשמר מדי שנה.

יתר על כן, על ידי צמצום מספר התחנות ומשך מערכות מבוססות DP להפחית את צריכת הדלק ב 10-25% וקיצוץ פליטות CO2 ו- NOx באופן יחסי. היתרונות הסביבתיים האלה חשובים יותר ויותר עבור ערים השואפות לעמוד ביעדים של האקלים.

היתרונות של שימוש ב- Dynamic Programming for Traffic Signals

אימוץ תכנות דינמי בשליטה על אותות התנועה מספק מגוון רחב של יתרונות תפעוליים וחברתיים.

שיפור זרימת התעבורה

אלגוריתמים DP מתאמתים באופן קבוע את הזמן הירוק כדי להתאים לביקוש בזמן אמת, למנוע את הירוקות המבוזבזות שמתרחשות כאשר אות נשאר ירוק לנתיב ריק בזמן שתנועת הצלב מצטברת.זה מוביל למהירויות חלקה יותר אחידות ופחות אטה פתאומית.

הקטנת ההשתתפות בשעות השיא

בשעות העומס, הביקוש הרבה יותר עולה על יכולת DP מסייע על ידי איזון בין גישות: זה עשוי לתת זמן ירוק נוסף לכיוון הכבד ביותר עד ניקוי צוואר בקבוק למטה, ולאחר מכן לעבור כדי להקל על גישה אחרת. איזון דינמי זה מונע לשפוך לתוך צמתים במעלה הזרם ואת ה- netlock.

תגובה מתאימה לשינוי התנאים

מכיוון ש-DP reevaluate כל כמה שניות, המערכת מגיבה מיד למקרים, אירועים מיוחדים, או עלייה פתאומית בתנועה.לדוגמה, אם נתיב נחסם עקב תאונה, ה-DP יזהה את היכולת מופחתת ויתאים את השלבים להסיט תנועה או להאריך את הירוקים מקבילים.

אנרגיה וחיסכון סביבתי

פחות idling ופחות עצירות לתרגם ישירות לצריכת דלק נמוכה יותר.משרד האנרגיה האמריקאי מעריך כי אופטימיזציה של אותות התנועה יכול לחסוך 40 גלונים של בנזין בשנה להפחית את פליטות הקשורות. DP מבוסס מערכות להגביר את החיסכון הזה על ידי שמירה על תזמון יעיל גם במהלך תקופות מחוץ ל-peak כאשר תוכניות קבועות הן לעתים קרובות שמרניות מדי.

סקלאלה לרשתות

בעוד DP הוא בדרך כלל מיושם על צמתים מבודדים, אותם עקרונות ניתן להרחיב למסדרון או לשלוט ברשת באמצעות טכניקות דה-קופוזיציה (למשל, תיאום הצטלבות הסמוכים באמצעות החלפת גבולות).זה מאפשר לערים לפרוס שליטה מבוססת DP בהדרגה, החל עם הצומת המכוסה ביותר.

אתגרים ומגבלות

למרות הערעור התיאורטי שלה, יישום תכנות דינמי במערכות תנועה בעולם האמיתי עומד כמה מכשולים.

מורכבות

הקללה של המימדליות היא המכשול הגדול ביותר.צומת עם 8 גישות, כל אחד שיש לו 5 רמות תור אפשריות, יוצר מרחב מצב של 58=390,625 מדינות. . Multiply על ידי 4 שלבים ואופק תכנון של 10 שלבים החלטות, וה-DP הופך יקר חישובי.

  • תוקפנות המדינה או מופשטת (למשל, שילובים דומים של תור).
  • תכנות דינמי Approximate (ADP) באמצעות יישום פונקציונלי או רשתות עצביות.
  • האצה קשיחה באמצעות GPUs או מעבדים ייעודיים.

שילוב עם קיימות תשתיות

ברוב הערים יש בקרי אות בני עשרות שנים המפעילים קושחה קניינית.למקם אותם עם יחידות DP-capable הוא יקר יותר.גישה מעשית יותר היא להוסיף מחשב קצה שמתקשר עם הבקר הקיים באמצעות פרוטוקולים סטנדרטיים (NTCIP, stop).

איכות נתונים וחיישנים

DP תלוי במידע מדויק של המדינה בזמן אמת. Detectors להיכשל, מצלמות וידאו ניתן חסום על ידי ערפל או זוהר שמש, ו חדירת רכב מחוברת עדיין נמוכה.מערכות Robust צריכות לשלב היתוך נתונים וגילוי תקלות כדי להתמודד עם מדידות חסרות או רועשות.ללא נתונים אמינים, DP יניב תזמון תת-אופטימי או אפילו לא בטוח.

בטיחות וגורמי אנוש

בקרת אות התנועה חייבת לזרז את הבטיחות מעל לכל השאר. אלגוריתמים DP כי הם מקצרים באופן אגרסיבי את זמני הצהובים או לדלג על שלבים לייעל את זרימת הסטרימינג יכולים להגדיל את הסיכון לתאונה.לכן, כל יישום DP חייב לאכוף מינימום ירוק, צהוב, וכל מרווחי ההנקה המוגדרים על ידי FLT:0MUTCD סטנדרטיsFLT:1 נוסף על פני כן, הולכי רגלים וציפי רוכבי אופניים חייבים להיות מוגנים עם שלבים ייעודיים שלא ניתן להתגבר על ידי אופטימיזציה על ידי תנועה.

דרישות הגשמה בזמן אמת

DP חייב לייצר פעולה בתוך תקופת ההחלטה - באופן חד-משמעי 1-5 שניות.עבור חללים גדולים, DP מדויק עשוי להיות איטי מדי.חוקרים פיתחו FLT:0.0.10.10.10.15 שניות:0.10.15 שניות של שליטה ב-Horizon EvolutionFLT:1, שבו DP פותר אופק קצר יותר (למשל, 10-15 שניות) ותוכנית מחדש כל צעד, תוך הקטנת מדיניות ההריסה אופטימלית של ה-הכחדה-אין-הסברים.

כיוונים עתידיים: גישות היברידיות ולמידה של מכונות

הדור הבא של בקרת אותות תנועה אינטליגנטית צפוי לשלב תכנות דינמי עם למידת מכונה כדי להתגבר על המגבלות הנוכחיות ולקבל אפילו ניהול חכם יותר.

Reinforcement Learning (RL) ו- Dynamic Programming

למידה מחדש קשורה ישירות ל-DP: שניהם פותרים אלגוריתמים של MDPs. Modern Deep RL (כגון DQN, PPO ו-SAC) יכולים להתמודד עם חללים של המדינה על-ידי שימוש ברשתות עצביות כדי לייחס את הפונקציה או המדיניות. שיטות אלה יכולות ללמוד מדיניות אופטימלית מסימולציה או היסטורית ללא מודל מפורש של הפצת כניסות.

מערכות היברידיות משתמשות ב-DP כדי לספק בסיס חזק או להנחות את החיפוש, בעוד ש-RL מחדד את המדיניות באמצעות ניסוי וטרור בסימולציה.לדוגמה, מדיניות DP-optimal למודל פשוט ניתן להשתמש כדי לזרז סוכן של RL, להאיץ הכשרה ולהבטיח התנהגות בטוחה.

שליטה חיזוי עם תחזית לטווח קצר

שילוב עם מודלים של חיזוי מכונות (למשל, רשתות עצביות LSTM עבור זרימת התנועה) מאפשר למערכת לצפות בגלות.במקום להגיב תור לבנות, הDP יכול תזמון מראש כדי להתאים לוחות זמנים צפויים.

כמה ניסויים בשטח הראו כי תעבורת MPC מבוססת אותות החוצה מערכות הפעלה גרידא, במיוחד במסדרונות עם לוחות synchronized platoons. A מקרה מחקר בפיטסבורג באמצעות FLT:0Rapid Flow Technologies Surtrac SystemFLT:1 (מבוסס על DP ו- RL) השיג ירידה של 25% בזמן הנסיעה ו 21% בפליטה.

תיאום מבוסס ענן והנתונים הגדולים

בקרת התנועה העתידית יכולה למנף מחשוב ענן כדי לתאם מאות צפנים בזמן אמת.כל צומת פועל DP מקומי עבור שליטה משלו, אבל שרתי ענן מסלקים אופטימליים ורצף של שלבים עבור מסדרונות שלמים באמצעות אופטימיזציה גלובלית (למשל, באמצעות DP עבור בעיית התיאום עם מודל קורקאז') גישה היררכית זו יכולה לשלב בין תעבורה עירונית מהנתונים ניידים, יישומים GPS ו- GPS מרכז הניהול.

שילוב עם רכבים אוטונומיים

ככל שהרכב האוטונומי (AV) גדל חדירה, אותות התנועה יכולים להתפתח. DP יכול להיות מורחב כדי להתמודד עם תקשורת של מבנה הרכב-ל-infrastructure (V2I) המאפשרת לאות לבקש כי AVs להתאים מהירות לחלונות הירוקים.הDP היה שולט לא רק בשלבי אות אלא גם הציע מהירויות עבור כלי רכב מחוברים, יצירת אופטימיזציה שיתופית הממקסימה באמצעות חישוב בעוד צמצום עצירות.

מסקנה

תכנות דינמי מציע גישה קפדנית, מבוססת מתמטית לשליטה על אותות תנועה אינטליגנטית.על ידי מודל הצומת כמו תהליך החלטה היתכנות ופתרון למדיניות תזמון אופטימלית, DP מפחית גודש, פליטות, וזמני נסיעה באופן משמעותי. פריסות בעולם האמיתי ומחקר ממשיכים לדחוף את הגבולות, להתמודד עם אתגרים של מורכבות חישובית, חיישנים ואינטגרציה באמצעות שיטות היברידיות המשלבות DP עם מכונה.

עבור ערים הנאבקות עם חסימה, השקעה בשליטה על אותות DP היא אסטרטגיה גבוהה של מתחנן.זה משתמש תשתיות חיישן קיימות וניתן לפרוס באופן מצטבר, עם תשלומים מיידיים ניידות וקיימות. כמו אוכלוסיות עירוניות צומחות ודרישות התנועה להגביר, תכנות דינמי יישאר אבן הפינה של מערכות תחבורה חכמות - מחלישות, ותיאום אנשים לנוע ביעילות.