ניהול תעבורה עירונית התפתח משליטה פשוטה של אות בזמן קבוע לתוך משמעת הדורשת טכניקות אופטימיזציה מתוחכמת המסוגלות לטפל בתנאים דינמיים, זמן-מה-שעה-ארוכים. כמו אוכלוסיות מטרופוליטן swell וקילומטרים לרכב ממשיכים לטפס, עלויות גודש עכשיו עולה על מיליארדי דולרים מדי שנה בהחלטות שאבדו, פסולת דלק, ונזק סביבתי.

האתגר של ניהול תנועה עירונית

מערכות תנועה עירונית מורכבות ועמידות באופן מהותי וביקוש לסחר משתנה משעה ליום, יום בשבוע, העונה, ותגובה לאירועים מיוחדים, אירועים, אירועים או מזג אוויר.הכנסה יכולה להתפשט במהירות דרך רשת, יצירת אפקטים שופכים המייעלים את הביצועים הרחק מנקודות הכניסה הראשוניות של חדר השינה, ניהול יעיל לינארי חייב לקחת בחשבון את הדינמיקה הזמנית תוך שמירה על מגבלות פיזיות כגון יכולות, תזמון, תזמון, ואפקטים קצרים, או מגבלות מיידיות, או תזמון, תוך כדי תזמון, או מגבלות מיידיות, או תזמון, או תזמון, או מגבלות פשוטות, למשל, או מגבלות מיידיות, תוך כדי תזמון, תוך כדי תזמון, או מגבלות על פני 8.

מה זה Multi-Period Integer Programming?

Multi-period integer תכנות (MPIP) הוא ענף של אופטימיזציה מתמטית המשתרעת תכנות אינטגרטיבי קלאסי לבעיות שבהן החלטות יש לבצע באופן משמעותי על סט של תקופות זמן. בהקשר של ניהול תנועה, מודלים MPIP מתייחסים לזמן כמו סדרה של הפסקות פעילות (למשל, 5 דקות או 15 דקות בתוך עסקאות) וכוללים החלטות משתנות, ומטרות אלה מאפשרות בדרך כלל להגבלות על מספר דינמיות (למשל, בניגוד למגבלות הפעלה) של מספר הפעלה.

המונחים: formulament Basics

(ב) ניתן לנסח מודל כללי של MPIP עבור בקרת התנועה כדלקמן: "הבהרה התכנון מחולקת לתקופות (FLT:0 ⁇ FLT:1= 1, ..., T. כל תקופה יש משתנים החלטות הקשורים ל-FLT:2xuaFLT 3:0tphtph: 5 פעמים נסיעה, טמפרטורה ירוקה, שלבים, מסלולים) ומשתנים בכל אורך: 7Fallowertreatamide; 7) אורך זמן נסיעה: 7.

(ב) ויקרא י"ד:2 ויקרא י"ד: ויקרא י"ד: ויקרא י"ד: ויקרא י"ד:2 ויקרא י"ד:2 ויקרא י"ד:2 ויקרא יט:2 ויקרא יט: ויקרא יט: ויקרא יט, ויקרא יט: יט, ויקרא יט"ד"ד יט, ויקרא י"ד יט, יט, ויקרא י"ד"ד"ד"ד"ד"ד יט, ויקרא י"ד ויקרא י"ד ויקרא י"ד ויקרא י"ד ויקרא י"ד ויקרא י"ד ויקרא ויקרא י"ד ויקרא ויקרא ויקרא יט,ד'

נושא:

  • (ב) ,0) מגבלות ספציפיות של ההרחבה: גבולות פיזיים על כל משתנה לתקופה (למשל, זמניים ירוקים מינימליים ומרביים בסימן)
  • (ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ה) ,0) הגבלות אינסטלגר (FLT:1): כמה משתנים חייבים לקחת ערכים אינטגרטיביים (למשל, מספר שלבים לכלול במחזור)

הבעיה המתקבלת היא לעתים קרובות בקנה מידה גדול, עם אלפי משתנים ומגבלות עבור רשת עיר בינונית על פני אופק 24 שעות. Solving מודלים כאלה בדיוק דורש טכניקות טיהור מתקדמות ופתרונות מסחריים חזקים.

מודלים מרכזיים של MPIP

משתנים החלטות הם הניתוק העיקרי מנהל תנועה יכול להתאים. בשליטה אות, אלה כוללים את משך כל שלב (זמן ירוק) ואת סדר השלבים (רצף הפניה) עבור הדרכה נתיבים, משתנים מייצגים את שיעור כלי הרכב שהוקצו לנתיבים חלופיים.עבור תחבורה ציבורית, הם יכולים להיות זמני יציאה, תקופות מנוחה או גודל צי.

יישומים בניהול תנועה עירונית

מודלים MPIP כבר מיושם על מגוון רחב של בעיות ניהול תנועה, מ אופטימיזציה תזמון להגדרה דינמית של toll.הכוח שלהם הוא לתפוס את הבורסות בין יעילות לטווח קצר ויציבות לטווח ארוך.לדוגמה, אסטרטגיה מינופית שמשרתתפת ביקוש מיידי עלולה לגרום לצוואר בקבוקי בקבוק במורד הזרם לאחר מכן; MPIP נמנע ממכשולים כאלה על ידי אופטימיזציה לאורך כל האופק.

בקרת בקרת תנועה

אחת האפליקציות הבולטות ביותר היא בקרת אותות הסתגלות בצומת מבודד ובמסדרונות מתואמת. מערכות מוקדמות כמו SCOOT ו-SCATS משתמשים בחיזוי פשוט ואופטימיזציה, אבל גישות מבוססות MPIP יכולות להתמודד עם רשתות מורכבות יותר עם מטרות מרובות מתחרים. מודל טיפוסי מקצה משתנה בינארי לכל שלב בכל תקופה, בתוספת משתנים רצופים לפיצול ירוק, וכולל מגבלות של שלבים על פני מטרות מרובות כדי להבטיח כי שינויים קבועים של מחזורים, במיוחד, כולל תוכניות בקרה של 10 פעמים קבועות.

תזמון מהיר ותיקון תנועה

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.

תחבורה ציבורית שוללת ותפעול

מערכות תחבורה ציבורית ליהנות מאופטימיזציה רב-מנועית.אוטובוס ולוח הזמנים של הרכבת חייבים לאזן את תדירות השירות עם ניצול צי תוך שמירה על טבלאות זמן. MPIP מודלים יכולים לקבוע זמני יציאה אופטימליים ואורך מנוחה כדי למזער את זמני ההמתנה של הנוסעים ואת עלויות התפעול. לדוגמה, מודל עשוי להחליט אם להחזיק אוטובוס בתחנת הפעלה כדי להתחבר עם רכבת מאוחרת, במשקל עיכוב עבור נוסעים נגד היתרונות עבור העברה של נוסעים מוקדם של מספר מנועי הפעלה כגון החלטות מהירות או ירידה של כלי רכב מיוחדים.

רכב חירום

עבור כלי רכב תגובה חירום (אמבולנסים, משאיות אש), כל שנייה ספירות MPIP יכול לבצע אסטרטגיות טרום-התאמה אופטימליות כי לנקות דרך הרשת על ידי התאמת אותות מראש.מודל חשבונות עבור מסלול הצפוי של רכב חירום, תנאי התנועה הנוכחיים, ואת הצורך למזער את ההפרעה לתנועה רגילה. על ידי פתרון MPIP על פני אופק קצר (למשל, 10 דקות הבאות), אשר יכול להוכיח את התגובה הרגילה של 20 פעמים לאחר מכן, כדי לשחזר את הסימולציות, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, כדי לשחזר את הפחתת פעילות גופנית סדירה.

שיקולים ושיטות פתרון

בעיות MPIP הן NP-Hard בכלל, כלומר, זמני פתרון מדויקים יכולים לגדול באופן אקספוננציאלי עם גודל בעיות.מודל טיפוסי של עיר בקנה מידה עם מאות צפנים ואלפי תקופות זמן מניב MILP עם מיליוני משתנים ומגבלות.לפתור באופן ישיר בעיה עם שיטות סניף-וקודד הוא לעתים קרובות בלתי סביר בזמן אמת.

המונחים:

רגיעה Lagraian היא טכניקה פופולרית כי מפענח את המגבלות ההפיכה הקשה (למשל, אלה המקשרות מדינות לאורך תקופות זמן) על ידי הצגת מכפילים Lagrange.הסובפולטים וכתוצאה מכך הופכים לקלים יותר לפתור - לעתים קרובות בעיות צומת בודדות או בעיות חד-קורטרטיביות. בעיה אדמיניסטרטיבית ליד אופטימיזציה subacter.

איראנים ומטיסטרים

כאשר שיטות מדויקות איטיות מדי, היוריסטיות מספקות חלופות מעשיות.אלגוריתמים גנטיים, סימולציה של אנמנלינג, ואופטימיזציה של חלקיקים נחילה אופטימיזציה של אותות תנועה, אם כי הם חסרים ערבויות אופטימליות. לאחרונה, מתמטיקה - היפוקרינים המשלבים שיטות מדויקות עם מטאהיריסטים - הראו הבטחה. לדוגמה, הוא עשוי לייצר פתרון טוב integer מהיר, אשר לאחר מכן באמצעות אלגוריתמים קטנים, במיוחד עבור פתרונות MPIP.

פתרונות מסחריים ו- Parallel Computing

ההתקדמות באופטימיזציה מסחרית פותרים כמו גורבי ו-CPLEX הגבירו באופן דרמטי את הגודל המתפתל של בעיות MPIP. Both Solrs לתמוך מקבילה-and-bound, היירויים וטכניקות presolve אשר להפחית את ממדים בעייתיים. עבור מקרים בקנה מידה גדול, מסגרות מחשוב מבוזרות (למשל, באמצעות ליבות מרובות או אשכולות ענן) יכול לפתור מקבילות, השגת מהירות נוספת של פתרונות ראשוניים טובים יותר.

מחקרים ויישומים אמיתיים

מספר ערים ופרויקטים מחקר הוכיחו את יכולת ניהול התנועה המבוססת על MPIP בלוס אנג'לס, העיר לוס אנג'לס המחלקה של התחבורה (LADOT) מיושמת מערכת בקרת אותות הסתגלות המשתמשת במודל רב-פעמי של MILP עבור מסדרון אמנותי מרכזי.המערכת הפחיתה את זמני הנסיעה הממוצעים ב-12% בשעות השיא והפחתת צריכת הדלק על ידי 8%.

באירופה, פרויקט (Cooperative Systems for Green Mobility) השתמש ב- MPIP כדי לתאם אותות תנועה והדרכה עבור כלי רכב מחוברים.ניסויים בשטח בברצלונה הראו ירידה של 15% בעצירים והפחתה של 10% בפליטות.המודל כלל משתנים בינאריים לתקשורת בין כלי רכב ל- infrastructure, המאפשרת למערכת לבקש עדיפות על בסיס עמדות בזמן אמת.

מחקר באוניברסיטת מלבורן השתמש במודל תכנות רב-פעמי של תזמון אותות ועדיפות מעבר ברשת 50-intersection. התוצאות שלהם הצביעו כי הגישה MPIP מפורמת הן קבועות זמן והן משמש שליטה, במיוחד תחת תרחישים ביקוש גבוה עם עומסים מושרה אירוע.

מחקרים אלה מדגישים כי בעוד שמודלים MPIP דורשים משאבים חישוביים משמעותיים ונתונים מדויקים, היתרונות התפעוליים - עיכובים, פליטות נמוכות יותר, ושיפור בטיחות - לעתים קרובות להצדיק את ההשקעה.כפי שטכנולוגיית החיישן הופכת להיות זולה יותר וחושבת כוח להמשיך לגדול, אימוץ של מערכות מבוססות MPIP צפוי להאיץ.

יתרונות ואתגרים

יתרונות

  • (FLT:0)Congestion Reduction: FLT:1אנדרה על ידי אופטימיזציה של מספר תקופות זמן, מודלים MPIP יכולים חלקה זרימת התנועה ולמנוע היווצרות של תורים ארוכים. מחקרים מדווחים על הפחתת זמן הנסיעה הממוצעת של 10-20% בהשוואה לשיטות קונבנציונליות.
  • (FLT:0) קבלות סביבתיות: תנועה של Smoother 1 (חלק) מפחיתה את נהיגה ו-go-go, אשר מורידה את צריכת הדלק ואת פליטות של CO2, NOx, ו- חלקיות.הסוכנות להגנת הסביבה בארה"ב מעריכה כי עומסי מזהמים עירוניים עבור 27 מיליארד ליטרים של דלק מבוזבז מדי שנה; אסטרטגיות מבוססות MPIP יכולות להפחית משמעותית את הפסולת.
  • (FLT:0) שיפור הבטיחות: FLT:1 Reduction פתאומי האצה ואירועי ההאטה מפחיתה את הסיכוי להתנגשות אחורית וצדדים.בנוסף, זרימת התנועה טובה יותר מפחיתה את מספר המכוניות שהו תורו על נתיבים מרכזיים, מה שמפחית את הסיכון לתאונות משניות.
  • (FLT:0) חיסכון: 1.FLT (עבור סוכנויות תחבורה, מודלים MPIP מאפשרים שימוש יעיל יותר בתשתיות קיימות ללא כביש יקר הרחבה.עבור משתמשים בכביש, זמני נסיעה מופחתים מתורגם לרווחי הפרודוקטיביות הכלכלית.

אתגרים

  • (FLT:0) מורכבות חישובית: FLT:1 כפי שצוין, פתרון MPIPs גדולים לאופטימליות נשאר קשה.יישומים בזמן אמת דורשים לעתים קרובות היסטרים מהירים או אשכולות מחשוב מקבילים חזקים, אשר עשויים להיות בעלי ערך עבור סוכנויות קטנות יותר.
  • דרישות:0 (דרישות נתונים: ⁇ FLT:1 מודלים MPIP לדרוש נתונים מדויקים, ברזולוציה גבוהה על זרמי תנועה, תנועות מפנה, וזמני נסיעה.איכות נתונים ירודה מובילה לפתרונות תת-אופטימיים או בלתי-רגישים.
  • (FLT:0)Model Calibration and אימות:מודלים של תעבורה 1 (למשל, שערי זרימת אש, דחיינות ריבה, התנהגות הנהג) קלברטינג אלה עבור רשת גדולה הוא זמן רב-consuming ודורש ידע מומחה.
  • (FLT:0) אינטגרציה עם Legacy Systems:FearLT:1 , ערים רבות יש מערכות בקרה קיימות של התנועה עם פרוטוקולים תקשורת קנייניים. integrating a MPIP מבוסס אופטימיזציה עם בקרים מורשת לעתים קרובות דורש ממשקים מותאמים אישית ועשויים להתמודד עם התנגדות פוליטית או ארגונית.

כיוונים עתידיים

העתיד של תכנות רב-מנועי בניהול תנועה עירונית נמצא באינטגרציה הדוקה יותר עם טכנולוגיות מתפתחות.התפוצה של כלי רכב מחוברים (V2I ו- V2V תקשורת) יספק שפע של נתונים בזמן אמת שיכולים להאכיל ישירות למודלים MPIP. ניתן להשתמש בנתונים של מסלול רכב מסלול אוטומטי כדי להעריך אורך תורים וזמני נסיעה עם דיוק חסר תקדים, המאפשר מודלים להסתגל בזמן תת-שני, כמו גם דינמיקה, יכול להיות מועברים לאוטומטיים, או לאוטומטיים.

Reinforcement למידה (RL) מציעה גישה משלימה: בעוד MPIP מספק פתרונות מדויקים עבור ניסוח ⁇ סטי או סטיגמי מסוים, RL יכול ללמוד מדיניות שליטה מאינטראקציה עם הסביבה.שיטות היברידיות המשלבות MPIP לתכנון אסטרטגי (למשל, תוכניות תזמון אות עבור השעה הבאה) עם RL עבור התאמות טקטיות (למשל, זמניים ירוקים בסדר, כל כמה שניות) הם שטח פעיל של פעילות MPIP כדי להתמודד עם יכולת ניהולית של פעילות גופנית פורמלית של פעילות גופנית.

תאומים דיגיטליים - העתקים וירטואליים של רשתות תנועה פיזיות - הם גם צוברים טינה. תאום דיגיטלי יכול לדמות את התוצאה של החלטות MPIP-דרדרטיביות לפני שהם פרוסים, צמצום הסיכון של תוצאות בלתי צפויות.

לבסוף, מטרות קיימות מניעות את הכללה של מסגרות מרובות-אובייקטיביות במודלים MPIP. במקום למזער זמן נסיעה בלבד, מודלים עתידיים יניעו במפורש צריכת אנרגיה, זיהום רעש, בטיחות הולכי רגל ושוויון בשכונות שונות. Multi-period integer תכנות מספק את הקפדה המתמטית כדי להתמודד עם מטרות סותרות אלה באמצעות סכומי משקל, תכנות מטרות, או פלרו אל עבר הדור.

לסיכום, תכנות רב-מנועי מייצג התפתחות רבת עוצמה בניהול התנועה העירונית.על ידי מודל מפורש של הדינמיקה של זרימת התנועה ויישום מגבלות אינסטלגר שמשקפות אפשרויות דיסקרטיות בעולם האמיתי, מודלים MPIP מאפשרים אסטרטגיות מתקדמות, מתואמות, אופטימליות שליטה, בעוד אתגרים חישוביים ונתונים נשארים, התקדמות מתמשכת באלגוריתמים, וטכנולוגיית החיישן הם בהתמדה עושה מודלים מעשיים אלה עבור פריסה נרחבת, כדי לשפר את יכולות MPIP, לא רק כדי לשפר את מטרות אבטחה, ובכך להפוך את יציבות, ולא לפתח מטרות אבטחה, הוא פשוט לפתח פתרונות אבטחה.