I sistemi di controllo del segnale del traffico adattativo costituiscono la colonna portante della moderna gestione del traffico urbano. A differenza dei segnali a tempo determinato che operano su programmi predeterminati, i sistemi adattativi regolano continuamente i tempi di segnale basati su dati in tempo reale da rivelatori di veicoli, telecamere e altri sensori. L'obiettivo è quello di ridurre la congestione, migliorare la sicurezza e ridurre l'impatto ambientale. Tuttavia, la progettazione di tali sistemi comporta una sfida più lunga: obiettivi di conflitto multipli devono essere soddisfatti contemporaneamente.

Comprendere l'ottimizzazione multi-obiettivo

L'ottimizzazione multi-oggettiva (MOO) si occupa di problemi che hanno due o più funzioni oggettive da ottimizzare contemporaneamente. Nel mondo reale, questi obiettivi sono incommensurabili e spesso contraddittorie. Ad esempio, nel controllo del traffico è impossibile ridurre simultaneamente sia il ritardo medio che le emissioni totali utilizzando un piano di temporizzazione del segnale singolo perché le misure che riducono il ritardo (ad esempio, lunghezze di ciclo più brevi) tendono ad aumentare il comportamento stop-and-go, e le emissioni.

Matematicamente, un problema di ottimizzazione multi-oggettiva può essere dichiarato come:

Minimizza (o massimizza) F(x) = [f1(x), f2(x), ..., fm(x)]
]][soggetto a x |X, dove X è possibile la decisione

Invece di una soluzione ottimale, MOO produce una serie di soluzioni note come soluzioni [Pareto ottimale[] o non-dominated]. Una soluzione è Pareto ottimale se nessun obiettivo può essere migliorato senza peggiorare almeno un altro obiettivo. La raccolta di tutte queste soluzioni forma il fronte Pareto, che fornisce ai decisori un quadro di un altro obiettivo.

I metodi classici come l'approccio sommario ponderato convertono obiettivi multipli in un unico obiettivo assegnando pesi, ma possono trovare solo un sottoinsieme limitato del fronte Pareto. I metodi più avanzati, in particolare gli algoritmi evolutivi, sono progettati per scoprire l'intero fronte in un unico run, rendendoli ideali per problemi complessi del mondo reale come il controllo del segnale del traffico.

Obiettivi nel controllo dei segnali stradali adattivo

La progettazione di un sistema di segnale adattativo inizia con la definizione degli obiettivi.

  • Ritardo del veicolo di minima importanza[[] – i veicoli a tempo medio passano in attesa alle intersezioni.
  • Numero minimo di fermate[] – ridurre il traffico stop-and-go aumenta il comfort e riduce l'usura sui veicoli.
  • Massima produttività[] – il numero di veicoli che passano attraverso un incrocio per tempo unitario.
  • Ridurre il consumo e le emissioni di carburante[[] – in particolare CO[]2[[]], NO]]]x], e particolato materia.
  • Migliorare la sicurezza pedonale[[]] – garantire tempi di attraversamento adeguati e ridurre i conflitti.
  • Presenta del transito] – dando un trattamento preferenziale agli autobus e ai tram.
  • Preemption veicolo di emergenza[] – percorsi di compensazione per camion di fuoco, ambulanze e polizia.

Ogni obiettivo può essere espresso come funzione dei parametri di tempistica del segnale — lunghezza del ciclo, scissioni di fase, offset tra intersezioni e sequenza di fase.Per un corridoio o una rete, le variabili di decisione possono numerare nelle centinaia, creando uno spazio di ricerca ad alta dimensione.

Commercio-Offs tra gli obiettivi

Una tensione comune esiste tra riduzione dei ritardi e riduzione delle emissioni. Le lunghezze del ciclo più lunghe tendono a ridurre il numero di fasi rosse un incontro di plotone, riducendo così le fermate e le emissioni, ma aumentano il tempo di attesa per i veicoli che arrivano appena dopo l'inizio di un segnale rosso. Allo stesso modo, fornendo più lunghi tempi di attraversamento pedonale aumenta la sicurezza, ma riduce la capacità di traffico veicolare.

Algoritmi multi-oggettivi evolutivi per il controllo del segnale stradale

Diversi algoritmi evolutivi sono stati applicati con successo all'ottimizzazione del segnale del traffico, sono adatti perché possono gestire funzioni oggetti non lineari, multimodali e vincolati senza richiedere informazioni di gradiente.

Non Dominato Ordinazione Algoritmo Genetico II (NSGA-II)

NSGA-II, introdotta da Deb et al. nel 2002, è uno degli algoritmi più utilizzati.

  • Veloce smistamento non dominato per classificare soluzioni secondo il dominio di Pareto.
  • Distanza di folla per mantenere la diversità lungo il fronte Pareto.
  • Elitismo per preservare le migliori soluzioni tra le generazioni.

Nel controllo del segnale di traffico, NSGA-II può generare una serie di piani di tempistica del segnale che rappresentano diversi trade-off tra, diciamo, ritardo e emissioni. La sua natura basata sulla popolazione permette agli ingegneri di valutare simultaneamente molte alternative. Per una descrizione dettagliata, vedere la carta originale: A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II.

Algoritmo evolutivo multi-obiettivo basato sulla decomposizione (MOEA/D)

MOEA/D decompone un problema multi-oggettivo in una serie di sottoproblemi mono-oggettivi utilizzando vettori di peso. Si è dimostrato di lavorare bene su problemi di alta dimensione e può essere più efficiente rispetto agli approcci basati sulla dominazione. Per le reti di traffico con molti intersezioni, la strategia di decomposizione MOEA/D aiuta a scagliare le operazioni di ottimizzazione su larga scala.

Ottimizzazione multi-obiettiva delle particelle (MOPSO)

L'ottimizzazione di parziali swarm utilizza una popolazione di particelle che si muovono attraverso lo spazio di ricerca basato su posizioni personali e globali. Nella sua variante multi-oggettiva, un archivio esterno memorizza soluzioni non dominate. MOPSO spesso converge rapidamente ed è efficace per ambienti dinamici, che lo rende attraente per il controllo adattativo in tempo reale dove le condizioni di traffico cambiano minuto per minuto.

Confronto e Suitability

Mentre NSGA-II è robusto e ampiamente comparato, MOEA/D può essere più efficiente per i problemi con obiettivi ben separabili. MOPSO è particolarmente attraente quando la velocità computazionale è critica. Molti moderni sistemi di adattamento combinano più algoritmi o utilizzano un approccio ibrido. La scelta dipende dagli obiettivi specifici, dalle dimensioni della rete e dalle risorse computazionali disponibili presso il centro di gestione del traffico.

Processo di progettazione e attuazione per un sistema adattivo utilizzando MOO

Il flusso di lavoro per la distribuzione di un sistema di controllo del segnale adattivo multi-oggettivo segue diverse fasi, ognuna con sfide tecniche distinte.

1. Raccolta e modellazione dei dati

I rilevatori di loop induttivi, i sensori radar, le telecamere e i rilevatori Bluetooth/Wi-Fi forniscono misure di volume di traffico, velocità, occupazione e tempi di viaggio. Nelle implementazioni moderne, i dati relativi ai veicoli connessi (ad esempio, dai veicoli attrezzati con GPS) offrono dati traiettoria ad alta risoluzione che possono essere utilizzati per calibrare modelli di simulazione microscopica.

Strumenti di microsimulation come SUMO (Simulation of Urban MObility), VISSIM o Aimsun sono utilizzati per creare gemelle digitali della rete di traffico. Questi modelli simulano i movimenti del veicolo con lane-change, car-following e il comportamento di intersezione.

Un passo importante è la definizione dell'orizzonte di ottimizzazione, quanto lontano nel futuro dovrebbe essere ottimizzato il piano del segnale?Per il controllo adattativo in tempo reale, è tipico un orizzonte di 5-15 minuti.

2. Definizione e vincoli della funzione dell'obiettivo

Ogni obiettivo deve essere formulato come funzione computabile. Ad esempio, il ritardo totale può essere calcolato come somma su tutti i veicoli della differenza tra il tempo libero di viaggio e il tempo di viaggio effettivo. Le emissioni possono essere stimate utilizzando modelli di emissione modale come PHEM (Passenger Car e Heavy-Duty Emission Model) o MOVES (Motor Vehicle Emission Simulator secondi).

3. Ottimizzazione multi-obiettivo

Il motore di ottimizzazione, che esegue NSGA-II, MOEA/D, o un altro algoritmo, genera un insieme di piani di tempistica ottimali di Pareto. Per un unico intersezione, le variabili decisionali possono essere suddivise in fase; per un corridoio coordinato, includono offset e lunghezze del ciclo. L'algoritmo viene eseguito offline utilizzando modelli di traffico storico e quindi il fronte Pareto viene memorizzato per la selezione online.

4. Selezione decisione-fare e piano

Con il fronte Pareto disponibile, il gestore del traffico (o un sistema automatizzato) seleziona un piano che meglio corrisponde alle priorità attuali.

  • Misurazione ponderata: scegliere la soluzione che minimizza una somma ponderata di obiettivi, con pesi che riflettono la politica.
  • Programmazione degli obiettivi: selezionare il piano che si avvicina ai valori di destinazione per ogni obiettivo.
  • Metodi interattivi: l'operatore può esplorare visivamente la superficie di scambio utilizzando uno strumento di supporto decisionale.

Nei sistemi adattivo, la selezione può cambiare dinamicamente in base al tempo di giorno, al giorno della settimana o agli incidenti in tempo reale.

5. Attuazione e feedback

Il piano di temporizzazione selezionato viene implementato dal controller del segnale. I dati delle prestazioni in tempo reale vengono riforniti nel sistema per perfezionare il modello di simulazione e aggiornare il fronte Pareto. Le tecniche di apprendimento automatico possono essere utilizzate per prevedere gli stati del traffico vicino al futuro e attivare la rioptimizzazione prima che le condizioni si esauriscano.

Applicazioni reali e studi di casi

Molte città hanno implementato il controllo del segnale adattativo multi-oggettivo con benefici misurabili.

Sistema ATSAC di Los Angeles

Il sistema di sorveglianza e controllo del traffico automatizzato di Los Angeles (ATSAC) ha oltre 4.000 intersezioni segnalate, e utilizza un algoritmo di controllo adattativo che bilancia il ritardo, il throughput e le emissioni. Uno studio del Dipartimento di Trasporti della città ha riferito le riduzioni del tempo di viaggio del 12-15% e le riduzioni delle emissioni del 10% durante le ore di punta.

L’Onda Verde di Copenhagen con l’Equilibrio Modale

Copenhagen ha ottimizzato i suoi corridoi per bici a onde verdi trattando il ritardo del ciclista come obiettivo separato. Utilizzando l'ottimizzazione multi-oggettiva, il sistema fornisce il coordinamento per i ciclisti mantenendo il ritardo del veicolo entro limiti accettabili. Il risultato è stato un aumento del 20% del ciclo di trasmissione e una riduzione del 15% del tempo di viaggio in bicicletta, senza peggiorare significativamente il traffico automobilistico.

Studio di simulazione su un Corridoio a Hangzhou

I ricercatori hanno applicato NSGA-II ad un corridoio di sei sezioni ad Hangzhou, in Cina, con obiettivi di minimizzazione del ritardo e del consumo di carburante. Il fronte Pareto ha rivelato grandi trade-off: una riduzione del 10% del ritardo potrebbe aumentare il consumo di carburante dell'8%.

Per ulteriori informazioni sull'applicazione dell'ottimizzazione multi-oggettiva evolutiva al controllo del traffico, vedere l'indagine completa: Multi-oggettiva ottimizzazione per il controllo del segnale del traffico: un sondaggio[.

Vantaggi e sfide

Vantaggi dell'utilizzo di ottimizzazione multi-obiettivo

  • Gestione degli acquisti espliciti[[]: Gli ingegneri possono vedere esattamente come migliorare un obiettivo degrada gli altri, consentendo decisioni informate.
  • Flexibility[]: Lo stesso processo di ottimizzazione produce un insieme di piani, e il migliore può essere selezionato in tempo reale in base alle priorità in evoluzione (ad esempio, passare alla minimizzazione delle emissioni durante un allarme di qualità dell'aria).
  • Miglioramento delle prestazioni generali del sistema[[]: Poiché tutti gli obiettivi pertinenti sono considerati, il piano finale evita gli effetti collaterali negativi nascosti che l'ottimizzazione a singolo obiettivo potrebbe causare.
  • Scalability[]: Con gli algoritmi appropriati, l'approccio può essere esteso da singole intersezioni a grandi reti.

Sfide in attuazione

  • Computational complessit[]: Generando un fronte Pareto per una grande rete con molti obiettivi può richiedere migliaia di operazioni di simulazione.
  • Qualità e calibrazione dei dati[[[]]: Il modello di simulazione deve riflettere accuratamente il traffico reale. La scarsa calibrazione porta a piani ottimizzati che sono sottoperformati nel campo. I dati dei sensori di alta qualità e l'aggiornamento continuo del modello sono essenziali.
  • Condizioni di traffico dinamica[[[]: Il fronte Pareto generato dai dati storici può diventare suboptimale quando i modelli di traffico cambiano improvvisamente (ad esempio, a causa di un incidente).
  • Accogliere lo spettatore[[]: I gestori del traffico abituati ai metodi di un singolo obiettivo potrebbero avere bisogno di formazione per fidarsi e utilizzare strumenti di supporto decisionale multi-oggettivi. Inoltre, diversi stakeholder (ad esempio, le autorità di transito contro le agenzie ambientali) potrebbero non essere d'accordo su quale piano di distribuzione, che richiedono un quadro di governance.

Le direzioni future

L'ottimizzazione multi-oggettiva per il controllo del segnale del traffico adattativo è un campo in rapida evoluzione.

Integrazione con l'apprendimento automatico

Gli agenti di deep boost learning (DRL) possono imparare a controllare i segnali del traffico direttamente dai dati. La ricerca recente ha esteso DRL alle impostazioni multi-oggettive utilizzando una funzione di scalarizzazione o formando agenti multipli, ottimizzando ogni obiettivo diverso. La sfida è quella di mantenere l'esplorazione dei trade-off garantendo stabilità in un ambiente non-stazione.

Comunicazione veicolo-infrastruttura (V2I)

I veicoli collegati e automatizzati possono fornire dati precisi di traiettoria, consentendo calcoli più accurati delle emissioni e controllo predittivo. L'ottimizzazione multi-oggettiva a livello di intersezione può incorporare richieste individuali di veicoli (ad esempio, un bus che chiede priorità) come vincoli o obiettivi.

Resilienza e ottimizzazione multi-modulazione

I sistemi futuri dovranno gestire contemporaneamente le interruzioni (tempi estremi, eventi speciali) e ottimizzare le modalità multiple (auto, bici, pedoni, scooter) e le formulazioni multi-oggettive si estendono naturalmente per includere obiettivi quali massimizzare il throughput della mobilità condivisa o ridurre al minimo la disuguaglianza nei tempi di attesa in diversi gruppi di utenti.

Ottimizzazione online tramite Metaheuristics

Con progressi nel calcolo parallelo e nella lavorazione dei bordi, è ora possibile eseguire metaheuristica leggera (ad esempio MOPSO) a livello del controller ogni pochi minuti, consentendo al sistema di adattarsi alle fluttuazioni in tempo reale senza contare su un fronte Pareto precomputato.

Conclusioni

L'ottimizzazione multi-oggettiva fornisce un quadro di principio e potente per la progettazione di sistemi di controllo del segnale di traffico adattativo che bilanciano le esigenze concorrenti di efficienza, sicurezza e impatto ambientale. Generando una serie di soluzioni ottimali di Pareto, gli ingegneri del traffico possono esplorare visivamente gli sconti e selezionare i piani che si allineano con obiettivi di simulazione in qualsiasi momento.