Adaptieve verkeerssignaalbesturingssystemen vormen de ruggengraat van modern stadsverkeersbeheer. In tegenstelling tot vaste-tijdsignalen die werken op vooraf bepaalde schema's, passen adaptieve systemen voortdurend signaaltijden aan op basis van real-time gegevens van voertuigdetectoren, camera's en andere sensoren. Het doel is om congestie te verminderen, de veiligheid te verbeteren en de milieu-impact te minimaliseren. Echter, het ontwerp van dergelijke systemen houdt een fundamentele uitdaging in: meerdere, vaak tegenstrijdige doelstellingen moeten tegelijkertijd worden voldaan. Minimalisering van voertuigvertraging, bijvoorbeeld, kan het brandstofverbruik verhogen als agressieve acceleratiepatronen worden geïnduceerd. Het verminderen van emissies kan langere cycluslengtes vereisen, wat op zijn beurt de voetgangerswachttijden verhoogt. Het compenseren van deze concurrerende eisen vraagt om een rigoureuze wiskundige kaders optimalisatie.

Begrip multi-doelstellingoptimalisatie

Multi-objectieve optimalisatie (MOO) behandelt problemen die twee of meer objectieve functies hebben die tegelijkertijd geoptimaliseerd moeten worden. In de echte wereld zijn deze doelstellingen niet te combineren en vaak tegenstrijdig. Bijvoorbeeld, in de verkeersbesturing is het onmogelijk om gelijktijdig de gemiddelde vertraging en totale emissies te minimaliseren met behulp van een enkel signaal timing plan omdat maatregelen die vertraging verminderen (bijvoorbeeld kortere cycluslengtes) de neiging hebben om stop-and-go gedrag te verhogen, verhogen emissies.

Wiskundig kan een multi-objectieve optimalisatie probleem worden gesteld als:

Minimize (or maximale) F(x) = [f1(x), f2(x), ..., fm(x)][
onder voorbehoud van x

In plaats van één optimale oplossing produceert MOO een reeks oplossingen die bekend staan als Pareto optimal of non-dominated oplossingen. Een oplossing is Pareto optimaal als geen doel kan worden verbeterd zonder verslechtering van ten minste één ander doel. De verzameling van al deze oplossingen vormt het Pareto front, dat besluitvormers een duidelijk beeld geeft van de betrokken afwegingen.

Klassieke methoden zoals de gewogen sombenadering zetten meerdere doelstellingen om in één doel door gewichten toe te wijzen, maar ze kunnen alleen een beperkte deelgroep van het Pareto front vinden. Meer geavanceerde methoden . evolutionaire algoritmen in het bijzonder . zijn ontworpen om het hele front te ontdekken in een enkele run, waardoor ze ideaal voor complexe real-world problemen zoals verkeerssignaal controle.

Doelstellingen in Adaptive Traffic Signal Control

Het ontwerpen van een adaptief signaalsysteem begint met het definiëren van de doelstellingen.

  • Het minimaliseren van de vertraging . . de gemiddelde tijd die voertuigen doorbrengen wachten op kruispunten.
  • Het minimaliseren van het aantal stops . . Het verminderen van stop-and-go verkeer verhoogt het comfort en vermindert slijtage op voertuigen.
  • Maximaal verwerkingscapaciteit . . het aantal voertuigen dat door een kruispunt per tijdseenheid rijdt.
  • Het verminderen van brandstofverbruik en emissies
  • Verbeteren van de voetgangersveiligheid ..zorgen voor adequate overstaptijden en het verminderen van conflicten.
  • Transitprioriteit
  • Preëer voor noodvoertuigen ..Openen van wegen voor brandweerwagens, ambulances en politie.

Elk doel kan worden uitgedrukt als een functie van de signaal timing parameters . cyclus lengte, fase splitst, offset tussen kruispunten en fase sequentie. Voor een corridor of netwerk, de beslissing variabelen kunnen tellen in de honderden, waardoor een high-dimensionale zoekruimte.

Afspraken tussen doelstellingen

Er bestaat een gemeenschappelijke spanning tussen vertragingsminimalisatie en emissiereductie. Langere cycluslengtes hebben de neiging om het aantal rode fasen te verminderen een peloton tegenkomt, waardoor het verlagen van stops en emissies, maar verhogen de wachttijd voor voertuigen die net na het begin van een rood signaal. Evenzo, het verstrekken van langere voetgangersdoorlaattijden verhoogt de veiligheid, maar vermindert de capaciteit voor het verkeer van voertuigen. Multi-objectieve optimalisatie maakt deze trade-offs expliciet, waardoor verkeer ingenieurs een timingplan dat aansluit bij beleidsprioriteiten kiezen, bijvoorbeeld, een stad kan prioriteit emissievermindering tijdens smog waarschuwingen of voetgangersveiligheid in de buurt van scholen.

Evolutionaire multi-doelstellingalgoritmen voor verkeerssignaalbesturing

Verschillende evolutionaire algoritmen zijn succesvol toegepast op verkeerssignaal optimalisatie. Ze zijn goed geschikt omdat ze kunnen omgaan met niet-lineaire, multimodale en beperkte objectieve functies zonder dat gradiëntinformatie vereist is.

Niet-gedomineerde genensorteringsalgoritme II (NSGA-II)

NSGA-II, geïntroduceerd door Deb et al. in 2002, is een van de meest gebruikte algoritmen. Het bevat:

  • Snelle niet-gedomineerde sorteer naar oplossingen volgens Pareto dominantie.
  • Crowding afstand om diversiteit te behouden langs het Pareto front.
  • Elitisme om de beste oplossingen te behouden over generaties heen.

In verkeerssignaalbesturing kan NSGA-II een reeks signaal timing plannen genereren die verschillende afwegingen tussen bijvoorbeeld vertraging en emissies vertegenwoordigen. De populatie-gebaseerde natuur stelt ingenieurs in staat om vele alternatieven gelijktijdig te evalueren. Zie voor een gedetailleerde beschrijving het originele document: Een snelle en Elitist Multiobjective Genetic Algorithm: NSGA-II.

Multi-doelstelling Evolutionaire algoritme gebaseerd op decompositie (MOEA/D)

MOEA/D ontbindt een multi-objectief probleem in een aantal een-objectieve subproblemen met behulp van gewichtsvectoren. Het is aangetoond dat het goed werkt op high-dimensionale problemen en kan efficiënter dan dominantie gebaseerde benaderingen. Voor verkeersnetwerken met vele kruispunten, MOEA/D.D.s ontmanteling strategie helpt bij het schalen van grootschalige optimalisatie taken.

Multi-doelstelling deeltjeszwamoptimalisatie (MOPSO)

Deeltjeszwermoptimalisatie maakt gebruik van een populatie deeltjes die zich door de zoekruimte bewegen op basis van persoonlijke en wereldwijde beste posities. In zijn multi-objectieve variant slaat een extern archief niet-gedomineerde oplossingen op. MOPSO komt vaak snel samen en is effectief voor dynamische omgevingen, waardoor het aantrekkelijk is voor real-time adaptieve controle waarbij de verkeersomstandigheden minuut voor minuut veranderen.

Vergelijking en geschiktheid

Hoewel NSGA-II robuust is en breed gebenchmarkt, kan MOEA/D efficiënter zijn voor problemen met goed scheidbare doelstellingen. MOPSO is bijzonder aantrekkelijk wanneer de computersnelheid kritiek is. Veel moderne adaptieve systemen combineren meerdere algoritmen of gebruiken een hybride aanpak. De keuze is afhankelijk van de specifieke doelstellingen, de grootte van het netwerk en de computationele middelen die beschikbaar zijn in het verkeersmanagementcentrum.

Ontwerp en implementatieproces voor een adaptief systeem dat MOO gebruikt

De workflow voor het implementeren van een multi-objectief adaptief signaalbesturingssysteem volgt verschillende fasen, elk met verschillende technische uitdagingen.

1. Gegevensverzameling en modellering

Nauwkeurige verkeersgegevens zijn de basis. Inductieve lusdetectoren, radarsensoren, camera's en Bluetooth/Wi-Fi-detectoren bieden metingen van het verkeersvolume, de snelheid, de bezetting en de reistijden. Bij moderne implementaties bieden aangesloten voertuiggegevens (bijvoorbeeld van GPS-gecompileerde voertuigen) hoge-resolutie baangegevens die kunnen worden gebruikt om microscopische simulatiemodellen te kalibreren.

Microsimulatietools zoals SUMO (Simulation of Urban Mobility), VISSIM of Aimsun worden gebruikt om digitale tweelingen van het verkeersnetwerk te creëren. Deze modellen simuleren voertuigbewegingen met rijstrookwisselend, auto-volgend en kruisinggedrag. De doelstellingen (vertraging, emissies, enz.) worden berekend vanuit de simulatie-output.

Een belangrijke stap is het definiëren van de optimalisatiehorizon .Hoe ver in de toekomst moet het signaalplan worden geoptimaliseerd? Voor real-time adaptieve controle, een rolhorizon van 5 . 15 minuten is typisch. Langere horizons verhogen de rekenlast, maar kunnen leiden tot betere plannen onder stabiel verkeer.

2. Objectieve functiedefinitie en beperkingen

Elke doelstelling moet worden geformuleerd als een computeerbare functie. Bijvoorbeeld, totale vertraging kan worden berekend als de som over alle voertuigen van het verschil tussen vrije-stroom reistijd en werkelijke reistijd. Emissies kunnen worden geschat met behulp van modale emissie modellen zoals PHEM (Passenger Car en Heavy-Duty Emissie Model) of MOVES (Motor Vehicle Emission Simulator). Restricties zorgen voor haalbaarheid: minimale groene tijden (bijv. 15 seconden), maximale cycluslengtes (bijv., 120 seconden) en voetgangersdoorlaatvereisten.

3. Multi-doelstellingoptimalisatie

De optimalisatiemotor, die NSGA-II, MOEA/D, of een ander algoritme draait, genereert een set van Pareto optimale timing plannen. Voor één kruispunt, kunnen de beslissingsvariabelen fasesplitsen zijn; voor een gecoördineerde gang, ze omvatten offsets en cycluslengtes. Het algoritme wordt offline uitgevoerd met historische verkeerspatronen en dan wordt het Pareto front opgeslagen voor online selectie. Als alternatief, real-time optimalisatie kan worden uitgevoerd met behulp van lichtgewicht algoritmen als computationele middelen het toelaten.

4. Besluitvorming en planselectie

Met de Pareto-front beschikbaar, de verkeersleider (of een geautomatiseerd systeem) selecteert een plan dat het beste overeenkomt met de huidige prioriteiten. Dit kan worden gedaan door:

  • Gewogen metriek: de oplossing kiezen die een gewogen som van doelstellingen minimaliseert, met gewichten die het beleid weerspiegelen.
  • Doelstellingsprogrammering: het plan selecteren dat het dichtst bij de streefwaarden komt voor elke doelstelling.
  • Interactieve methoden: de exploitant kan het afhandeloppervlak visueel verkennen met behulp van een beslissingsondersteuningsinstrument.

In adaptieve systemen kan de selectie dynamisch veranderen op basis van tijd van dag, dag van week of real-time incidenten.

5. Implementatie en feedback

Het geselecteerde timingplan wordt geïmplementeerd door de signaalcontroller. Real-time prestatiegegevens worden teruggevoerd in het systeem om het simulatiemodel te verfijnen en het Pareto front bij te werken. Machine learning technieken kunnen worden gebruikt om bijna toekomstige verkeerstoestanden te voorspellen en reoptimalisatie te triggeren voordat de omstandigheden verslechteren.

Toepassingen en casestudies in de praktijk

Verschillende steden hebben multi-objectieve adaptieve signaalcontrole met meetbare voordelen ingezet.

Los Angeles ANDAC System

Het systeem van Los Angeles Automated Traffic Surveillance and Control (ATSAC) heeft meer dan 4.000 signaalpunten. Het gebruikt een adaptive control algoritme dat vertraging, doorvoer en emissies in evenwicht brengt. Een studie van het stadsdepartement van Transport meldde reistijdreducties van 12

Copenhagens Groene Golf met Modal Balance

Kopenhagen optimaliseerde zijn fietsgroene golfcorridors door fietsvertraging als een afzonderlijke doelstelling te behandelen. Met multi-objectieve optimalisatie zorgt het systeem voor coördinatie voor fietsers en houdt het voertuig vertraging binnen aanvaardbare grenzen.Het resultaat was een toename van 20% van de fietsdoorvoer en een vermindering van 15% van de fietsreistijd, zonder dat het autoverkeer aanzienlijk verslechterde.

Simulatiestudie over een corridor in Hangzhou

Onderzoekers pasten NSGA-II toe op een zes-doorsnede gang in Hangzhou, China, met als doel de vertraging en het brandstofverbruik te minimaliseren. Het Pareto front toonde grote verschillen: een vermindering van 10% in vertraging zou het brandstofverbruik met 8% kunnen verhogen. Door een evenwichtige oplossing te kiezen, bereikten ze een vermindering van 7% in beide maatregelen in vergelijking met de bestaande geactiveerde controle. De studie wees erop dat niet-gedomineerde oplossingen vaak beter presteren dan een-doelstelling geoptimaliseerde plannen wanneer meerdere criteria worden overwogen.

Voor meer informatie over de toepassing van evolutionaire multi-objectieve optimalisatie op verkeersbesturing, zie het uitgebreide overzicht: Multi-objectieve optimalisatie voor verkeerssignaalbesturing: een enquête.

Voordelen en uitdagingen

Voordelen van het gebruik van multi-doelstellingoptimalisatie

  • Expliciet trade-off management: Ingenieurs kunnen precies zien hoe het verbeteren van het ene doel anderen degradeert, waardoor geïnformeerde beslissingen mogelijk worden.
  • Flexibiliteit: Dezelfde optimalisatierun levert een reeks plannen op, en de beste kan in real time worden geselecteerd op basis van veranderende prioriteiten (bijvoorbeeld omschakelen naar emissieminimalisatie tijdens een luchtkwaliteitswaarschuwing).
  • Verbeterde algemene systeemprestaties: Omdat alle relevante doelstellingen in aanmerking worden genomen, vermijdt het uiteindelijke plan verborgen negatieve bijwerkingen die een optimalisatie van één doelstelling kan veroorzaken.
  • Schaalbaarheid: Met passende algoritmen kan de benadering worden uitgebreid van enkele snijpunten naar grote netwerken.

Uitdagingen bij de tenuitvoerlegging

  • Computational complexity: Het genereren van een Pareto front voor een groot netwerk met vele doelstellingen kan duizenden simulatieruns vereisen. Real-time implementatie vereist ofwel snellere algoritmes of offline optimalisatie met snelle planophaling.
  • Gegevenskwaliteit en kalibratie: Het simulatiemodel moet het echte verkeer nauwkeurig weerspiegelen. Slechte kalibratie leidt tot geoptimaliseerde plannen die in het veld niet goed presteren. Hoogwaardige sensorgegevens en continue modelupdates zijn essentieel.
  • Dynamische verkeersomstandigheden: Het Pareto-front dat wordt gegenereerd uit historische gegevens kan suboptimal worden wanneer verkeerspatronen plotseling veranderen (bijvoorbeeld door een ongeval). Adaptieve systemen moeten snel en betrouwbaar reoptimalisatie in gang zetten.
  • Toelating van de belanghebbenden: Verkeersbeheerders die gewend zijn aan één-objectieve methoden, kunnen training nodig hebben om multi-objectieve instrumenten voor besluitvorming te vertrouwen en te gebruiken. Daarnaast kunnen verschillende belanghebbenden (bv. transitautoriteiten vs. milieu-instanties) het oneens zijn over welk plan te implementeren, waarvoor een governancekader vereist is.

Toekomstige aanwijzingen

Multi-objectieve optimalisatie voor adaptieve verkeerssignaalregeling is een snel evoluerend veld. Opkomende trends omvatten:

Integratie met machine learning

Diepe versterking leren (DRL) agenten kunnen leren om verkeerssignalen direct vanuit gegevens te controleren. Recent onderzoek heeft DRL uitgebreid tot multi-objectieve instellingen door gebruik te maken van een scalarization functie of door het trainen van meerdere agenten, elk het optimaliseren van een ander doel. De uitdaging is om de exploratie van trade-offs te behouden en tegelijkertijd stabiliteit in een niet-stationaire omgeving te garanderen.

Mededeling over voertuig-infrastructuur (V2I)

Aangesloten en geautomatiseerde voertuigen kunnen nauwkeurige trajectgegevens leveren, waardoor nauwkeuriger emissieberekeningen en voorspellende controle mogelijk zijn. Multi-objectieve optimalisatie op kruispuntniveau kan individuele voertuigverzoeken (bijvoorbeeld een bus die om prioriteit vraagt) als beperkingen of doelstellingen omvatten.

Resilience en multimodaal optimaliseren

Toekomstige systemen moeten storingen (extreme weersomstandigheden, speciale evenementen) en optimaliseren voor meerdere modi (auto's, fietsen, voetgangers, scooters) tegelijkertijd. Multi-objectieve formuleringen van nature uit te breiden tot doelstellingen zoals het maximaliseren van de doorvoer van gedeelde mobiliteit of het minimaliseren van ongelijkheid in wachttijden tussen verschillende gebruikersgroepen.

Online optimalisatie via Metaheuristiek

Met vooruitgang in parallel computing en randverwerking is het nu mogelijk om om de paar minuten lichtgewicht metaheuristiek (bijv. MOPSO) op het controllerniveau te laten draaien. Hierdoor kan het systeem zich aanpassen aan real-time schommelingen zonder te vertrouwen op een vooraf berekende Pareto front.

Conclusie

Multi-objectieve optimalisatie biedt een principieel en krachtig kader voor het ontwerpen van adaptieve verkeerssignaalcontrolesystemen die de concurrerende eisen van efficiëntie, veiligheid en milieu-impact in evenwicht brengen. Door een set van Pareto optimale oplossingen te genereren, kunnen verkeersingenieurs visueel trade-offs verkennen en plannen selecteren die op elk moment aansluiten bij beleidsdoelstellingen. Real-world implementaties in steden zoals Los Angeles en Kopenhagen tonen tastbare voordelen in vertragingsreductie, emissieverlagingen en modale balans. Terwijl computationele en data-uitdagingen blijven bestaan, zijn vooruitgang in algoritmen, simulatietrouw en verbonden voertuigtechnologie snel multi-objetical adaptive control een standaard instrument voor slimme stedelijke mobiliteit. De weg voorwaarts ligt in het integreren van deze methoden met machine learning, real-time datastreams en multimodale overwegingen om echt responsieve en duurzame verkeersmanagementsystemen te creëren.