Внедрение модели прогнозирования в оптимизацию дорожных сигналов в режиме реального времени

Понимание модели прогнозирования управления городским трафиком

Городские пробки на дорогах — это постоянная проблема, которая тратит время, топливо и производительность при одновременном увеличении выбросов. Традиционное управление сигналами движения использует фиксированные планы времени или простую адаптивную логику, основанную на локальных детекторах петли. Эти методы борются за обработку нелинейного, стохастического и взаимосвязанного характера современных сетей трафика. Модель Predictive Control (MPC) предлагает мощную альтернативу, явно используя прогностическую модель динамики трафика для вычисления сигналов, которые оптимизируют производительность на горизонте будущего.

MPC не является новой концепцией — она успешно применяется в управлении химическими процессами, робототехнике и автономном вождении. Его расширение для оптимизации дорожного сигнала является естественной прогрессией, обеспечиваемой достижениями в области зондирования, связи и вычислений в реальном времени. По своей сути, MPC решает ограниченную задачу оптимизации на каждом этапе управления: учитывая текущие измерения состояния трафика, модель предсказывает будущие состояния в соответствии с планами сигнала кандидата, и контроллер выбирает план, который минимизирует цель, такую как общая задержка, длина очереди или количество остановок.

Ключевым преимуществом MPC перед реактивными контроллерами является его проактивная природа. Заглядывая вперед, контроллер может предвидеть перегрузку и корректировать сигналы до наращивания очередей. Эта способность прогнозирования имеет решающее значение в высокодинамичных городских условиях, где модели спроса быстро меняются из-за особых событий, погоды или инцидентов.

Основные компоненты системы MPC трафика

Модель потока трафика

Правильность модели напрямую определяет качество решения MPC. Упрощенные макроскопические модели, такие как модель передачи клеток (CTM), дискретизируют дорожную сеть в ячейки и ориентировочный поток с использованием законов сохранения. Эти модели захватывают ударные волны и обратную связь очередей довольно хорошо, оставаясь вычислительно управляемой. Более подробные мезоскопические или микроскопические модели (например, с использованием правил следования автомобилям и изменения полосы движения) обеспечивают более высокую точность, но требуют значительно большей вычислительной мощности, часто выдвигая оптимизацию за пределы реального времени.

Выбор правильной модели предполагает компромисс между точностью и вычислительной скоростью. Для оптимизации дорожного сигнала в реальном времени распространен гибридный подход: макроскопическая модель для прогнозирования в сочетании с онлайн-оценкой параметров (например, с использованием фильтров Калмана) для адаптации к изменяющимся условиям. Модель также должна включать ограничения дорожного сигнала - зеленые времена, длины цикла, последовательности фаз и минимальные / максимальные продолжительности - в качестве жестких ограничений или сроков штрафа.

Оценка состояния и слияние данных

MPC требует знания в реальном времени текущего состояния трафика: потоков, загруженности, скорости и длины очередей на каждом перекрестке. К сожалению, прямое измерение всех состояний редко доступно. Большинство городов полагаются на детекторы индуктивных контуров, радары или видеокамеры в подмножестве мест. Система должна сплавлять эти наблюдения с историческими данными и основанными на моделях оценками для реконструкции полного состояния. Такие методы, как расширенные фильтры Калмана или , обычно используются для этой цели.

Новые источники данных, такие как GPS-зонды от транспортных средств, сканирующих MAC-адрес Bluetooth / Wi-Fi, и сообщения подключенного транспортного средства (V2X), улучшают охват и точность оценки состояния. Однако они также вводят проблемы: задержка данных, правила конфиденциальности и неравномерные показатели проникновения. Надежная реализация MPC должна изящно обрабатывать отсутствующие, отложенные или шумные данные, часто с использованием буфера прошлых измерений и модели прогнозирования запаса.

Формулирование оптимизации

Проблема оптимизации в МПК трафика обычно представляет собой нелинейную, невыпуклую, смешанную программу. Переменными решения могут быть зеленые времена, смещения, длины цикла или даже последовательности фаз. Целью часто является взвешенная сумма:

Общая задержка (или средняя задержка на транспортное средство)

[[ФЛТ:0]] Длина очереди [[ФЛТ:1]] (с штрафами за пролитие)

Количество остановок (для снижения расхода топлива и выбросов)

Пропускная способность (количество транспортных средств, проходящих через сеть)

Дополнительные ограничения могут включать время пешеходного перехода, аварийное упреждение транспортного средства и координацию с соседними контроллерами сигналов. Для того, чтобы сделать оптимизацию управляемой, исследователи часто используют:

Линеаризация модели транспортного потока (например, с использованием поштучно линейных приближений)

Смешанное целое линейное программирование (MILP) решатели для сетей среднего размера

Эвристические алгоритмы , такие как генетические алгоритмы или смоделированный отжига для больших сетей

Упрощение модели , например, агрегирование пересечений в зоны или использование моделей хранения и переднего хода, которые рассматривают очереди как непрерывные переменные

Осуществимость в реальном времени требует, чтобы решатель возвращал решение в течение нескольких секунд (часто меньше длины сигнального цикла). Поэтому во многих реализациях MPC производственного уровня используется удаляющийся горизонт с коротким горизонтом прогнозирования (например, 2-5 минут) и грубый этап дискретизации (например, 5-10 секундных интервалов).

Архитектура внедрения для MPC в реальном времени

Аппаратные и вычислительные платформы

MPC для сигналов трафика является вычислительно интенсивным. Для сети из 50-100 пересечений оптимизация может включать в себя тысячи переменных. В то время как облачные вычисления предлагают почти неограниченные ресурсы, задержка, введенная сетевыми круговыми поездками (особенно если контроллеры сигналов находятся в поле), может быть неприемлемой. Общая архитектура использует передние вычисления , расположенные в или около шкафа пересечения, каждый из которых обрабатывает небольшой кластер сигналов. Эти краевые узлы периодически общаются с центральным облаком или локальным сервером для координации и агрегации данных.

Высокопроизводительные процессоры, выделенные графические процессоры (для матричных операций в фильтрации Калмана) или даже FPGA используются для решателя. Модель трафика и код оптимизации должны быть написаны на компилируемом языке, таком как C++ или Rust, чтобы соответствовать временным ограничениям. Прототипы на основе Python распространены во время разработки, но они редко бывают достаточно быстрыми для производства циклов в реальном времени.

Коммуникация и задержка

Надежная связь с малым временем ожидания имеет решающее значение.

Приобретение данных датчиком — от полевых устройств до краевого узла (обычно по проводному Ethernet или 5G).

Оценка состояния — обработка на краевом узле (миллисекунды).

Оптимизация — решение задачи MPC (десятки миллисекунд до нескольких секунд).

Передача команд сигнала — обратно в контроллер светофора (миллисекунды).

Общее время цикла не должно превышать длину сигнального цикла (обычно 60-120 секунд). Для строгих приложений (например, приоритет транзита в высокочастотных коридорах шины) цикл должен выполняться каждые 5-10 секунд. Джиттер сети, потеря пакетов и синхронизация через краевые узлы создают дополнительные проблемы. Избыточность и отказоустойчивые режимы (возвращение к предварительно установленному или простому приводу управления) необходимы для безопасности.

Программные рамки и интероперабельность

Программный стек для системы MPC трафика обычно включает в себя:

Слой приема данных — потребляет сигналы в реальном времени от датчиков и внешних источников (данные о происшествиях, погода, графики событий).

Государственный оценщик — запускает фильтр для получения очищенного, полного вектора состояния.

Передовая модель — имитирует эволюцию трафика за горизонтом.

Оптимизатор — вырабатывает оптимальный план сигнала.

Командный интерфейс — отправляет изменения времени на сигнальное оборудование через NTCIP (Национальные транспортные коммуникации для протокола ITS) или собственные API.

Инструменты с открытым исходным кодом, такие как SUMO (Имитация городской мобильности) и MATSim, могут использоваться для калибровки и тестирования автономных моделей. Для реального времени многие агентства используют специализированные платформы, такие как PTV Optima или специально разработанные решения на основе ROS (Robot Operating System) для модульности. Система также должна регистрировать показатели производительности и позволять операторам-людям переопределять или точно настраивать параметры.

Практические проблемы в развертывании MPC

Модельное несоответствие и прочность

Ни одна модель трафика не отражает реальность. Ошибки в параметрах модели (например, скорость потока насыщения, скорость свободного потока, коэффициент поворота) могут ухудшить эффективность управления. Подходы с высоким MPC включают границы неопределенности в оптимизацию, жертвуя некоторой оптимальностью для гарантированного удовлетворения ограничения. Альтернативно, Адаптивный MPC обновляет параметры модели в Интернете с использованием рекурсивной идентификации.

Валидация данных из реального мира имеет решающее значение. Типичный рабочий процесс включает:

Калибровка модели с использованием исторических данных (например, 30 дней подсчета детекторов).

Тестирование MPC в среде моделирования (с использованием SUMO или Vissim).

Проведение полевых пилотных испытаний на небольшой, некритической сети перед масштабированием.

Вычислительная масштабируемость

По мере роста размера сети задача оптимизации становится неразрешимой. Стратегии разложения, такие как распределенный MPC, разделяют сеть на подсети, каждая из которых решается самостоятельно с ограниченным обменом информацией.Другой подход — иерархический MPC, где контроллер высокого уровня оптимизирует макроскопические цели потока (например, желаемые зеленые разломы для коридора) и локальные контроллеры низкого уровня отслеживают эти цели в режиме реального времени.

Даже при разложении решатель должен быть эффективным. Многие реализации используют квадратическое программирование (QP) решатели после линеаризации модели.В то время как невыпуклая задача может иметь много локальных минимумов, уходящая горизонтальность MPC означает, что хорошего (не обязательно глобального) решения часто бывает достаточно, так как горизонт сдвигается и управление повторно оптимизируется на каждом этапе.

Взаимодействие с существующей инфраструктурой

Контроллеры движения в этой области часто имеют десятилетия, с ограниченными возможностями связи и проприетарными интерфейсами. Модернизация их для MPC требует либо замены контроллера (дорогого), либо добавления устройства вторичного края, которое перекрывает временные выходы контроллера. Стандартизация через NTCIP и более новый SAE J2735 для подключенных транспортных средств облегчает интеграцию, но тестирование функциональной совместимости остается бременем.

У агентств также есть требования безопасности: система управления не должна производить тайминг сигналов, которые могут вызвать путаницу или увеличить риск аварии (например, должны быть соблюдены все красные интервалы). Оптимизатор MPC должен явно включать эти ограничения безопасности, а таймер сторожевого пса должен вызвать обратный эффект, если оптимизатор выходит из строя или занимает слишком много времени.

Преимущества, наблюдаемые в реальных развертываниях

Несколько пилотных проектов и развертываний продемонстрировали потенциал MPC для оптимизации дорожных сигналов. В Питтсбурге, Пенсильвания, система Surtrac (адаптивное управление сигналом на основе генетического алгоритма, аналогичного MPC) сократила время в пути на 25% и холостого хода на 40% в коридоре из 50 пересечений.Барселона, Испания, децентрализованный пилот MPC на 20 пересечениях сообщил о 15-20% сокращении средней задержки по сравнению с оптимизированными планами на время дня.

Дополнительные преимущества включают:

Улучшенное упреждение аварийного транспортного средства : MPC может динамически очищать путь, регулируя зеленое время на нескольких перекрестках перед приближающимся аварийным транспортным средством.

Приоритет транзита: Автобусы и трамваи, оснащенные GPS, могут быть оснащены зелеными расширениями или ранней зеленью, что сокращает время пребывания и улучшает соблюдение графика.

Экологические выгоды: Дымной поток трафика приводит к уменьшению циклов ускорения/замедления, сокращению расхода топлива и выбросов CO2 на 10-20% в пилотных исследованиях.

Однако эти результаты зависят от контекста. MPC работает лучше всего, когда спрос на трафик от умеренного до высокого, но не насыщенный; в условиях чрезвычайно перегруженности (gridlock) прогностическая модель становится менее точной, и контроллеру может потребоваться перейти к стратегии, связанной с перегруженностью (например, определение входящего трафика).

Будущие направления и исследовательские рубежи

Интеграция с подключенными и автоматизированными транспортными средствами

Развитие технологии подключенных транспортных средств (CV) обеспечивает преобразующую возможность для NPC: вместо того, чтобы полагаться на фиксированные датчики, контроллер может принимать траектории и намерения в реальном времени от подмножества транспортных средств. Эти данные могут использоваться в качестве прямых входов в государственный оценщик MPC или даже в качестве части модели (например, путем прогнозирования будущих положений CV). Автоматизированные транспортные средства (AV) также могут выступать в качестве мобильных приводов: MPC может предлагать рекомендации по скорости для AV, приближающихся к пересечению, чтобы уменьшить остановки, по существу кооптимизируя сигналы и траектории транспортного средства.

Программа исследований транспортных средств, связанных с транспортом, финансирует несколько проектов, которые объединяют данные MPC с данными CV, демонстрируя перспективы сокращения задержек в условиях смешанного движения.

Машинное обучение Улучшения

Глубокое обучение может дополнять MPC несколькими способами:

Модульное обучение: Вместо ручных уравнений нейронная сеть может изучать динамику трафика на основе данных, потенциально захватывая сложные явления (например, поведение водителя на нетрадиционных перекрестках).

Приближённая оптимизация: Обучённая нейронная сеть может приблизиться к оптимальной политике MPC, обеспечивая почти мгновенные ответы без решения оптимизации в Интернете (так называемый «неявный MPC»).

Прогнозирование спроса : Сочетание краткосрочного прогнозирования потоков трафика (с использованием LSTM или Трансформаторов) с MPC может расширить горизонт прогнозирования и улучшить производительность при внезапных всплесках спроса.

Однако усовершенствования на основе ML требуют тщательной проверки, чтобы избежать переобучения, и они должны быть устойчивыми к сдвигам распределения (например, изменениям в моделях поездок из-за нового закрытия моста).

Велосипедист и пешеходное моделирование

Большинство транспортных систем MPC в основном сосредоточены на моторизованных транспортных средствах. Все чаще города стремятся расставить приоритеты для немоторизованных участников дорожного движения. MPC может быть расширен, чтобы включать запросы на пешеходные переходы и объемы велосипедов, но проблемы моделирования значительны - скорость пешеходного перехода варьируется, а взводы могут быть нерегулярными. Некоторые недавние исследования используют микроскопические модели с вероятностным прибытием пешеходов , чтобы включить их влияние на распределение зеленого времени.

Устойчивость и кибербезопасность

По мере того, как управление трафиком становится более связанным и автоматизированным, поверхность атаки расширяется. Изощренная кибератака может отправлять ложные данные датчика в MPC, заставляя его вычислять опасные временные параметры сигнала (например, одновременный зеленый для противоречивых движений). Модули обнаружения аномалий, избыточные датчики и криптографическая аутентификация также необходимы.

Практические рекомендации для агентств, рассматривающих MPC

Внедрение КДК в реальную сеть трафика представляет собой многолетнюю многодисциплинарную работу. На основе уроков, извлеченных из существующих развертываний, рекомендуется предпринять следующие шаги:

Начните с малого: Выберите коридор или сетку не более 10-15 пересечений с хорошим охватом датчика. Используйте среду моделирования для настройки модели и оптимизатора.

Инвестируйте в зондирование и связь : Без надежных данных о состоянии трафика с низкой задержкой MPC будет отставать. Убедитесь, что каждое пересечение имеет по меньшей мере одну точку обнаружения вверх и вниз по течению (например, радар или индуктивные петли). Рассмотрите возможность добавления выделенной связи на ближнюю дистанцию (DSRC) или сотовой V2X для прямых данных транспортного средства.

Построить многопрофильную команду: Инженеры по трафику, теоретики управления, разработчики программного обеспечения и специалисты по данным должны сотрудничать. Опыт решения оптимизации часто приходит из научных кругов или специализированных поставщиков.

Конструкция для отказа: Система должна изящно ухудшаться. Если MPC выходит из строя (например, из-за потери связи), она должна вернуться к заранее заданному или приведенному в действие плану управления в течение миллисекунд.

Постоянно оценивать: Использовать исследования до и после (время в пути, длина очередей, выбросы) для количественной оценки преимуществ.

Институт инженеров транспорта (ITE) опубликовал руководство по технологиям адаптивного управления сигналами , которое включает тематические исследования и рекомендации по внедрению, относящиеся к MPC.

Заключение

Модель Predictive Control предлагает строгую, проактивную основу для оптимизации дорожного сигнала в реальном времени. Используя динамическую модель потока трафика и решая проблему ограниченной оптимизации на каждом этапе, MPC может значительно сократить задержки, остановки и выбросы по сравнению с обычными стратегиями управления. В то время как проблемы остаются - точность модели, вычислительная масштабируемость, совместимость с инфраструктурой - текущие достижения в области зондирования, машинного обучения и вычислительной мощности неуклонно решают их. Для городов, стремящихся построить более интеллектуальные, более отзывчивые системы управления трафиком, MPC представляет собой мощный инструмент, который при тщательном развертывании обеспечивает ощутимые преимущества для пассажиров, транзитных операторов и окружающей среды.

Для тех, кто интересуется более глубокими техническими деталями, обзор формулировок MPC для сетей трафика в журнале Нелинейная динамика предоставляет всеобъемлющий обзор. Кроме того, платформа моделирования с открытым исходным кодом SUMO включает примеры интеграции MPC для исследователей и практиков для экспериментов.