Применение многообъективной оптимизации при проектировании адаптивных систем управления дорожными сигналами

Адаптивные системы управления сигналами движения формируют основу современного городского управления движением. В отличие от сигналов фиксированного времени, которые работают по заранее заданным графикам, адаптивные системы непрерывно корректируют время сигнала на основе данных в реальном времени от детекторов транспортных средств, камер и других датчиков. Цель состоит в том, чтобы уменьшить заторы, повысить безопасность и минимизировать воздействие на окружающую среду. Однако проектирование таких систем сопряжено с фундаментальной проблемой: одновременное выполнение нескольких, часто противоречивых целей. Например, минимизация задержки транспортного средства может увеличить расход топлива, если индуцируются агрессивные схемы ускорения. Снижение выбросов может потребовать более длительных циклов, что, в свою очередь, увеличивает время ожидания пешеходов. Балансировка этих конкурирующих требований требует строгой математической основы - многоцелевой оптимизации.

Понимание многоцелевой оптимизации

Многообъективная оптимизация (МОП) имеет дело с проблемами, которые имеют две или более объективных функций, подлежащих оптимизации одновременно. В реальном мире эти цели несоизмеримы и часто противоречивы. Например, в управлении движением невозможно одновременно минимизировать как среднюю задержку, так и общие выбросы с использованием единого плана времени сигнала, поскольку меры, которые уменьшают задержку (например, более короткие длины цикла), имеют тенденцию к увеличению поведения стоп-энд-го, повышая выбросы.

Математически, многообъективная задача оптимизации может быть сформулирована как:

Минимизируйте (или максимизируйте) F(x) = [f_]1(x), f₂(x), ..., f_m
, при условии x ∈ X, где X — осуществимый набор переменных решения.

Вместо одного оптимального решения MOO производит набор решений, известных как Pareto оптимальные или не доминируемые решения. Решение является оптимальным, если ни одна цель не может быть улучшена без ухудшения, по крайней мере, одной другой цели. Сбор всех таких решений формирует фронт Парето, который предоставляет лицам, принимающим решения, четкую картину компромиссов, вовлеченных.

Классические методы, такие как подход взвешенной суммы, преобразуют несколько целей в одну цель, назначая веса, но они могут найти только ограниченное подмножество фронта Парето. Более продвинутые методы, в частности эволюционные алгоритмы, предназначены для обнаружения всего фронта в одном прогоне, что делает их идеальными для сложных реальных проблем, таких как управление сигналом трафика.

Цели адаптивного управления дорожными сигналами

Разработка адаптивной сигнальной системы начинается с определения целей. Общие цели включают:

• Минимизация задержки транспортного средства — среднее время, которое транспортные средства проводят в ожидании на перекрестках.
• Минимизация количества остановок — сокращение трафика на остановках и в пути повышает комфорт и снижает износ транспортных средств.
• Максимальная пропускная способность — количество транспортных средств, проходящих через перекресток за единицу времени.
• Сокращение расхода топлива и выбросов — в частности CO₂, NO_x и твердых частиц.
• Повышение безопасности пешеходов — обеспечение адекватного времени пересечения и уменьшение конфликтов.
• Приоритет транзита — предоставление льготного режима автобусам и трамваям.
• Упреждение аварийного транспортного средства — расчистка путей для пожарных машин, машин скорой помощи и полиции.

Каждая цель может быть выражена в виде функции параметров времени сигнала — длины цикла, фазовых расщеплений, смещения между пересечениями и фазовой последовательности. Для коридора или сети переменные решения могут насчитывать сотни, создавая пространство поиска в больших измерениях.

Торговля между целями

Существует общее напряжение между минимизацией задержек и сокращением выбросов. Более длительные циклы имеют тенденцию уменьшать количество красных фаз, с которыми сталкивается взвод, тем самым снижая остановки и выбросы, но увеличивая время ожидания транспортных средств, которые прибывают сразу после начала красного сигнала. Аналогичным образом, обеспечение более длительного времени пешеходного перехода повышает безопасность, но снижает пропускную способность для автомобильного движения. Многоцелевая оптимизация делает эти компромиссы явными, позволяя транспортным инженерам выбирать план времени, который соответствует приоритетам политики - например, город может уделять приоритетное внимание сокращению выбросов во время оповещений о смоге или безопасности пешеходов вблизи школ.

Эволюционные многообъективные алгоритмы управления дорожными сигналами

Несколько эволюционных алгоритмов успешно применены для оптимизации сигнала трафика. Они хорошо подходят, поскольку могут обрабатывать нелинейные, мультимодальные и ограниченные объективные функции, не требуя градиентной информации.

Недоминируемый сортирующий генетический алгоритм II (NSGA-II)

NSGA-II, представленный Deb et al. в 2002 году, является одним из наиболее широко используемых алгоритмов.

• Быстрая не доминируемая сортировка для ранжирования решений в соответствии с доминированием Парето.
• Переполненная дистанция для сохранения разнообразия вдоль фронта Парето.
• Элитизм для сохранения лучших решений на протяжении поколений.

В управлении сигналами движения NSGA-II может генерировать набор планов времени сигнала, которые представляют собой различные компромиссы между, скажем, задержкой и выбросами. Его популяционный характер позволяет инженерам оценивать множество альтернатив одновременно. Для подробного описания см. оригинальную статью: Быстрый и элитистный многообъективный генетический алгоритм: NSGA-II: .

Многообъективный эволюционный алгоритм на основе разложения (MOEA/D)

MOEA/D разлагает многообъективную задачу на ряд однообъективных подзадач с использованием весовых векторов. Было показано, что она хорошо работает над многомерными задачами и может быть более эффективной, чем подходы, основанные на доминировании. Для сетей трафика со многими пересечениями стратегия разложения MOEA/D помогает масштабировать масштабные задачи оптимизации.

Многообъективная оптимизация теплоты частиц (MOPSO)

Оптимизация роя частиц использует популяцию частиц, которые перемещаются по поисковому пространству на основе личных и глобальных лучших позиций. В своем многообъективном варианте внешний архив хранит не доминируемые решения. MOPSO часто быстро сходится и эффективен для динамических сред, что делает его привлекательным для адаптивного управления в реальном времени, где условия трафика меняются минута за минутой.

Сравнение и пригодность

Хотя NSGA-II надежна и широко тестируется, MOEA/D может быть более эффективным для решения проблем с хорошо разделяемыми целями. MOPSO особенно привлекательна, когда вычислительная скорость имеет решающее значение. Многие современные адаптивные системы объединяют несколько алгоритмов или используют гибридный подход. Выбор зависит от конкретных целей, размера сети и вычислительных ресурсов, доступных в центре управления трафиком.

Процесс проектирования и внедрения адаптивной системы с использованием MOO

Рабочий процесс развертывания многообъективной адаптивной системы управления сигналом проходит несколько этапов, каждый из которых имеет различные технические проблемы.

1. Сбор и моделирование данных

Точные данные о движении являются основой. Детекторы индуктивных петель, радарные датчики, камеры и детекторы Bluetooth/Wi-Fi обеспечивают измерения объема трафика, скорости, заполняемости и времени в пути. В современных развертываниях подключенные данные транспортного средства (например, от транспортных средств, оснащенных GPS) предлагают данные траектории с высоким разрешением, которые могут использоваться для калибровки микроскопических имитационных моделей.

Для создания цифровых двойников сети движения используются такие инструменты микросимуляции, как SUMO (Simulation of Urban MObility), VISSIM или Aimsun. Эти модели имитируют движения транспортных средств с изменением полосы движения, следованием автомобиля и поведением пересечения. Цели (задержка, выбросы и т.д.) вычисляются из результатов моделирования.

Важным шагом является определение горизонта оптимизации — насколько далеко в будущем должен быть оптимизирован план сигнала? Для адаптивного управления в реальном времени типичным является горизонт перекатывания 5-15 минут. Более длинные горизонты увеличивают вычислительную нагрузку, но могут дать лучшие планы при стабильном трафике.

2.Определение и ограничения объективной функции

Каждая цель должна быть сформулирована как вычислимая функция. Например, общая задержка может быть рассчитана как сумма над всеми транспортными средствами разницы между временем движения в свободном потоке и фактическим временем в пути. Выбросы могут быть оценены с использованием модальных моделей выбросов, таких как PHEM (автомобиль-пассажир и модель выбросов тяжелых грузов) или MOVES (моторный симулятор выбросов транспортных средств). Ограничения обеспечивают осуществимость: минимальное зеленое время (например, 15 секунд), максимальная длина цикла (например, 120 секунд) и требования к пешеходному переходу.

3. Многоцелевая оптимизация

Оптимизатор, работающий под управлением NSGA-II, MOEA/D или другого алгоритма, генерирует набор оптимальных планов времени Парето. Для одного пересечения переменными решения могут быть фазовые разбиения; для скоординированного коридора они включают смещения и длины циклов. Алгоритм запускается в автономном режиме с использованием исторических шаблонов трафика, а затем фронт Парето хранится для онлайн-выбора. Альтернативно, оптимизация в реальном времени может быть выполнена с использованием легких алгоритмов, если позволяют вычислительные ресурсы.

4. Принятие решений и выбор плана

При наличии фронта Парето менеджер трафика (или автоматизированная система) выбирает план, который наилучшим образом соответствует текущим приоритетам.

• Весовая метрика: выбор решения, которое минимизирует взвешенную сумму целей, с весами, отражающими политику.
• Программирование целей: выбор плана, который ближе всего подходит к целевым значениям для каждой цели.
• Интерактивные методы: оператор может визуально исследовать поверхность компромисса с помощью инструмента поддержки принятия решений.

В адаптивных системах выбор может динамически изменяться в зависимости от времени суток, дня недели или инцидентов в реальном времени.

5. Реализация и обратная связь

Выбранный план синхронизации реализуется контроллером сигнала. Данные о производительности в реальном времени подаются обратно в систему для уточнения имитационной модели и обновления фронта Парето. Методы машинного обучения могут использоваться для прогнозирования состояний трафика в ближайшем будущем и запуска реоптимизации до ухудшения условий.

Реальные приложения и тематические исследования

В нескольких городах были развернуты многообъективные адаптивные системы управления сигналами с измеримыми преимуществами.

Система ATSAC в Лос-Анджелесе

Система автоматического наблюдения и контроля движения в Лос-Анджелесе (ATSAC) имеет более 4000 сигнализированных перекрестков. Она использует адаптивный алгоритм управления, который уравновешивает задержку, пропускную способность и выбросы. Исследование городского департамента транспорта сообщило о сокращении времени в пути на 12-15% и сокращении выбросов на 10% в часы пик. Система постоянно корректирует планы на основе данных детектора и включает в себя функции приоритета пешеходов вблизи школ.

Зеленая волна Копенгагена с умеренным балансом

Копенгаген оптимизировал свои велосипедные коридоры зеленой волны, рассматривая задержку велосипедиста как отдельную цель. Используя многообъективную оптимизацию, система обеспечивает координацию для велосипедистов, сохраняя задержку транспортного средства в приемлемых пределах. Результатом стало увеличение пропускной способности велосипеда на 20% и сокращение времени в пути на велосипеде на 15%, без значительного ухудшения автомобильного движения.

Исследование моделирования коридора в Ханчжоу

Исследователи применили NSGA-II к шестисекционному коридору в Ханчжоу, Китай, с целями минимизации задержки и потребления топлива. Фронт Парето выявил большие компромиссы: снижение задержки на 10% может увеличить потребление топлива на 8%. Выбрав сбалансированное решение, они добились снижения на 7% обоих мер по сравнению с существующим приводимым в действие контролем. Исследование подчеркнуло, что не доминируемые решения часто превосходят однообъективные оптимизированные планы при рассмотрении нескольких критериев.

Для дальнейшего чтения о применении эволюционной многообъективной оптимизации к управлению трафиком см. комплексное обследование: Многообъективная оптимизация для управления сигналом трафика: обследование.

Преимущества и проблемы

Преимущества использования многообъективной оптимизации

• Явное управление компромиссами: Инженеры могут точно видеть, как улучшение одной цели ухудшает другие, позволяя принимать обоснованные решения.
• Гибкость: тот же самый процесс оптимизации создает набор планов, и лучший из них может быть выбран в режиме реального времени на основе изменяющихся приоритетов (например, переключаться на минимизацию выбросов во время оповещения о качестве воздуха).
• Улучшение общей производительности системы: поскольку все соответствующие цели рассматриваются, окончательный план позволяет избежать скрытых негативных побочных эффектов, которые может вызвать однообъективная оптимизация.
• Масштабируемость: При помощи соответствующих алгоритмов подход может быть расширен от единичных пересечений до больших сетей.

Проблемы в осуществлении

• Вычислительная сложность: Создание фронта Парето для большой сети со многими целями может потребовать тысячи запусков моделирования. Для развертывания в реальном времени требуются либо более быстрые алгоритмы, либо офлайн-оптимизация с быстрым поиском плана.
• Качество данных и калибровка: Моделирование модели должно точно отражать реальный трафик. Плохая калибровка приводит к оптимизированным планам, которые неэффективны в этой области. Высококачественные данные датчиков и постоянное обновление модели имеют важное значение.
• Динамические условия движения: фронт Парето, сформированный из исторических данных, может стать неоптимальным, когда шаблоны трафика внезапно меняются (например, из-за аварии). Адаптивные системы должны быстро и надежно вызывать реоптимизацию.
• Принятие заинтересованными сторонами : Управляющим дорожным движением, привыкшим к однообъективным методам, может потребоваться обучение для доверия и использования многообъективных инструментов поддержки принятия решений. Кроме того, различные заинтересованные стороны (например, органы транзита и природоохранные учреждения) могут не согласиться с тем, какой план развертывания, требуя структуры управления.

Будущие направления

Многоцелевая оптимизация для адаптивного управления сигналами трафика является быстро развивающейся областью.

Интеграция с машинным обучением

Агенты глубокого обучения усилению (DRL) могут научиться управлять сигналами трафика непосредственно из данных. Недавние исследования расширили DRL до многообъективных настроек, используя функцию скаляризации или обучая несколько агентов, каждый из которых оптимизирует другую цель. Задача состоит в том, чтобы поддерживать исследование компромиссов при обеспечении стабильности в нестационарной среде.

Транспортное средство-инфраструктура (V2I)

Подключенные и автоматизированные транспортные средства могут предоставлять точные данные о траектории, что позволяет более точно вычислять выбросы и осуществлять предиктивный контроль. Многообъективная оптимизация на уровне пересечения может включать в себя индивидуальные запросы транспортного средства (например, автобус, запрашивающий приоритет) в качестве ограничений или целей.

Устойчивость и многомодальная оптимизация

Будущие системы должны будут одновременно справляться с перебоями (экстремальная погода, специальные мероприятия) и оптимизировать работу для нескольких режимов (автомобили, велосипеды, пешеходы, скутеры). Многообъективные формулировки, естественно, распространяются на такие цели, как максимизация пропускной способности общей мобильности или минимизация неравенства во времени ожидания в разных группах пользователей.

Оптимизация в Интернете с помощью метаэвристики

Благодаря достижениям в области параллельных вычислений и обработки краев теперь можно запускать легкую метаэвристику (например, MOPSO) на уровне контроллера каждые несколько минут. Это позволяет системе адаптироваться к колебаниям в реальном времени, не полагаясь на предварительно вычисленный фронт Парето.

Заключение

Многообъективная оптимизация обеспечивает принципиальную и мощную основу для проектирования адаптивных систем управления сигналами движения, которые уравновешивают конкурирующие требования эффективности, безопасности и воздействия на окружающую среду. Создавая набор оптимальных решений Pareto, инженеры по управлению движением могут визуально исследовать компромиссы и выбирать планы, которые согласуются с политическими целями в любой момент времени. Развертывание в реальном мире в таких городах, как Лос-Анджелес и Копенгаген, демонстрирует ощутимые преимущества в сокращении задержек, сокращении выбросов и модальном балансе. В то время как вычислительные и информационные проблемы остаются, достижения в алгоритмах, точности моделирования и технологии подключенных транспортных средств быстро делают многообъективное адаптивное управление стандартным инструментом для умной городской мобильности. Путь вперед заключается в интеграции этих методов с машинным обучением, потоками данных в реальном времени и мультимодальными соображениями для создания действительно отзывчивых и устойчивых систем управления движением.