Şehir Trafik Yönetimi için Model Tahmini Kontrolü Anlamak

Kentsel trafik sıkışıklığı, zaman kaybı, yakıt ve verimlilik, artan emisyonlar ile geleneksel trafik sinyali kontrolü, yerel döngü dektörlerine dayanan sabit zaman çizelgesi veya basit bir şekilde ayarlanabilir mantıktır. Bu yöntemler, modern trafik ağlarının doğrusal olmayan ve birbirine bağlı doğasını işlemek için mücadele eder.

MPC yeni bir konsept değildir - her kontrol aşamasında başarılı bir şekilde uygulanır: Mevcut trafik durumu ölçümleri ve trafik sinyali optimizasyonu, gerçek zamanlı algılama, iletişim ve bilişim gibi ilerlemeler yoluyla mümkün olan bir plandır.

MPC'nin reaktif kontrolörleri üzerindeki temel avantajı, özel olaylar, hava veya olaylar nedeniyle hızlı bir şekilde değişen dinamik kentsel ortamlarda kritiktir.

Bir Trafik MPC Sisteminin Temelleri

Trafik Akışı Model

Modelin sadakati doğrudan MPC çözümü kalitesini belirler. Basitleştirilmiş makroskobik modeller, Hücre İletim Modeli (CTM), yolu hücrelere ayırıp, koruma yasaları kullanarak daha fazla talep eder. Bu modeller şok dalgaları ve kuyruk dökülebilirken oldukça iyi olur. daha ayrıntılı mesooskopik veya mikroskobik modeller (örneğin, araba takip eden ve şerit değiştiren kurallar) daha yüksek doğruluk sağlar, ancak daha fazla hesaplama gücü talep eder, genellikle optimizasyonu gerçek zamanlı sınırların ötesine taşır.

Doğru modeli seçmek, doğru ve hesaplama hızı arasında bir ticaret yapılmasını içerir. Gerçek zamanlı trafik sinyali optimizasyonu için, bir hibrit yaklaşım yaygın: online parametre tahminleri ile birlikte birleştirilmiş tahmin için makrooskopik bir model (örneğin, Kalman filtreleri kullanarak) trafik sinyali kısıtlamaları dahil etmek gerekir - yeşil zaman, döngü uzunluğu, fazları ve minimum /maximum süresi - zor kısıtlamalar veya ceza koşulları ile birlikte.

Devlet Estimation ve Data Fusion

MPC, mevcut trafik durumu hakkında gerçek zamanlı bilgi gerektirir: akışlar, occupancies, hızlar ve her kesişimdeki kuyruk uzunluğu nadiren mevcut.Çoğu şehir, [Döneticileri, radarlar veya video kameraları bir alt konumdaki konumlar için.[Döneticileri, hızları ve kuyruk uzunluğu) tüm devlet kesişimlerini yeniden inşa etmek için yaygın olarak kullanılmalıdır.

Gelişen veri kaynakları – GPS radyo kanallarından gelen radyo kanalları, Bluetooth/Wi-Fi MAC adresi tarama ve bağlantılı araç (V2X) mesajları – devlet tahmin kapsamı ve doğruluğu da ortaya koyarlar: ayrıca sorunlar tanıtırlar: veri gecikme, gizlilik düzenlemeleri ve sağlam bir MPC uygulaması eksik, gecikmelidir veya gürültülü bir veri taraması ile ilgilidir.

Optimizasyon Formülasyon

Trafik MPC'deki optimizasyon sorunu genellikle doğrusal olmayan, karışık-integer programıdır. Karar değişkenleri yeşil zaman, dengeler, döngü uzunluğu veya hatta faz dizileri olabilir.

  • [0]Toplu gecikme[Döneysel gecikme[Döneme 1)
  • [0]Queue uzunlukları[[Dönemli)[Dönemli)
  • [FONT:0]Number of stop[[Döntgen: 1)
  • [FONT:0)Throughput[[Dönetici: 1 )

Ek kısıtlamalar, yaya zamanlarını, acil araç premisyonunu ve komşu sinyal kontrolörü ile koordinasyonu içerebilir. Optimizasyon kanalını yapmak için araştırmacılar genellikle kullanılır:

  • [FONT=0)Linearization[Dönetici:0) Trafik akışı modelinin (örneğin, parçalı lineer yaklaşımları kullanarak)[FONT=0)
  • [FONT:0]Mixed-integer lineer programlama (MILP)), orta büyüklükte ağ ağları için çözücüler
  • [FONT:0)Heuristic algoritmaları[[[Dönetici algoritmaları gibi) veya daha büyük ağ için eklenmiş ekleme gibi[Dönetici algoritmaları[[Dönetici 1)
  • [FONT=0) Model basitleştirme[Döneticileri bölgelere ya da kuyrukları sürekli değişken olarak tedavi eden mağaza-ve ileri modelleri kullanarak,[Dönlendirmeler)

Gerçek zamanlı fizibilite, Polonyalıların birkaç saniye içinde bir çözüm geri döndüğünü (örneğin sinyal döngüsünden daha az) talep eder. Bu nedenle, birçok üretim seviyesi MPC uygulamaları bir lg.Ücretsiz ufk[DÜye Olmayanlar 1 ) kısa bir tahminle (örneğin, 2-5 dakika) ve bir coarse diskretizasyon aşaması (örneğin, 5-10 ikinci aralığı kullanır.

Gerçek Zamanlı MPC için Uygulama Mimarisi

Donanım ve Hesaplama Platformu

Trafik sinyalleri için MPC hesaplamak yoğundur. 50-100 kesişim ağı için optimizasyon binlerce değişken içerebilir. Bulut bilişim neredeyse sınırsız kaynaklar sunarken, ağ gezileri tarafından tanıtıldı (özellikle sinyal kontrolörleri alanda ise) bir ortak mimari kullanılabilir.

Yüksek performanslı CPUlar, adanmış GPUlar (pikri filtrelemedeki matrix işlemleri için), hatta FPGA'lar, devre model ve optimizasyon kodu C++ veya Rust gibi bir derlemede yazılması gerekir.

İletişim ve Latency

Güvenilir, düşük seviyeli iletişim kritiktir. Kontrol döngüsü gerektirir:

  1. [FONT:0]Sensor veri satın alma[[Dönetici: 1 ) - alan cihazlarından kenarlara (genellikle kablo veya 5G üzerinde).
  2. [FONT:0) Devlet tahminleri) - kenarda işlem (millisaniyeler).
  3. [FONT:0)Optimization – MPC problemini çözmek (birkaç saniyeye kadar milisaniyelerin).
  4. [FONT:0)Signal komut iletimi[[Dönetici:0)[Dönetici:0)

Toplam döngü zamanı sinyal döngüsünün uzunluğunu aşmamalıdır (tipik olarak 60-120 saniye). Katı uygulamalar (örneğin, yüksek frekanslı otobüs koridorlarında geçiş önceliği), döngü her 5-10 saniyede bir ağ jitter, paket kaybı ve senkronizasyon kenar düğümleri arasında ekstra zorluklar oluşturur.

Yazılım Framework ve Interoperability

Bir trafik MPC sistemi için yazılım yığını tipik olarak şunları içerir:

  • [FONT=0)Data ingestion katmanı[[[Dönetici: 1) – sensörler ve dış kaynaklardan gerçek zamanlı beslemeler (endent data, hava, olay programları).
  • [FONT:0)State estimator[[Dönetici:0)) - temiz, tam bir devlet vektörü üretmek için bir filtre çalışır.
  • [FONT:0) Tahmin edici model[Dönetici: 1) ufkun üzerindeki trafik evrimi taklit eder.
  • [FONT=0)Optimization çözücü[Dönetici:0)[Dönder:0) Optimizasyon çözümü[Dönder:0).
  • [FONT=0]Command arayüzü[[[Dönemli: 1) [FOCIP (Ulusal Ulaşım ITS Protokolü için Ulusal Ulaşım İletişimi) veya özel API'ler aracılığıyla sinyal donanımına zaman zaman zaman zaman zaman zaman zaman zaman zaman zaman zamanlaması değişiklikleri gönderir.

Açık kaynak araçları, BEFFT:0)SUMO) ve [Uygun MObilitenin Belirlenmesi) gibi açık kaynak araçları:2.MATSim), sistem, gerçek zamanlı olarak performans ölçümleri ve test için de kullanılabilir.

İşbirlikçi MPC'de Pratik Zorluklar

Model Mismatch ve Robustness

Hiçbir trafik modeli mükemmel bir şekilde gerçeklik yansıtıyor. model parametrelerindeki hatalar (örneğin, ücretli akış oranları, ücretsiz akış hızları, dönüş oranları) yeniden kullanım testi kullanılarak online olarak kontrol edilebilir.(0)Robust MPC) yaklaşımlar, belirsizlikleri garanti altına alır, garanti edilen kısıtlamalar için en uygunluğu azaltır. Alternatif olarak, [[Dönemli MPC) Adaptif kimlik kullanarak online olarak model parametrelerini güncelleyebilir.

Gerçek dünya verilerine karşı doğrulama çok önemlidir. Tipik bir iş akışları içerir:

  • Tarihi verileri kullanarak modeli (örneğin, 30 gün dekreksiyon sayılarını) boşa harcamak.
  • MPC'yi bir simülasyon ortamında test edin ( SUMO veya Vissim’i kullanarak).
  • Alan pilot testleri ölçeklendirmeden önce küçük, kritik olmayan bir ağ üzerinde yürütmek.

C ⁇ Scalability

Ağ büyüklüğü büyüdükçe, optimizasyon sorunu devam ediyor.Decomposition stratejileri, örneğin [[Dönetici:0) MPC) dağıtılıyor, ağı alt ağlara ayırıyor, her biri sınırlı bilgi değişimi ile bağımsız olarak çözdü. Başka bir yaklaşım şu anda doğru-zamanda bu hedefleri takip ediyor.

Dekompozisyonla bile, çözücünün birçok yerel minima olması gerekir, iyi bir ufklama (kahkadarlık programlaması) çözümü genellikle ufk değişimleri ve her adımda tekrar optimize edenleri gerektirir.

Mevcut Altyapı ile Etkileşim

Alandaki trafik kontrolleri genellikle on yıllar boyunca, sınırlı iletişim yetenekleri ve özel arayüzlerle.Onlar için MPC, kontrol cihazının değiştirilmesini gerektirir (expensive) veya kontrol edilebilir bir yük olarak üstlenen ikincil bir kenar cihazı ekliyor. Standartizasyon NTCIP ve yenileyiciFLEN:0).

Ajanslar da güvenlik gereksinimlerine sahiptir: Kontrol sistemi, karışıklığa veya kaza riskini artırabilecek sinyal zamanlamalarını üretmelidir (örneğin, tüm uç aralıkları uygulanmalıdır). MPC optimize edicisi bu güvenlik kısıtlamalarını açıkça dahil etmelidir ve bir saatdog zamanılayıcısı çok uzun süre başarısız olup olmadığını veya çok uzun süre geri çekmeli.

Faydaları Real-World Deployments'da gözlemlendi

Birkaç pilot proje ve dağıtım, MPC'nin trafik sinyal optimizasyonu için potansiyelini göstermiştir.InurFLT:0)Pittsburgh, Pennsylvania), 50 kesişen bir sinyal kontrolüne göre, MPC'ye benzer bir genetik algoritma yaklaşımı göstermiştir.[Döneticileri değiştirmiş durumda, İspanya).

Ek faydalar şunları içerir:

  • [FONT:0) Acil durum aracı ön boşluğumu [Dönetici: MPC, yaklaşan acil bir araç önünde yeşil zaman ayarlamanın bir yolunu dinamik olarak açıklayabilir.
  • [FONT:0)Transit önceliği[[Dönetici: GPS ile donatılmış bus ve tramvaylar yeşil uzantılar veya erken yeşiller verilebilir, zamanları azaltır ve zamanlama bağlılıklarını geliştirir.
  • [FONT:0)Environmental kazanımlar[[Dönetici: Smoother trafik akışı daha az hızlandırma / kesinti döngülerine yol açıyor, yakıt tüketimi ve CO2 emisyonlarını indirmek için:2).

Ancak, bu sonuçlar bağlama bağlı. MPC, trafik talebi yüksek ama doymamış; son derece zor koşullarda (gridlock), tahmin edici model daha az doğru hale gelir ve kontrol edilebilir bir stratejiye geçiş yapmak için gerekli olabilir (örneğin, gelen trafik).

Future Yol ve Araştırma Frontiers

Connected ve Otomatik Araçları ile entegrasyon

Bağlantılı araç (CV) teknolojisi, NPC için dönüştürücü bir fırsat sağlar: sabit sensörlere güvenmek yerine, kontrol araçları (AVs) ayrıca mobil eylemciler olarak hareket edebilir: MPC eyalet estimatörüne veya hatta gelecekteki pozisyonları tahmin ederek, koordinatörlere doğrudan bir bağlantıya giden bir bağlantıya doğru önerileri önerebilir.

[FONT:0) ABD Ulaştırma Bakanlığı bağlantılı araç araştırma programı[Dönetici], MPC'yi CV verileri ile birleştiren birkaç proje finanse etti, karışık-traffic ortamlarda gecikmeleri azaltma sözü verdi.

Makine Öğrenmesi Gelişleri

Derin öğrenme, MPC'yi birkaç şekilde tamamlayabilir:

  • [FONT:0) Model öğrenme[Dönetici: El-filmli denklemler yerine, bir sinir ağı, trafik dinamiklerini verilerden öğrenebilir, potansiyel olarak karmaşık fenomenleri (örneğin, sürücü davranışı nonconventional kavimlerde).
  • [FONT=0)Approximate Optimizasyonu[[Dönetici: Eğitimli bir sinir ağı, optimizasyon online (so-the “ik MPC” olarak adlandırılan yakın zamanda gelen cevaplara ilişkin en uygun MPC politikasıyla ilgili olabilir.
  • [FONT:0]Demand tahmin[Dönetici: Kısa vadeli trafik akışı tahminlerini (profed LSTMs veya Transformers) MPC ile birlikte tahmin ufukunu genişletebilir ve birden fazla talep artışı altında performansı geliştirebilir.

Ancak, ML tabanlı geliştirmeler aşırılıktan kaçınmak için dikkatli bir doğrulama gerektirir ve dağıtım geçişleri için sağlam olmalıdır (örneğin, yeni bir köprü kapatma nedeniyle seyahat modellerinde değişiklikler).

Cyclist ve Pedestrian Modeling

Çoğu trafik MPC sistemleri öncelikle motorlu araçlara odaklanır. Giderek, şehirler, motorlu olmayan yol kullanıcılarına öncelik vermeyi amaçlamaktadır. MPC, istek ve bisiklet hacimlerini içerecek şekilde genişletilebilir, ancak modelleme zorlukları önemlidir - en iyi geçiş hızları değişir ve platoonlar düzensiz olabilir.Bazı araştırmalar kötüye gidiyorlar.0.Musabitkirkoktif varış noktalarına sahip olan fiyatlara sahip olacak şekilde daha uzun bir yürüyüş sinyali veriyor.

Kıyma ve Siber Güvenlik

Trafik kontrolü daha bağlantılı ve otomatik hale geldiğinde, saldırı yüzeyi genişletilebilir. Gelişmiş bir siber saldırı MPC'ye yanlış sensör verileri gönderebilir, tehlikeli sinyal zamanlamalarını hesaplamaya neden olur (örneğin çatışma hareketleri için aynı anda yeşil).

Ajanslar için Pratik Rehberlik MPC

MPC'yi gerçek dünya trafik ağı içinde uygulamak, mevcut dağıtımlardan öğrenilen derslere dayanarak, aşağıdaki adımlar önerilir:

  1. [FONT:0) Küçük ) başlayın: Bir koridor veya 10-15'ten fazla bir ağ geçidi iyi sensör kapsamı ile. modeli ve optimize etmek için bir simülasyon ortamı kullanın.
  2. [FONT:0)Invest in algılama ve iletişim): Güvenilir, düşük seviyeli trafik durumu verileri olmadan, MPC doğrudan araç verileri için en az bir akış ve alt algılama noktası (örneğin, radar veya endüktif döngüler) için.
  3. [FONT:0] Çok disiplinli bir takım inşa etmek[[Dönetici: Trafik mühendisleri, teorisyenleri, yazılım geliştiricilerini kontrol etmek ve veri bilim insanları işbirliği yapmak zorundadır.
  4. [FONT:0) Başarısızlık için Tasarım[Dönetici: Sistem lütufla ortadan kaldırılmalıdır.Eğer MPC başarısız olursa (örneğin, iletişim kaybı nedeniyle), milisaniyeler içinde önceden belirlenmiş bir kontrol planına geri dönmeli veya hareketsiz bir kontrol planına geri dönmeli.
  5. [FONT:0]Evaluate sürekli olarak[[Dönetici: Önceki ve sonrası çalışmalar (zamanlar, kuyruk uzunluğu, emisyonlar) faydalarını ölçmek için. Gözlemlenen sonuçlara dayanan model parametreleri ve objektif ağırlıklar.

[FONT:0) Ulaştırma Mühendisleri Enstitüsü (ITE), MPC ile ilgili vaka çalışmaları ve uygulama tavsiyelerini içeren Adaptif sinyal kontrol teknolojileri üzerinde bir kılavuz yayınladı.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Model Tahmin edici Kontrol, gerçek zamanlı trafik sinyal optimizasyonu için titiz, proaktif bir çerçeve sunar. Dinamik bir trafik akışını kullanarak ve her adımda bir kısıtlanmış optimizasyon problemini çözerek, MPC, daha akıllı trafik yönetim sistemlerini önemli ölçüde azaltabilir ve emisyonlar geleneksel kontrol stratejilerine kıyasla, zorluk kalırken, doğru ölçeklenebilirlik, altyapı içebilirlik sağlar - algılamada ilerlemektedir, makine öğrenimi ve bilgisayar gücü sürekli olarak ele alır.

Daha derin teknik ayrıntılarla ilgilenenler için, [[0] MPC formülasyonlarının trafik ağlarının incelenmesi) .Ş.A.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D.D