Pour prédire quand le trafic du matin est susceptible de s'arrêter, il peut être plus efficace d'examiner comment nous utilisons l'électricité au milieu de la nuit plutôt que les données sur le temps de trajet. En analysant la consommation électrique des ménages à Austin, Texas, des chercheurs de l'Université Carnegie Mellon ont pu prédire quand la circulation matinale s'accumulerait sur certains segments des autoroutes d'Austin.

Il est difficile de prédire quand les embouteillages commenceront et combien de temps ils dureront en raison des variations quotidiennes. L'analyse des données de déplacement en temps réel ne fournit pas suffisamment d'informations à des fins de prédiction, car les heures de départ et les comportements de déplacement des conducteurs varient, créant des exigences en constante évolution sur les réseaux routiers. Composer les questions, pendant la pointe du matin, le trafic routier s'arrête souvent en quelques minutes à proximité des goulets d'étranglement. Pour mieux comprendre les flux de trafic, les chercheurs ont exploré les interrelations entre les systèmes urbains, un concept clé dans la recherche sur la ville intelligente, en examinant comment le système de transport d'Austin s'entrelace avec son système électrique.

Dans cette étude, Sean Qian, un professeur adjoint en génie civil et environnemental et un doctorat. L'étudiant Pinchao Zhang a créé un modèle qui a extrait les données de temps d'utilisation de l'électricité, puis a utilisé l'intelligence artificielle (IA) pour prédire la circulation. Cette étude est peut-être la première à tenter de découvrir les relations spatio-temporelles des modes d'utilisation entre les systèmes de transport et d'énergie.

Dans cet ouvrage révolutionnaire, ils ont analysé 79 jours de données sur l'électricité à l'heure de la journée de 322 ménages anonymes à Austin. Leur modèle catégorise les utilisateurs en fonction du temps et de la quantité d'électricité qu'ils consomment. Par exemple, les personnes qui se couchaient vraisemblablement tôt appartenaient à une catégorie différente de celle des oiseaux de nuit. En utilisant l'IA, le modèle apprend des caractéristiques critiques sur les catégories d'utilisateurs et comment chaque catégorie se rapporte à la congestion du trafic, et puis il fait des prédictions. Ces prédictions sont nettement plus précises que les prédictions faites en utilisant uniquement des données de trafic en temps réel. Lorsque les ménages ont changé leurs habitudes d'utilisation au jour le jour, cela s'est reflété dans le moment où la congestion a commencé.

"Nos résultats montrent que les heures de pointe de congestion du matin sont clairement liées à des types particuliers de modèles d'utilisation de l'électricité, " dit Qian.  Par exemple, un modèle consistait en des ménages dont la consommation d'électricité a augmenté à partir de 2 heures du matin, mais a ensuite diminué avant 6 heures du matin. Cela pourrait indiquer que ces ménages pourraient devoir partir travailler avant 6 heures du matin, ce qui est corrélé positivement à la congestion matinale commençant plus tôt.

"Une autre caractéristique de cette étude est qu'elle ne nécessite aucune information personnellement identifiable des ménages, " dit Qian, "tout ce que nous avons besoin de savoir, c'est quand et combien quelqu'un utilise de l'électricité." Cela démontre que l'efficacité du système peut être améliorée tout en protégeant la vie privée.

Les résultats de l'étude sont convaincants, mais il y a des limites. Plus de données sont nécessaires. Un plus grand échantillon de données sur les ménages collectées sur une période plus longue permettrait de mieux former les capacités prédictives du modèle. Les données météorologiques et d'incident affectent le trafic, et ceux-ci ne sont pas pris en compte dans le modèle actuel. Plus loin, la reproduction de cette étude dans d'autres villes peut être problématique car il est extrêmement difficile d'obtenir des données sur la consommation d'électricité auprès des entreprises de services publics d'énergie. Dans cette étude, Pecan Street Inc. a fourni les données d'électricité d'Austin via une plate-forme ouverte de partage de données.

Alors que le modèle prédit les embouteillages, peut-être plus important encore, il fournit une preuve de concept pour l'appariement des systèmes de transport et d'énergie afin de prédire comment les systèmes fonctionneront. Établir les corrélations entre la façon dont les gens utilisent les systèmes urbains pourrait conduire à une prévision et à une gestion de la demande intersystèmes.

« Nous avons examiné l'utilisation de l'énergie pour prédire le trafic. Mais vous pouvez également utiliser le flux de trafic pour prédire l'utilisation de l'énergie à l'avance, " dit Qian, qui s'engage dans une recherche de suivi qui explore les relations entre les transports, les réseaux d'aqueduc/d'égout et les médias sociaux.

La Fondation nationale des sciences, Institut Traffic21 de l'Université Carnegie Mellon et Mobility 21, un National USDOT University Transportation Center a financé cette recherche. L'étude intitulée, « Systèmes urbains interdépendants centrés sur l'utilisateur :utiliser les données d'utilisation de l'électricité pendant la journée pour prédire la congestion routière du matin » a été récemment publié dans Recherche sur les transports, partie C.