Le processus d'évolution pour la durée des quatre phases dans une intersection. Les différentes couleurs représentent différentes générations, de la 1ère à la 20ème génération. Les premières générations présentent une distribution d'individus plus dispersée et ont des valeurs de fitness très faibles. Alors que le processus d'évolution se poursuit, la population se concentre davantage autour des meilleurs individus et acquiert des valeurs de fitness plus élevées. Crédit :Mao, Mihaita &Cai.
Des chercheurs de l'Université de technologie de Sydney et de DATA61 ont récemment développé une nouvelle méthode pour optimiser la synchronisation des signaux dans les environnements urbains dans des conditions de circulation difficiles. Leur approche, présenté dans un article pré-publié sur arXiv, implique l'utilisation d'algorithmes génétiques (AG), une technique informatique populaire pour résoudre des problèmes d'optimisation.
"L'idée de ce travail de recherche est venue de divers trajets avec ma voiture dans la ville de Sydney, souvent affectée par les incidents de circulation, causant un grand nombre de retards et une congestion routière accrue, " Tuo Mao, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. « Cela m'a fait me demander :comment pouvons-nous résoudre ce problème à l'aide de techniques informatiques avancées ? »
Les signaux de contrôle du trafic sont les outils les plus répandus pour contrôler et gérer le trafic routier dans les environnements urbains densément peuplés. Les paramètres d'un feu de circulation, également connu sous le nom de plan de contrôle du signal, peut affecter considérablement le trafic routier, en particulier lorsque des perturbations surviennent pour la première fois.
Jusque là, la majorité des solutions proposées pour l'optimisation du contrôle du trafic sont conçues pour fonctionner dans des conditions de trafic normales. En effet, l'optimisation des plans de contrôle d'un feu de circulation après un incident ou lorsque le trafic est à un pic est une tâche particulièrement difficile, surtout si plusieurs voies ou une section de route entière sont affectées.
Contrairement à la plupart des travaux antérieurs, Mao et ses collègues ont entrepris d'optimiser le contrôle des feux de circulation dans des conditions de circulation difficiles à l'aide de GA. Les AG sont une technique informatique inspirée de l'évolution biologique observée chez l'homme, qui est conçu pour sélectionner naturellement les solutions les plus optimales parmi un ensemble initial de possibilités.
"Les GA sont couramment utilisés dans les problèmes d'optimisation (par exemple, trouver la meilleure durée de phase qui minimiserait le temps de trajet dans une intersection) en utilisant des fonctions bio-inspirées telles que la mutation individuelle, croisement, et la sélection des meilleurs individus pour porter les meilleurs gènes d'une population - dans notre cas, meilleures phases de signal, " a déclaré Mao. " Nous avons pensé que les GA seraient une solution fantastique pour résoudre ce problème et avons décidé de les utiliser pour générer les plans de feux de circulation optimisés pour la zone touchée par l'incident. "
Le GA développé par Mao et ses collègues explore essentiellement tous les plans de contrôle des feux de circulation possibles pour une intersection donnée (par exemple le temps vert pour les feux de « virage à droite », "Allez tout droit" signaux, etc.). Son objectif principal est de minimiser le temps de trajet total dans une zone touchée par un accident de la route en identifiant la meilleure combinaison de phases de signalisation à toutes les intersections de cette zone.
Flux simulé sous incident avec contrôle de signal optimisé GA. Crédit :Mao, Mihaita &Cai.
« Nous générons d'abord un grand nombre de plans de contrôle du trafic, incluant différentes durées de phase uniformément réparties dans un grand espace numérique, qui constituent la première génération d'individus de l'ensemble de la population, " expliqua Mao. " Ensuite, nous appliquons la sélection, croisement et mutation afin d'introduire plus d'aléatoire dans l'exploration de l'espace de tous les possibles, et sélectionnez uniquement les meilleurs candidats pour poursuivre l'optimisation dans une prochaine génération."
Ensuite, l'approche conçue par Mao et ses collègues fait évoluer la population d'origine pour un nombre spécifique de générations jusqu'à ce que la majorité des individus au sein de cette population soient similaires, et il a atteint une solution optimale. Le résultat final de l'AG est un plan de contrôle des feux de circulation optimisé pour tous les feux de circulation dans les zones touchées par les accidents de la route.
Alors que des études antérieures ont proposé plusieurs autres techniques d'optimisation du contrôle des feux de circulation, la plupart d'entre eux sont basés sur la modélisation du trafic et des experts basés sur les connaissances (c'est-à-dire, systèmes heuristiques). Ces systèmes réagissent passivement aux conditions de circulation observées et sont donc incapables de proposer activement des solutions pour réduire la congestion causée par les accidents de la route.
"Notre méthode a trois avantages clés, " expliqua Mao. Premièrement, il prend en compte les incidents de circulation non récurrents, lorsque nous saisissons activement l'incident dans le modèle après que quelqu'un l'a signalé, par conséquent, le plan de contrôle des feux de circulation est au courant de l'incident et peut réagir plus rapidement. Deuxièmement, il prend en compte le comportement de réacheminement des conducteurs en appliquant une affectation dynamique du trafic, qui prend en compte la baisse de capacité routière causée par les incidents de circulation. Finalement, notre méthode est efficace pour explorer de nombreuses possibilités de plans de contrôle du signal."
Les chercheurs ont évalué leur technique à l'aide d'un réseau à quatre intersections conçu dans AIMSUN, une plateforme renommée de modélisation du trafic. Ils ont construit trois scénarios différents dans lesquels l'AG devait optimiser les horaires des feux de circulation dans des conditions normales et avec un trafic intense. Dans ces épreuves, ils ont observé que lorsque les plans de contrôle des feux de circulation peuvent être adaptés à un changement d'itinéraire par les conducteurs après qu'un accident de la circulation s'est produit, la congestion a tendance à se dissiper plus rapidement.
"Lorsque nous utilisons notre méthode, nous avons amélioré le temps de trajet total des conducteurs de 40,76 % par rapport à l'absence de réponse du tout (c'est-à-dire aucun contrôle sur le phasage du signal), " a déclaré Mao. " Notre recherche pourrait fournir des suggestions aux centres de gestion du trafic sur la façon d'agir lorsqu'un nouvel incident se produit, dans le cadre d'une routine pour gérer une meilleure réponse du trafic."
À l'avenir, le GA développé par Mao et ses collègues pourrait aider au développement de systèmes de contrôle du trafic plus efficaces. Selon les chercheurs, en améliorant les capacités de streaming de données et les performances de calcul de leur technique, ils pourraient finalement lui permettre d'optimiser automatiquement les signaux de trafic, répondre activement aux incidents de la route en direct.
"Nous appliquons actuellement la méthode à un réseau plus compliqué et même un plus grand réseau de la ville de Sydney, " a déclaré Mao. " Nous cherchons également à raccourcir davantage le temps de calcul et à augmenter encore l'efficacité en couplant le GA avec l'apprentissage automatique, ce qui pourrait accélérer le taux de convergence vers les meilleures solutions."
© 2019 Réseau Science X
