Sherry Li, chercheuse au Berkeley Lab (Crédit :Roy Kaltschmidt/Berkeley Lab)
Le trafic urbain suit à peu près un modèle périodique associé à l'horaire de travail typique de 9 à 17. Cependant, lorsqu'un accident survient, les schémas de circulation sont perturbés. Concevoir des modèles de flux de trafic précis, à utiliser en cas d'accident, est un défi majeur pour les ingénieurs de la circulation, qui doit s'adapter en temps réel à des scénarios de trafic imprévus.
Une équipe d'informaticiens du Lawrence Berkeley National Lab travaille avec le California Department of Transportation (Caltrans) pour utiliser le calcul haute performance (HPC) et l'apprentissage automatique pour aider à améliorer la prise de décision en temps réel de Caltrans lorsque des incidents se produisent. La recherche a été réalisée en collaboration avec California Partners for Advanced Transportation Technology (PATH), partie de l'Institute for Transportation Studies (ITS) de l'UC Berkeley, et Couloirs Connectés, un programme collaboratif de recherche, développer, et tester une approche de gestion intégrée des corridors pour gérer les corridors de transport en Californie.
Caltrans et Connected Corridors mettent en œuvre le système à titre d'essai dans le comté de Los Angeles via le projet pilote I-210. En utilisant les données en temps réel des partenaires du sud de la Californie à la ville, comté, et au niveau de l'État, l'objectif est d'améliorer la prise de décision en temps réel de Caltrans en exécutant des plans de réponse multijuridictionnels coordonnés aux incidents de la circulation afin de limiter les impacts négatifs de ces événements. La première itération de ce système sera déployée dans les villes d'Arcadie, Duarte, Monrovia, et Pasadena en 2020, avec des plans pour de futurs déploiements dans tout l'État.
« De nombreuses méthodes de prévision des flux de trafic existent, et chacun peut être avantageux dans la bonne situation, " dit Sherry Li, mathématicien à la division de recherche informatique (CRD) du Berkeley Lab. "Pour atténuer la douleur de s'appuyer sur des opérateurs humains qui font parfois confiance aveuglément à un modèle particulier, notre objectif était d'intégrer plusieurs modèles qui produisent des prévisions de trafic plus stables et plus précises. Pour ce faire, nous avons conçu un algorithme d'apprentissage d'ensemble qui combine différents sous-modèles.
L'apprentissage d'ensemble est l'art de combiner un ensemble diversifié d'apprenants (modèles individuels) pour améliorer, à la volée, la stabilité et le pouvoir prédictif du modèle. Cette idée est explorée depuis longtemps par les chercheurs en apprentissage automatique. Ce qui est spécial dans le flux de trafic, c'est la caractéristique temporelle; les mesures de flux de trafic sont corrélées dans le temps, de même que les résultats de prédiction de différents modèles individuels.
Dans la collaboration Berkeley Lab-Caltrans, le modèle d'ensemble prend en compte la dépendance mutuelle des sous-modèles et attribue les « parts de vote » pour équilibrer leurs performances individuelles avec leur codépendance. Le modèle d'ensemble valorise également les performances de prédiction récentes plus que les performances historiques plus anciennes. À la fin, le modèle combiné est meilleur que n'importe lequel des modèles simples utilisés pour tester à la fois la précision et la stabilité des prédictions.
Le projet a commencé avec le financement du programme de recherche et développement dirigé par le laboratoire (LDRD) de Berkeley Lab. L'objectif était de construire un cadre de calcul qui permettrait des applications HPC spécifiques au transport, comme l'optimisation et le contrôle de l'équilibre du trafic. L'équipe de développement de systèmes est dirigée par Brian Peterson, un responsable du développement de systèmes chez PATH qui gère l'équipe de développement de systèmes de Connected Corridors. Hongyuan Zhan, un ancien étudiant d'été en sciences informatiques du Berkeley Lab de Penn State, a été un contributeur majeur au travail sur les corridors connectés pour cette recherche.
Prédiction des flux de trafic par l'algorithme TDEC, un schéma de combinaison de modèles qui peut suivre le trafic réel plus près qu'un pool de modèles candidats individuels. La ligne verte est la plage de prédiction, la ligne bleue est le vrai flux, la ligne rouge est la prédiction de l'algorithme TDEC. Crédit :Hongyuan Zhan
Données en temps réel, prise de décision en temps réel
À l'aide des données recueillies par les capteurs Caltrans sur les autoroutes californiennes, le projet a produit de nouveaux algorithmes qui ont permis d'obtenir une prédiction précise sur une base continue de 15 minutes. L'équipe a ensuite validé et intégré les nouveaux algorithmes à l'aide de données de trafic en temps réel collectées à l'aide du système Connected Corridors :un hub de données de transport en temps réel dans lequel Spark MLlib - une bibliothèque d'apprentissage automatique évolutive - fournit des modèles d'apprentissage automatique qui peuvent être utilisés dans le cadre d'apprentissage d'ensemble proposé. La mise en œuvre spécifique de ce travail était de générer des flux de trafic prédits aux points où la détection était présente sur l'autoroute. Cela pourrait à son tour être utilisé pour prévoir les demandes de trafic aux entrées d'autoroute et les flux de circulation aux sorties d'autoroute.
L'apprentissage d'ensemble aborde en partie la question des différents types de véhicules en circulation; cependant, il ne traite pas des changements soudains causés par la construction ou des incidents. L'équipe de recherche a appliqué des techniques d'apprentissage en ligne (en temps réel) pour permettre à l'algorithme d'apprendre non seulement du passé, mais pour s'adapter en temps réel aux nouvelles conditions de circulation.
L'algorithme pourrait être utilisé en combinaison avec ces technologies pour une prévision du trafic plus précise et plus rapide et pour faciliter le contrôle du trafic en temps réel, comme le réacheminement du trafic, modifier les configurations des feux de circulation, et d'autres mesures correctives.
« Le premier déploiement du programme Corridors Connectés vise à valider le concept et quantifier les améliorations des temps de trajet, flux de circulation, et les retards dans des conditions réelles, " Peterson a déclaré. " La modélisation du trafic a indiqué que des améliorations significatives sont possibles avec les stratégies de gestion du trafic en cours d'élaboration. Les futurs déploiements sont au stade de la planification avec des opportunités d'amélioration continue du système et de nouvelles approches."
En plus de Li, Peterson, et Zhan, les autres contributeurs à ce projet incluent le chercheur du Berkeley Lab John Wu et Gabriel Gomes de l'ITS.
