SUMP Centralny

Dobre praktyki

Wykorzystanie uczenia maszynowego do znalezienia rozwiązania problemu powtarzających się zatorów

autostrada, korek, droga-1929866.jpg
Obraz autorstwa WordPressa

Miasto: Debrecen
Publiczność: Miasto średniej wielkości
Wątek: Zarządzanie ruchem i popytem
Krok w cyklu SUMP: Krok 12: Przejrzyj i naucz się lekcji

Więcej informacji:
eltis.org

Opis aktywności

Debrecen chciał opracować system samoleczenia dla miasta, zdolny do wykrywania i proponowania prostego rozwiązania różnych problemów drogowych. Oznacza to, że system uczenia maszynowego został opracowany w celu zaprojektowania niezawodnego programu sygnalizacji świetlnej (TLP). System jest w stanie wyodrębnić typy ulepszeń infrastruktury, które można wdrożyć, takie jak; zmiany pasów drogowych, sygnalizacji świetlnej, nowe ograniczenia w skręcaniu, itp. Rezultatem był program sygnalizacji świetlnej (TLP), który może zarządzać praktycznymi aspektami ruchu w godzinach szczytu - aby zapobiec tworzeniu się zatorów w godzinach szczytu. Istnieje również potencjalna zmiana infrastrukturalna polegająca na rozszerzeniu pasa drugorzędnego, które było zalecane przez system ML.

Wyciągnięte wnioski

Największym problemem dla zespołu była analiza całego dotkniętego odcinkiem drogi. Ponieważ odcinek drogi badany w ramach tego projektu ma 2 km długości, bardzo trudno było uchwycić wszystkie niezbędne informacje w momencie, gdy zaczęły powstawać korki - lub określić dokładną przyczynę. Dlatego zespół wykonał kilka pomiarów na różnych odcinkach drogi, a następnie dokonał ich równoważenia, aby stworzyć realistyczne symulacje. Podejście to można łatwo przenieść do dowolnej innej analizy sytuacji w zakresie obsługi ruchu.