Inteligencia artificial para rastrear la congestión del tráfico urbano

Un nuevo algoritmo de aprendizaje automático está preparado para ayudar a los analistas de transporte urbano a aliviar los cuellos de botella y los puntos de estrangulamiento que rutinariamente afectan al tráfico de una ciudad.

La herramienta, llamada TranSEC, fue desarrollada en el Pacific Northwest National Laboratory del Departamento de Energía de los Estados Unidos, para ayudar a los ingenieros de tráfico urbano a tener acceso a información procesable sobre los patrones de tráfico en sus ciudades.

Actualmente, la información de tráfico disponible al público a nivel de calle es escasa e incompleta.

Los ingenieros de tráfico se han basado generalmente en conteos de tráfico aislados, estadísticas de colisiones y datos de velocidad para determinar las condiciones de las carreteras.

La nueva herramienta utiliza conjuntos de datos de tráfico recopilados de los conductores de UBER y otros datos de sensores de tráfico disponibles públicamente para trazar un mapa del flujo de tráfico a nivel de calle a lo largo del tiempo.

Crea una gran imagen del tráfico de la ciudad utilizando las herramientas de aprendizaje automático y los recursos de computación disponibles en el laboratorio.

“Lo que es novedoso aquí es la estimación a nivel de calle en una gran área metropolitana“, dijo Arif Khan, un científico informático del PNNL que ayudó a desarrollar TranSEC.

“Y a diferencia de otros modelos que solo funcionan en un área metropolitana específica, nuestra herramienta es portátil y puede ser aplicada a cualquier área urbana donde se disponga de datos de tráfico agregados“.

TranSEC (que significa capacidad de estimación del estado del transporte) se diferencia de otros métodos de monitorización del tráfico por su capacidad de analizar información escasa e incompleta.

Utiliza el aprendizaje automático para conectar segmentos con los datos que faltan, y eso le permite hacer estimaciones a nivel de calle casi en tiempo real.

Las características de los mapas de nuestros teléfonos inteligentes pueden ayudarnos a optimizar nuestro viaje a través de un paisaje urbano, señalando puntos de estrangulamiento y sugiriendo rutas alternativas.

Pero las herramientas de los teléfonos inteligentes solo funcionan para un conductor individual que intenta ir del punto A al punto B.

Los ingenieros de tráfico de la ciudad se preocupan por cómo ayudar a todos los vehículos a llegar a sus destinos de manera eficiente.

A veces una ruta que parece eficiente para un conductor individual lleva a demasiados vehículos que tratan de acceder a una carretera que no fue diseñada para manejar ese volumen de tráfico.

Utilizando datos públicos de toda el área metropolitana de Los Ángeles, el equipo redujo el tiempo necesario para crear un modelo de congestión de tráfico en un orden de magnitud, de horas a minutos.

La aceleración, lograda con recursos de computación de alto rendimiento en el PNNL, hace posible el análisis del tráfico casi en tiempo real.

La función de aprendizaje automático de TranSEC implica que a medida que se adquieren y procesan más datos, estos se van refinando y siendo más útiles con el tiempo.

Este tipo de análisis se utiliza para comprender cómo se propagan las perturbaciones a través de las redes.

Si se dispone de suficientes datos, el elemento de aprendizaje automático podrá predecir los impactos para que los ingenieros de tráfico puedan crear estrategias correctivas.

Si bien la ejecución de un modelo de ciudad a gran escala todavía requiere recursos de computación de alto rendimiento, TranSEC es escalable.

Por ejemplo, una red de carreteras con solo las principales autopistas y arterias podría ser modelada en una potente computadora de sobremesa.

Después de un mayor desarrollo, se espera que TranSEC pueda utilizarse para ayudar a programar las rutas de los vehículos autónomos, según el equipo de investigación.

Fuente: Noticias de la Ciencia