Actualment, les ciutats han d’afrontar el desafiament de la mobilitat sostenible. La predicció de l’estat del trànsit té un paper clau en la mitigació de la congestió del trànsit a les zones urbanes. Per exemple, predir el temps de viatge del camí és un problema crucial en la navegació i les aplicacions de planificació de ruta.
El grup de recerca de mobilitat intel·ligent d’inLab FIB s’enfronta a aquest problema en múltiples projectes i, tradicionalment, el grup ho resol mitjançant tècniques de simulació. En els últims mesos, s’ha estudiat un enfocament basat en dades, en particular mitjançant mètodes deep learning.
El problema de la previsió de trànsit és molt extens i inclou alguns subproblemes segons diferents qüestions, els quals es descriuen a les seccions següents.
Escenari
Una de les característiques més importants del problema de predicció de trànsit és el tipus de xarxa on es fan les prediccions. En general, es classifiquen en xarxes urbanes o autopistes. La topologia és molt diferent, ja que les xarxes urbanes contenen més enllaços i més curts mentre que les xarxes d’autopistes estan formades per pocs però majors vincles. Normalment, la predicció en àrees urbanes és més difícil ja que el comportament dels conductors a l’interior de la xarxa és menys previsible.
Horitzó de predicció
Una altra característica clau en aquest problema és l’horitzó de predicció, que es classifica com a curt termini o llarg termini. Encara que no és clar exactament quins horitzons fa referència a cada grup, el nom a curt termini s’utilitza per a prediccions d’1 minut a 30 minuts o 1 hora depenent de l’autor. Per a horitzons de predicció més grans, s’utilitza el nom a llarg termini. Depenent de l’objectiu de previsió del trànsit, l’horitzó de predicció necessari canvia. Per exemple, per al programari de navegació en temps real, la previsió desitjada és a curt termini per modificar les indicacions al conductor i evitar la congestió de la xarxa. Mentre que, per als sistemes de gestió de trànsit, l’horitzó de predicció desitjat podria ser a llarg termini per tal de prendre decisions amb prou anticipació per implementar-les.
Predicció de variables i escala
A més del tipus de xarxa i horitzó, el problema de predicció de trànsit es determina per quina variable i amb quina escala es va a preveure. Les prediccions de trànsit es poden realitzar per a diferents variables, la majoria de les comunitats són quatre:
-
Flux de trànsit: nombre de vehicles que passen per algun lloc en un temps determinat (mesurat en vehicles/segon o vehicles/hora).
-
Densitat de trànsit: nombre de vehicles situats en una zona determinada al mateix temps (mesurada en vehicles/metre o vehicles/quilòmetre).
-
Velocitat mitjana: velocitat mitjana dels vehicles en un lloc (mesurat en kilòmetres/hora o metres/segon).
-
Temps de viatge: temps que tarda un vehicle per viatjar des d’un punt d’origen fins a la seva destinació (es mesura en segons, minuts o hores).
Aquestes variables predictives es poden utilitzar en diferents escales, com ara un punt específic en una xarxa, una secció (un enllaç o una part d’un enllaç) de la xarxa i tota la xarxa (o un sector per a la xarxa).
Classificació o regressió
A més, com es veu en la majoria dels problemes d’aprenentatge automàtic, la predicció realitzada pot ser regressió o classificació. Això depèn de si la predicció es fa sobre un nombre continu (les variables predictiu presentades) o sobre un conjunt finit de valors (una discretització de les variables predites). Així, depenent de l’objectiu final, la solució de predicció de trànsit podria intentar avançar la velocitat mitjana de cada secció, l’estat general de trànsit d’una xarxa (per exemple, lliure, mitjà o congestió), el nombre de vehicles que passaran per algun punt , etc.
Font de dades
Finalment, l’última qüestió a considerar és l’origen de dades utilitzat. Actualment, les dades de trànsit es generen de diverses maneres i es poden utilitzar molts tipus de sistemes. A continuació, es detallen les fonts de dades de trànsit més habituals:
-
Enquestes d’usuaris: Tradicionalment, la majoria de les altres opcions no existien i el trànsit es mesurava mitjançant enquestes realitzades directament sobre la població. Aquesta font de dades s’ha reemplaçat per altres maneres automàtiques (esmentades a continuació) que són més barates i recopilen millors dades.
-
Sensors: aquests dispositius poden registrar algunes característiques de trànsit com la presència d’un vehicle, la seva velocitat, etc. En els últims anys i seguint amb l’evolució de les ciutats intel·ligents, la presència de sensors de trànsit ha crescut i s’han millorat. Per exemple, un dels primers sensors utilitzats va ser el detector de bucle que permet detectar vehicles en una posició específica. Aquest tipus de dispositius requereixen obres vials per a la seva instal·lació, per la qual cosa la seva deslocalització és massa costosa. Actualment, s’utilitzen altres opcions modernes com l’ANPR (Gravadora automàtica de números), amb una instal·lació més senzilla i la capacitat d’identificar quins cotxes passen per un punt. Malgrat aquestes millores, només poden registrar l’activitat en un lloc fix i la quantitat necessària per cobrir una ciutat sencera és molt elevada.
-
Càmeres: tot i que l’objectiu principal de les càmeres de trànsit és oferir una monitorització en temps real de l’estat de la xarxa, en els darrers anys s’han utilitzat com a recol·lectors de dades de trànsit. És una manera molt bona de reutilitzar els sistemes instal·lats, però l’ús de registres de càmera com a dades de trànsit necessita un procés de visió per ordinador per traduir les imatges, per exemple, a les dades del flux de trànsit. A més, presenten el mateix problema que els sensors sobre la posició fixa.
-
GPS-FCD: els sistemes instal·lats en els vehicles moderns permeten localitzar els vehicles en temps real amb molta precisió. Aquest tipus de dades són els més desitjables per als sistemes de previsió de trànsit que ofereixen dades individuals d’alta qualitat i sense limitacions d’ubicació. El principal problema és que es necessita una taxa de penetració suficient perquè aquestes dades siguin representatives.
-
Telèfons mòbils: ja que la majoria de persones en l’actualitat aporten telèfons intel·ligents connectats (fins i tot mentre condueixen), les dades generades per aquests dispositius es poden utilitzar com a GPS-FCD.
Variables exògenes
A més de les dades de trànsit, l’ús d’algunes dades externes és cada vegada més habitual a la literatura. Aquesta informació es denomina variables exògenes i el seu ús permet ajustar les prediccions a algunes condicions externes. Per exemple, en la dimensió temporal, l’ús d’informació com ara el moment del dia, el dia de la setmana, la temporada de l’any o els dies festius pot ser decisiu per millorar la precisió de la previsió. A més, altres factors que poden canviar la situació del trànsit són les condicions meteorològiques, els esdeveniments de la ciutat (especials i periòdics), els treballs viaris, els incidents de trànsit, etc. Aquests també s’utilitzen com a variables exògenes.