Сила сотрудничества: как мы можем уменьшить пробки на дорогах.

Мы демонстрируем влияние маршрутизации с учетом особенностей сети в навигационных приложениях на повышение эффективности сети.

Быстрые ссылки

• Бумага
• Делиться
  • Скопировать ссылку ×

Автомобильный транспорт лежит в основе большей части современной жизни, обеспечивая перемещение товаров и людей, производительность труда и экономический рост. Однако издержки высоки: водители проводят в среднем 2,6 года своей жизни за рулем, а на частные автомобили и фургоны сейчас приходится около 10% глобальных выбросов CO2. Следовательно, эффективное использование транспортных сетей имеет первостепенное значение. Можно ли управлять маршрутизацией дорожного движения в масштабах всей системы так же, как авиация управляет воздушным пространством или интернет маршрутизирует пакеты данных? Хотя наземный транспорт исторически не имел физической диспетчерской вышки, цифровые платформы дают мощное представление о более скоординированном будущем.

Распространение навигационных сервисов, подключенных транспортных средств, умных городов и беспилотных автомобилей открывает возможности для улучшения как измерения, так и оптимизации транспортных ресурсов. Исследовательский центр Google уже продемонстрировал эффективность вмешательства на уровне инфраструктуры в рамках проекта Green Light, который использует ИИ для оптимизации городских светофоров. К сожалению, оптимизация транспортных сетей оказалась сложной задачей. Хотя индивидуальная маршрутизация транспортных средств является стандартной функцией во всех ведущих навигационных продуктах, оптимизация маршрутизации в масштабах всей системы пока отсутствует. Несмотря на существование теоретических моделей оптимизации сети, крупномасштабная эмпирическая проверка остается ограниченной, что препятствует дальнейшему прогрессу.

В статье «Эксперименты по снижению заторов в городах с помощью приложений для планирования маршрутов», опубликованной в журнале Nature Cities , мы представляем первое крупномасштабное исследование в реальных условиях использования навигационных платформ для улучшения организации дорожного движения. Мы показываем, что координация даже небольшой части поездок для распределения транспортного потока может заметно повысить скорость движения и снизить выбросы для всего города. Исследование также закладывает основу для экспериментов по переходу от оптимизации отдельных поездок к парадигме совместной маршрутизации, повышающей общую эффективность сети.

Эксперимент

Мы провели эксперимент в 10 крупных городах США, чтобы продемонстрировать эффективность целенаправленных и недорогих мер по оптимизации маршрутов в улучшении общей ситуации на дорогах. Для этого исследования алгоритм Google Maps был модифицирован таким образом, чтобы отдавать предпочтение альтернативным маршрутам с аналогичным временем в пути и типами участков, эффективно направляя поездки в обход предварительно выбранных перегруженных участков.

В течение шести месяцев мы использовали общегородской экспериментальный дизайн с чередованием маршрутов (также известный как кроссовер), чередуя этот вариант с контрольным (неизмененным) алгоритмом маршрутизации в течение нескольких дней подряд, чтобы адекватно измерить эффект от этого вмешательства. Вместо случайного выбора отдельных поездок, вмешательство применялось систематически по всему городу. В дни «эксперимента» модифицированный алгоритм маршрутизации направлял все поездки, которые сталкивались с предварительно выбранными перегруженными участками, по альтернативным маршрутам с аналогичным временем в пути. Менее 2% наблюдаемых поездок получили измененные рекомендации по маршруту в результате этого эксперимента.

Для проведения эксперимента города выбирались на основе уровня загруженности дорог и наличия данных, полученных в ходе исследования. Для каждого города мы отобрали примерно 100 участков дорог, основываясь на исторических данных о загруженности дорог, характеризующихся повторяющимися заторами или высокой плотностью движения в часы пик. На рисунке ниже показан один из таких примеров.

В рамках данного исследования мы на этапе планирования маршрута корректируем воспринимаемую стоимость поездок, проходящих через предварительно выбранные участки с непропорционально высоким уровнем спроса и/или загруженности. Эти корректировки перенаправляют поездки по альтернативным маршрутам с аналогичной стоимостью, минуя эти участки, тем самым уменьшая поток трафика, который в противном случае наблюдался бы на них.

Результаты

Для количественной оценки эффекта предлагаемого нами изменения маршрутизации мы использовали иерархическую байесовскую модель оценки результатов. Этот подход, моделирующий параметры одновременно на агрегированном уровне города и на локальном почасовом уровне, предлагает гибкий способ учета общих вариаций без наложения строгих ограничений. Он также позволяет обмениваться информацией между городами и временными периодами, позволяя оценкам для конкретного города или времени заимствовать силу оценок эффекта из других подгрупп.

Исследование показало, что даже эти небольшие меры привели к измеримым, статистически значимым улучшениям дорожной ситуации. В среднем по городам мы наблюдаем медианное увеличение скорости движения на целевых участках примерно на 2%, что соответствует медианному снижению расхода топлива на 0,5–1,0%. На гораздо большем количестве затронутых участков, то есть на всех участках, на которые были оказаны меры, включая те, на которые движение было перенаправлено либо с одного участка на другой, либо на которые было перенаправлено, скорость движения увеличилась примерно на 0,35% в среднем и на 0,5% в часы пик утром и вечером. При масштабах и энергетических потребностях городов, рассмотренных в этом исследовании, это означает потенциальную экономию тысяч тонн выбросов CO2-эквивалента на город в год.

Оценочные результаты по времени в пути, скорости и предполагаемым выбросам. На каждом графике количественно показана апостериорная вероятность результатов вмешательства, представленная в виде процентных изменений скорости или уровня выбросов. Мы видим заметные улучшения как в скорости на целевом, так и на затронутом сегментах, а также в показателях расхода топлива. Результаты, рассчитанные для всех затронутых сегментов, по понятным причинам более размыты, но все же положительны, особенно в часы пик.

Улучшения в скорости движения и показателях выбросов были повсеместными и статистически значимыми по всей сети. Эти улучшения стали результатом стратегического перенаправления транспортных средств от основных узких мест; благодаря эффективному распределению этого потока, на периферийных дорогах поддерживались более высокие средние скорости и более низкие общие выбросы, даже при поглощении большего объема транспортных средств. Это поведение проиллюстрировано на рисунке ниже.

Демонстрация распределения транспортного потока в Атланте, вызванного проведенными мероприятиями. Вверху: Маршруты в целом были перенаправлены с (синий) центральной автомагистрали, проходящей через город, на (зеленый) пространственно более распределенный набор участков, в основном охватывающих периферию региона. Внизу: Гистограмма чистого изменения объема на отдельных участках. Действительно, транспортные средства были распределены от концентрации на меньшем количестве участков с высоким объемом движения к большему количеству участков, каждый из которых получил меньшее увеличение объема движения, что привело к чистой выгоде для системы.

Заключение

Данное исследование наглядно демонстрирует, что сетевые навигационные технологии могут стать мощным инструментом для активного регулирования транспортных потоков в интересах общества. Координируя небольшую часть поездок, мы можем добиться системных преимуществ, которые принесут пользу всем участникам дорожного движения, а не только тем, кто использует конкретное приложение. Примечательно, что преимущества разгрузки целевых сегментов получают как пользователи навигации, так и те, кто ею не пользуется, что приводит к улучшению показателей времени в пути в масштабах всей сети и сокращению выбросов CO2e.

Помимо непосредственного снижения транспортной загруженности, эта работа закладывает основу для строгого, основанного на экспериментах подхода к управлению дорожным движением. По мере развития инфраструктуры «умного города» продемонстрированный здесь экспериментальный подход — использование возможностей подключения для измерения и облегчения изменений на системном уровне — может быть применен к более широким задачам, таким как динамическое управление светофорами и оптимизация сети в реальном времени в сложных городских условиях. Хотя эти результаты показывают потенциал относительно простого изменения маршрута, они закладывают основу для будущего, в котором автомобили, инфраструктура и маршрутизация с учетом особенностей сети будут работать вместе для оптимизации эффективности и устойчивости поездок для всего сообщества.

Благодарности

Данная работа выполнена в сотрудничестве с Александром Байеном, Эндрю Томкинсом, Теофилем Кабаном, Кевином Ченом, Йеченом Ли, Марком Нункессером, Премом Рамасвами, Эраем Туркелем, Шошаной Вассерман и Хайчжэном Чжаном.

Источник: research.google