Le sucede a cada conductor con más frecuencia de la que probablemente le gustaría: viajar a lo largo de una ruta planificada, y de alguna manera uno logra golpear cada luz en el camino. No solo es frustrante, sino que el frenado y el desperdicio desperdician combustible, tiempo e incluso pueden causar un estancamiento, haciendo que toda una ciudad se detenga.
El nuevo software de simulación desarrollado por Carolina Osorio, profesora asistente de ingeniería civil y ambiental en el MIT, promete suavizar el tráfico de una manera más efectiva que cualquier software anterior. Al optimizar el tiempo de los semáforos más allá de las capacidades de los sistemas actuales, se ha demostrado que sus modelos reducen los tiempos de viaje de las horas pico en un 22 por ciento.
Los sistemas de temporización de semáforos generalmente funcionan de una de dos maneras. En una gran ciudad o en una escala regional, los sistemas establecen tiempos de luz basados en el tráfico observado; Estos se denominan modelos basados en el flujo. Otros simuladores trabajan en una escala más micro, teniendo en cuenta las acciones y hábitos de los conductores individuales. Estos simuladores actúan como una especie de inteligencia artificial para ayudar a predecir cómo los comportamientos y las decisiones del conductor pueden cambiar en condiciones de tráfico dadas. Son esas pequeñas diferencias y decisiones individuales las que hacen que los modelos basados en el flujo sean extravagantes.
“Necesito explicar cómo reaccionarán las personas ante mis cambios. Si los tiempos de viaje aumentan en una [carretera] arterial, entonces la gente podría desviarse ", explica Osorio." La mayoría del software de sincronización de señales analiza los patrones de tráfico actuales o históricos. No tiene en cuenta cómo podría cambiar el viaje ".
Este problema puede agravarse a medida que se implementan más y más cambios de señal. Digamos, por ejemplo, que tiene dos rutas posibles para ir al trabajo: la ruta A y la ruta B. Con frecuencia elige la ruta A, pero un día el tiempo del semáforo cambia, por lo que decide cambiar a la ruta B. No solo ha cambiado el flujo de tráfico en la ruta A, pero aquellos que ya estaban tomando la ruta B podrían estar inclinados a reconsiderar sus opciones. Lo que complica aún más las cosas es cómo esos cambios y desvíos podrían extenderse hacia afuera y afectar el resto de las carreteras e intersecciones en la región.
La solución obvia es ejecutar modelos tanto basados en flujo como individualizados para todos los escenarios. Pero simular cada posible permutación del flujo de tráfico no es factible. La cantidad de poder de cómputo que se necesitaría para completar una simulación tan compleja para una ciudad entera haría que el sistema sea prohibitivo.
Para solucionar este problema, sin sacrificar la fidelidad y la fiabilidad, el sistema de Osorio combina lo mejor de ambos mundos. Solo toma los mejores escenarios basados en el flujo, según lo identificado por el software de temporización común, y ejecuta las simulaciones específicas del controlador solo en esos casos.
Tomemos, por ejemplo, una intersección que tiene un flujo de tráfico mucho más pesado al norte y al sur que al este y al oeste. Los modelos más simples pueden razonar que el semáforo debería permitir más tiempo verde en los carriles norte-sur que en los carriles este-oeste. Luego, las simulaciones más complejas pueden ayudar a evaluar cuánto tiempo deben durar esas luces y también predecir el efecto dominó de dicho cambio.
La solución es escalable. "Digamos que tenía 100 tiempos de señal diferentes que quería probar", dice Osorio. “El modelo más simple podría darle una idea de un subconjunto de los 100 que podría tener un gran potencial. Luego, ejecutamos la simulación en el subconjunto ".
Las líneas coloreadas representan las carreteras principales en Lausana, Suiza. El mapa de la izquierda, con programación convencional de semáforos, tiene muchas líneas rojas que representan largos viajes diarios. El mapa correcto, que utiliza el sistema mejorado del investigador, tiene muchas líneas verdes que representan viajes cortos. (Cortesía de Carolina Osorio) El artículo de Osorio, que se publicará en la revista Transportation Science, aplicó su modelo al tráfico en Lausana, Suiza, un área donde ella vivió. Trabajando con datos de tráfico en 47 carreteras y 15 intersecciones (nueve de las cuales tienen semáforos), el estudio aplicó sus algoritmos a la primera hora de la hora pico de la tarde. Las simulaciones reducen el tiempo de viaje en casi un cuarto.
Los simuladores de flujo de tráfico que Osorio alimenta a sus modelos generalmente son creados por las propias ciudades. Los municipios recopilan sus propios datos sobre las condiciones de tráfico prevalecientes y la información del censo de minas, entre otros métodos, para crear modelos en los que confían. Luego entregan sus simulaciones incrustadas con metadatos sobre su infraestructura, destinos populares, tráfico peatonal y otras prioridades relevantes para Osorio.
En Manhattan, por ejemplo, existen restricciones particulares sobre cuánto tiempo los peatones deben tener el derecho de paso. El Departamento de Transporte de la Ciudad de Nueva York ya está colaborando con el equipo de Osorio para administrar el flujo durante los períodos pico en áreas de alto tráfico en Manhattan.
"Tal modelo puede validar nuestro sistema activo de gestión del tráfico en Manhattan, y nos permite ajustar nuestros procesos y mejorar la operación de la red", dijo a MIT News Mohamad Talas, subdirector de ingeniería de sistemas del NYC DOT.
Dependiendo de los objetivos de una ciudad, dice Osorio, el modelo puede ayudar a optimizar diferentes factores. Por ejemplo, podría cronometrar el tráfico para ayudar a los conductores a aumentar la economía de combustible.
Su equipo ya está colaborando con empresas en varios proyectos. Están involucrados en un esfuerzo por ayudar a los conductores de futuros autos autónomos a identificar los momentos y lugares ideales para cambiar al modo autónomo para ahorrar combustible. Otro trabajo en progreso permitirá que los programas de uso compartido de automóviles, como ZipCar, ubiquen mejor sus lugares de recogida y entrega, para que los clientes puedan estimar de manera más confiable sus tiempos de viaje.
Todo el trabajo de Osorio, incluida la prueba de Lausana, todavía está en la fase de simulación, y no hay un cronograma definido para aplicar sus lecciones de tiempo de tránsito a la carretera.
"Pero es por eso que hacemos estas cosas", dice ella, "para implementarlas en el mundo real".
