Znajdź zawartość

Profesor Vikash Gayah z Pennsylvania State University próbuje usprawnić ruch w mieście. Uczony uważa, że można to zrobić poprzez likwidację możliwości skrętu w lewo na niektórych skrzyżowaniach. Jednak określenie miejsc, w których powinno się zabronić skręcania w lewo, jest niezwykle trudne. Ostatnio opracował nową metodę, która ułatwia wybór takich miejsc. Wszyscy mamy doświadczenia z długotrwałym oczekiwaniem na skrzyżowaniu, aż będziemy mogli skręcić w lewo. A jeśli już wolno skręcać, to trzeba zatrzymać ruch w innych kierunkach, przez co całe skrzyżowanie jest mniej produktywne. Ze skrętem w lewo wiążą się też poważniejsze wypadki, szczególnie z udziałem pieszych. Chcemy wyeliminować skręty w lewo, by stworzyć bezpieczniejsze skrzyżowanie o większej przepustowości, stwierdza uczony. Gdy na niektórych skrzyżowaniach zabronimy skrętu w lewo, kierowcy będą musieli znaleźć alternatywne drogi dotarcia do celu. Może to czasem oznaczać dłuższą podróż, ale Gayah uważa, że zwiększenie przepustowości ruchu w mieście zrekompensuje ten dodatkowy dystans. Problem jednak w tym, by dobrze wybrać skrzyżowania, na których chcemy wprowadzić taki zakaz. Jeśli mamy do rozważenia zaledwie 16 skrzyżowań i na każdym z nich możemy pozwolić, bądź nie pozwolić na skręt w lewo, to już tutaj jest 65 000 możliwych konfiguracji. A wszystko staje się jeszcze bardziej skomplikowane, jeśli zaczniemy rozważać wpływ ruchu na jednym skrzyżowaniu, a ruch na skrzyżowaniu następnym. Robi się z tego tyle możliwości, że nigdy możemy nie znaleźć tego najlepszego, stwierdza uczony. Metoda Gayaha korzysta z algorytmów heurystycznych, które niecona skróty poszukują rozwiązania. Nie gwarantują one jednak znalezienie najlepszego z możliwych. Zgadujemy. Uczymy się z tego, co odgadliśmy i następnym razem zgadujemy już lepiej. Z czasem możemy w ten sposób bardzo się zbliżyć do optymalnego rozwiązania, mówi. Z artykułu opublikowanego na łamach Transportation Research Record dowiadujemy się, że Gayah połączył dwa algorytmy. Pierwszy z nich, algorytm PBIL (population-based incremental learning), służy do próbkowania różnych konfiguracji skrzyżowań i wyboru najlepszych z nich. Następnie metodą optymalizacji bayesowskiej uczony analizuje wybrane konfiguracje, by sprawdzić, jak ograniczenia na konkretnych skrzyżowaniach wpływają na ruch na skrzyżowaniach sąsiednich. Zamiast zaczynać od optymalizacji bayesowskiej, która ma rozważać przypadkowo wybrane konfiguracje, dajemy algorytmowi najlepsze wyniki z PBIL. Pierwsza metoda tworzy nam punkt startowy, druga go udoskonala. Obecnie uczony pracuje ze zgeneralizowaną siecią drogową. Nie można wziąć najlepszej konfiguracji dla Nowego Jorku i zastosować jej do San Francisco. Za to zgeneralizowaną sieć można dostosować do każdego miejsca, zapewnia. « powrót do artykułu