A Coordinated Routing Approach for Enhancing Bus Timeliness and Travel Efficiency in Mixed-Traffic Environment

Dit artikel presenteert een gecoördineerde routeplanningsaanpak voor connected en geautomatiseerde voertuigen in busstroken die, door gebruik te maken van realtime verkeersdata, zowel de punctualiteit van het openbaar vervoer als de reistijd van deze voertuigen in gemengde verkeersomgevingen verbetert.

De kern

Stel je voor dat een stad een groot, levend orgel is. De auto's zijn de noten, de wegen zijn de snaren en het verkeer is de muziek die we horen. Maar soms, als er te veel noten tegelijk worden gespeeld, ontstaat er een rommelig geluid: verkeersopstoppingen.

In deze paper beschrijven de auteurs een slimme manier om die muziek weer harmonieus te maken, met een speciale focus op twee soorten "muzikanten": bussen en slimme, zelfrijdende auto's (CAV's).

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Probleem: De Strijd om de Snelweg

Stel je voor dat er een speciale, snelle rijbaan is (een dedicated lane). Normaal gesproken is deze alleen voor bussen, zodat ze altijd op tijd aankomen bij hun haltes. Maar in de toekomst komen er ook zelfrijdende auto's.

Het dilemma is als volgt:

• Als we de snelweg alleen voor bussen houden, zijn de zelfrijdende auto's vastgepakt in de normale file. Dat is zonde, want die auto's zijn slim en kunnen het verkeer beter regelen.
• Als we de snelweg alleen voor zelfrijdende auto's openen, raken de bussen in de file en komen ze te laat. Dat is slecht voor de mensen die naar het werk moeten.

De auteurs zeggen: "Waarom kiezen we? Laten we de snelweg delen, maar dan op een heel slimme manier."

2. De Oplossing: De "Verkeersdirigent"

De paper stelt een systeem voor dat fungeert als een super-snelle verkeersdirigent. Deze dirigent kijkt niet alleen naar wat er nu gebeurt, maar voorspelt ook wat er binnenkort gaat gebeuren.

Hoe werkt het?

• De Bussen zijn de VIP's: De bussen hebben een strak tijdschema (een treinrooster). Ze mogen nooit te laat zijn.
• De Zelfrijdende Auto's zijn de Flexibele Dancers: Deze auto's kunnen van rijbaan wisselen. Ze kunnen op de normale weg rijden, maar ook op de snelle busbaan, zolang ze de bussen maar niet in de weg zitten.

3. De Magie: Voorkomen in plaats van Reageren

Stel je voor dat je een bus ziet aankomen bij een halte. De "dirigent" (het computersysteem) ziet dat er straks een zelfrijdende auto op diezelfde busbaan gaat rijden. Als die auto daar blijft, ontstaat er een file en komt de bus te laat.

In plaats van te wachten tot de file er is, doet het systeem dit:

1. Voorspellen: Het systeem zegt: "Over 30 seconden staat die zelfrijdende auto in de weg van de bus."
2. Afbuigen: Het systeem stuurt die zelfrijdende auto nu al een andere route op, een omweg via de normale wegen, zodat de busbaan vrij blijft voor de bus.
3. Win-Win: De bus rijdt soepel door (op tijd!), en de zelfrijdende auto rijdt misschien iets langer, maar voorkomt dat hij straks in een enorme file komt te staan.

4. De Vergelijking: Een Danspartij

Je kunt dit vergelijken met een dansfeest:

• De bussen zijn de dansers die een strak choreografie moeten volgen. Als ze worden gestoord, is de hele show kapot.
• De zelfrijdende auto's zijn de andere gasten die vrij kunnen dansen.
• De dirigent (het systeem) ziet dat een gast op het punt staat de dansers in de weg te lopen. In plaats van te wachten tot er een botsing is, fluistert de dirigent de gast toe: "Ga even naar de andere kant van de zaal, dan kunnen de dansers hun routine afmaken."

5. Wat is het Resultaat?

De auteurs hebben dit getest in een virtuele stad (een computerprogramma genaamd SUMO, dat lijkt op een heel realistisch computerspel). De resultaten waren indrukwekkend:

• Bussen: Ze kwamen bijna altijd op tijd aan. De vertraging was bijna verdwenen.
• Zelfrijdende auto's: Ze kwamen ook sneller aan dan wanneer ze vastzaten in de file of wanneer ze alleen maar op de normale weg reden.
• Normale auto's (de mensen): Ook zij profiteerden, omdat de file op de busbaan werd opgelost en het verkeer overal soepeler liep.

Conclusie

De kernboodschap is: Samenwerking werkt beter dan strijd.

Door zelfrijdende auto's slim te laten meewerken aan het tijdschema van de bussen, krijgen we het beste van twee werelden: betrouwbare openbare vervoer én efficiënter verkeer voor iedereen. Het is alsof je de verkeerslichten niet alleen op groen zet, maar de auto's zelf vertelt hoe ze het beste kunnen dansen zonder elkaar te raken.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "A Coordinated Routing Approach for Enhancing Bus Timeliness and Travel Efficiency in Mixed-Traffic Environment" in het Nederlands.

Technische Samenvatting: Gecoördineerde Routeplanning voor Bussen en CAV's

1. Probleemstelling

De overgang naar een volledig autonoom voertuigenpark zal decennia duren, wat leidt tot langdurige gemengde verkeersomgevingen waarin Connected and Automated Vehicles (CAV's), menselijk bestuurde voertuigen (HVs) en bussen naast elkaar rijden.

• De uitdaging: Het toewijzen van speciale rijstroken (Dedicated Lanes - DL) aan CAV's kan de capaciteit verhogen, maar het wegnemen van bestaande rijstroken voor bussen of het creëren van nieuwe infrastructuur is vaak onhaalbaar of kostbaar.
• Het conflict: Als bussen en CAV's dezelfde speciale rijstrook (joint DL) delen, kunnen CAV's, ondanks hun efficiëntie, onbedoeld vertragingen veroorzaken voor bussen. Dit ondermijnt de betrouwbaarheid van het openbaar vervoer (punctualiteit).
• Het doel: Er is een strategie nodig die de prioriteit van bussen behoudt (zodat ze op schema blijven) terwijl CAV's profiteren van de gedeelde rijstrook om hun reistijden te verkorten en de algehele verkeersstroom te optimaliseren.

2. Methodologie

De auteurs stellen een coördinatie- en dynamische herleidingsstrategie voor die gebruikmaakt van real-time verkeersdata om CAV-routes proactief aan te passen.

• Netwerkmodel:

  • Het wegennetwerk wordt gemodelleerd als een gerichte graaf $G=(V, E)$ met knopen voor kruispunten en bushaltes.
  • Er zijn twee soorten rijstroken: Algemene Rijstroken (GPL) voor HV's en CAV's, en Gedeelde Speciale Rijstroken (Joint DL) voor bussen en CAV's.
  • Bussen volgen een vast tijdschema en een vaste route op de DL. CAV's hebben flexibiliteit om tussen GPL en DL te wisselen.

• Verkeersstroommodellerings:

  • De reistijd op een wegsegment wordt berekend met de Bureau of Public Roads (BPR)-functie, die rekening houdt met de stroomverhouding (flow-to-capacity ratio).
  • Voorspellend Monitoring: Het systeem gebruikt sensoren om de verwachte verkeersstroom te schatten binnen een tijdsvenster ($\Delta T$). Het berekent de cumulatieve instroom van CAV's op specifieke segmenten van de busroute.
  • Als de verwachte reistijd op een DL-segment een bepaalde drempel overschrijdt (indicatie van toekomstige congestie die de bus zou vertragen), wordt een herleidingsprikkel geactiveerd.

• Dynamische Herleidingsalgoritme:

  • Identificatie: Het systeem identificeert een minimale set CAV's die op het punt staan de congestie te veroorzaken op het moment dat de bus aankomt.
  • Optimalisatie: Voor deze geselecteerde CAV's wordt een nieuw, optimaal traject berekend (van het huidige kruispunt naar de bestemming) dat de druk op de busroute vermindert.
  • Algoritme: Er wordt een voorspellende Dijkstra-algoritme gebruikt. De randgewichten in dit algoritme zijn niet statisch, maar gebaseerd op de verwachte reistijden op basis van real-time data en de potentiële congestie die door andere CAV's wordt veroorzaakt.
  • Doel: Minimaliseren van de totale reistijd van de geredirigeerde CAV's, terwijl de busstraf (delay) wordt geminimaliseerd.

3. Belangrijkste Bijdragen

1. Gecombineerde Routeplanning: Een nieuw kader dat CAV-routering in een gemengd verkeer netwerk coördineert met busdiensten, specifiek gericht op het delen van bestaande busrijstroken.
2. Dynamische Conditie-inschatting: Integratie van een real-time monitoringssysteem dat potentiële congestie op busroutes voorspelt en CAV's proactief omleidt voordat de congestie optreedt, in plaats van reactief te reageren.
3. Validatie in Realistische Omgeving: De strategie is getest in de SUMO-simulatieomgeving (Simulation of Urban MObility) met data van een realistisch stedelijk wegennetwerk (Van Ness Avenue in San Francisco), inclusief verschillende CAV-penetratierates.

4. Resultaten

De simulaties vergeleken de voorgestelde methode met twee benchmarks:

• SRP (Static Route Planning): Vaste routes zonder herleiding.
• DRP (Dynamic Route Planning): Herleiding alleen op basis van huidige congestie, zonder specifieke busprioriteit.

Kernbevindingen:

• Bus Punctualiteit: De voorgestelde methode verbeterde het percentage bussen dat op tijd aankwam aanzienlijk. Waar SRP slechts 23% en DRP 57% haalde, bereikte de voorgestelde methode 90% punctualiteit op alle haltes. De cumulatieve vertraging van bussen werd bijna volledig geëlimineerd.
• CAV en HV Efficiëntie: Door CAV's proactief weg te leiden van knelpunten, werden de totale reistijden voor zowel CAV's als HV's verlaagd.
  • Opmerkelijk: De DRP-methode resulteerde soms in langere reistijden voor CAV's dan SRP, omdat alle voertuigen gelijktijdig naar dezelfde "kortste" route stroomden en secundaire congestie creëerden. De voorgestelde methode voorkomt dit door gecoördineerde, verspreide herleiding.
• Penetratiegraden: De voordelen van de methode waren consistent bij penetratierates van 10%, 30% en 50%. Boven de 30% stabiliseerden de winsten, wat suggereert dat de methode schaalbaar is.
• Vergelijking met Exclusieve Busbanen: Zelfs in vergelijking met een scenario waarin CAV's de busbaan niet mogen gebruiken, presteerde de voorgestelde methode beter voor alle voertuigtypes (CAV, HV en Bus), wat aantoont dat gedeeld gebruik met slimme coördinatie superieur is aan strikte scheiding.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat het delen van infrastructuur tussen bussen en CAV's haalbaar en voordelig is, mits er sprake is van intelligente coördinatie.

• Systeemoptimalisatie: De studie toont aan dat het niet nodig is om nieuwe infrastructuur te bouwen of bussen te verdringen om CAV's te integreren. Door real-time data en voorspellende routing kan het openbaar vervoer prioriteit behouden terwijl de totale verkeersstroom efficiënter wordt.
• Toekomstperspectief: De aanpak biedt een robuust kader voor de overgangsperiode naar autonoom vervoer, waarbij de betrouwbaarheid van het openbaar vervoer (een cruciaal element voor duurzame mobiliteit) niet wordt opgeofferd voor de snelheid van individuele voertuigen. Toekomstig werk richt zich op de uitbreiding naar multimodale systemen en grootschalige netwerken.