Optimal Scheduling of Road Maintenance Jobs Considering Impact on Traffic Flows

Stel je de stad voor als een gigantische, levende puzzel waarbij elke weg een stukje is en elke bestuurder een speler die probeert deze op te lossen. Wanneer een weg wordt afgesloten voor reparaties, is dat alsof je een stukje uit de puzzel trekt; plotseling moet iedereen naar een nieuwe plek zoeken en het hele beeld verschuift. Dit is de wereld van verkeersengineering, een vakgebied dat zich bezighoudt met het begrijpen van hoe mensen zich door deze complexe netwerken bewegen. In het hart van deze puzzel ligt een concept genaamd "evenwicht", wat gewoon een chique manier is om te zeggen dat iedereen een route heeft gevonden waarbij ze niet sneller op hun bestemming kunnen aankomen door van pad te wisselen. Als je ooit in de file hebt gestaan terwijl je GPS je een andere route voorstelde, om er vervolgens achter te komen dat het nieuwe pad net zo verstopt is, heb je dit evenwicht in actie ervaren. De grote vraag voor stadsplanners is: hoe plannen we wegwerkzaamheden zodat we een kleine reparatie aan een kuil niet veranderen in een stadswijde verkeersnachtmerrie? Traditioneel gezien was het uitzoeken hiervan als het proberen op te lossen van een enorme wiskundige vergelijking bij elke nieuwe reparatieplanning, een proces dat zo traag en zwaar is dat het planners er vaak van weerhoudt om de beste beslissingen te nemen.

Dit artikel, gepresenteerd op de IISE Annual Conference van 2026, pakt dit zware wiskundige probleem aan door computers te leren het antwoord te raden in plaats van het telkens opnieuw te berekenen. De auteurs, Charitha Nandepu en hun team, keken naar een echt verkeersnetwerk in Newark, New Jersey, waarbij ze zich specifiek richtten op een drukke corridor die bekend staat als de Garden State Parkway. Ze begonnen met het draaien van een supernauwkeurige, maar zeer trage computersimulatie om precies te bepalen hoe het verkeer zou stromen als wegen zouden worden afgesloten. Zie dit als de "gouden standaard" of de "grondwaarheid"—het perfecte antwoordmodel. Ze gebruikten deze gegevens om vier verschillende soorten kunstmatige intelligentie (AI) modellen te trainen, waarbij ze de computers in feite leerden om te kijken naar waar mensen naartoe willen (herkomst-bestemmingsvraag) en direct te voorspellen hoe het verkeer zich zou gedragen zonder de zware wiskunde nodig te hebben.

Het team testte vier verschillende "hersenen" voor hun AI: een standaard meerlaags netwerk (MLP), een patroonherkenner (CNN), een expert in netwerkstructuren (GNN), en een model dat aandacht besteedt aan de relaties tussen alle onderdelen van het systeem (Attention-based NN). De resultaten waren duidelijk: het model dat aandacht besteedde aan het grote plaatje won. Het "Attention-based" neurale netwerk was de ster van de show; het voorspelde verkeerspatronen ongeveer 98% van de tijd correct (een R²-score van 0,9835) en maakte de minste fouten op de drukste wegen. In tegenstelling hiertoe struikelden de andere modellen, vooral de standaardmodellen, aanzienlijk wanneer het verkeer zwaar werd, met fouten die opliepen tot bijna 1.000 voertuigen per uur op cruciale trajecten. Het grafische model (GNN) deed het redelijk goed, maar het attention-based model was het meest accuraat, met een foutmarge van slechts 35,87 voertuigen per uur in totaal.

Het artikel beweert niet dat het het hele probleem van het plannen van wegwerkzaamheden voor altijd heeft opgelost. In plaats daarvan suggereert het dat het gebruik van deze snelle, op data gebaseerde AI-modellen een veelbelovende manier is om het planningsproces te versnellen. Door de trage, zware berekeningen te vervangen door een snelle AI-voorspelling, zouden stadsbestuurders potentieel veel meer reparatieschema's kunnen testen in de tijd die het vroeger kostte om er slechts één te testen. De studie laat zien dat deze aanpak voor het gebied rond Newark goed genoeg werkt om een nuttig hulpmiddel te zijn, wat een manier biedt om het verkeer soepel te laten doorstromen, zelfs wanneer de wegen in aanbouw zijn. Het is een stap naar het minder vastlopen van onze steden, één slimme voorspelling per keer.