🤖 AI

HLSR: Hybrid Live Forecast Selective Dynamic Vehicle Rerouting for Real-Time Congestion Avoidance

Dit artikel stelt HLSR voor, een selectief hybride live-forecast framework dat realtime snelheden integreert met kortetermijnvoorspellingen en op de bestuurder toegesneden metrieken om een beperkte subset van voertuigen dynamisch te herrouteren voor effectieve real-time congestievermijding zonder netwerkbrede herplanning te vereisen.

Oorspronkelijke auteurs: Xiao Wang, Shun Ren Yang, Hui Nien Hung

Gepubliceerd 2026-08-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Xiao Wang, Shun Ren Yang, Hui Nien Hung

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Steden worden steeds dichter bebouwd en de wegen binnen die steden hebben moeite om het bij te houden. Naarmate meer mensen van het platteland naar stedelijke centra verhuizen, neemt de druk op verkeersnetwerken toe. Het simpelweg aanleggen van meer wegen is vaak onmogelijk vanwege ruimtegebrek en kosten, dus moeten steden slimmere manieren vinden om de doorstroming van bestaande voertuigen te beheren. Huidige navigatie-apps, zoals die op smartphones, zijn goed in het vinden van de snelste route op basis van de verkeersomstandigheden op het moment dat een bestuurder aan zijn reis begint. Ze hebben echter moeite wanneer een bestuurder al onderweg is. Als er een file ontstaat, falen deze apps er vaak in om bestuurders die al vastzitten aan een bepaald pad om te leiden, of erger nog, ze kunnen te veel bestuurders naar een nieuwe route sturen, waardoor er elders een nieuwe flessenhals ontstaat. De uitdaging voor verkeeringstechnici is om net genoeg in te grijpen om congestie te verzachten zonder chaos te veroorzaken door de plannen van elke auto op de weg te wijzigen.

Om dit op te lossen, hebben onderzoekers een nieuw systeem ontwikkeld genaamd HLSR, wat staat voor Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting. Deze aanpak werd getest in een gedetailleerde computersimulatie van de stad Tainan, Taiwan, met behulp van een microscopisch verkeersmodel dat individuele voertuigen volgt. Het kernidee achter HLSR is om selectief te zijn in plaats van overweldigend. In plaats van te proberen de route voor elk voertuig in de stad opnieuw te plannen, identificeert het systeem specifieke knelpunten en grijpt alleen in bij de voertuigen die waarschijnlijk vast komen te zitten of de probleemplek naderen. Het werkt als een verkeersregelaar die de doorstroming in de gaten houdt, een ontwikkelende file opmerkt en de auto's die deze nadert voorzichtig naar een ander pad leidt voordat ze gevangen raken, terwijl de rest van het verkeer natuurlijk blijft doorstromen.

Het systeem werkt in drie hoofdfasen. Eerst detecteert het congestie door naar twee specifieke signalen te kijken: hoe vol de weg is en hoe snel de auto's bewegen. Het vertrouwt niet op slechts één van deze factoren; in plaats daarvan vereist het zowel een drukke weg als een significante daling in snelheid voordat het besluit dat een file echt is. Dit voorkomt dat het systeem reageert op kleine vertragingen die vanzelf zouden verdwijnen. Zodra een file is bevestigd, selecteert het systeem welke voertuigen een andere route moeten nemen. Het kijkt naar de auto's die zich momenteel op de weggedeelten vóór de file bevinden, evenals naar de auto's die op het punt staan die gedeelten binnen te gaan. Dit zorgt ervoor dat de interventie tijdig is, waardoor bestuurders wordt geholpen voordat ze volledig vaststaan in de wachtrij.

De meest significante innovatie in HLSR is hoe het de beste nieuwe route berekent. Traditionele systemen kijken meestal alleen naar de verkeersomstandigheden van dit exacte moment. HLSR combineert echter wat er op dit moment op de weg gebeurt met een kortetermijnvoorspelling van wat er in de volgende paar minuten zal gebeuren. Voor het deel van de route die een bestuurder onmiddellijk zal afleggen, vertrouwt het systeem op de live gegevens van wegsensoren. Voor de delen van de route die verderop liggen, waar de bestuurder later zal aankomen, vertrouwt het systeem op een prognose van toekomstige verkeerssnelheden. Deze hybride aanpak stelt het systeem in staat om routes te vermijden die nu vrij lijken, maar voorspeld worden verstopt te raken tegen de tijd dat de bestuurder daar aankomt. Het personaliseert ook deze voorspellingen door rekening te houden met hoe verschillende bestuurders zich gedragen, zoals of zij de neiging hebben sneller of langzamer te rijden dan het gemiddelde.

De resultaten van de simulatie waren opvallend. In een scenario met 8.000 voertuigen verminderde het nieuwe systeem de gemiddelde reistijd tot 380,6 seconden. Dit was aanzienlijk sneller dan een systeem dat alleen live gegevens gebruikte om dezelfde hoeveelheid auto's om te leiden, wat een gemiddelde tijd van 438,1 seconden opleverde. Het presteerde ook beter dan een systeem dat probeerde elke auto in de stad om te leiden met alleen live gegevens, wat gemiddeld 408,1 seconden duurde. De onderzoekers ontdekten dat de hybride live-en-voorspellingsmethode de belangrijkste drijfveer van dit succes was; zonder het voorspellende element daalde de prestaties van het systeem aanzienlijk. Zelfs toen het verkeersvolume werd verhoogd naar 16.000 en vervolgens 20.000 voertuigen, bleef het HLSR-systeem het meest efficiënt en hield het de reistijden lager dan alle andere geteste methoden.

De studie onderzocht ook hoe ver terug het systeem moet kijken bij het selecteren van auto's om te herrouteren. Ze ontdekten dat te ver terugkijken leidde tot onnodige wijzigingen voor bestuurders die ver van de file waren, terwijl te dichtbij kijken bestuurders miste die hulp nodig hadden. De optimale instelling was om negen weggedeelten terug te kijken, wat een balans vond tussen de noodzaak om vroegtijdig in te grijpen zonder te veel mensen te verstoren. De onderzoekers testten ook verschillende manieren om toekomstig verkeer te voorspellen. Ze ontdekten dat een systeem dat specifiek ontworpen is om de beste routes te rangschikken, in plaats van alleen de snelheid nauwkeurig te voorspellen voor elk afzonderlijk weggedeelte, beter werkte voor het algemene doel van het verminderen van de reistijd.

Uiteindelijk demonstreert dit onderzoek dat een gerichte, slimme aanpak van verkeersbeheer effectiever is dan een algemene aanpak. Door realtime observaties te combineren met kortetermijnvoorspellingen en alleen daar in te grijpen waar nodig, kunnen steden reistijden en emissies verminderen zonder de enorme verstoring van het herrouteren van elk voertuig. De simulatie suggereert dat deze methode robuust genoeg is om zware verkeersbelastingen aan te kunnen, en biedt een praktisch pad vooruit voor intelligente transportsystemen die de steden soepel in beweging willen houden.

Technische Samenvatting: HLSR – Hybride Live–Forecast Selectieve Dynamische Voertuigherroutering

1. Probleemstelling

Verkeerscongestie in stedelijke gebieden vermindert de productiviteit aanzienlijk en verhoogt de reiskosten en emissies. Hoewel netwerkbrede live kortste-pad herroutering (bijv. het herplannen van elk voertuig bij elk beslissingsinterval) veelbelovend is in simulaties, rust het op de onrealistische aanname dat elk voertuig op de weg continu kan worden herpland. Bovendien lijden bestaande selectieve herrouteringsmethoden onder drie primaire beperkingen:

Congestiedetectie: Detectoren met een enkele indicator of een lokaal bereik missen vaak heterogene congestiepatters en netwerkbrede koppelingen.
Voertuigselectie: Vaste ruimtelijke vensters of gulzige (greedy) selectiestrategieën leiden er vaak toe dat ofwel verre voertuigen te veel worden herrouterd, ofwel te weinig wordt gereageerd op verkeer dat upstream naar een bottleneck nadert.
Routeallocatie: Beleid dat uitsluitend gebaseerd is op de huidige live verkeerssituatie negeert informatie uit korte-termijnvoorspellingen die vereist is voor segmenten die in toekomstige beslissingsperioden zullen worden doorreden, wat leidt tot suboptimale routering naarmate de omstandigheden evolueren.

Het artikel adresseert de behoefte aan een framework dat selectief ingrijpt op door congestie getroffen voertuigen, terwijl het real-time observaties combineert met korte-termijnvoorspellingen om de routeallocatie te optimaliseren onder een beperkte interventieomvang.

2. Methodologie: Het HLSR-framework

De auteurs stellen HLSR (Hybrid Live–Forecast Selective Rerouting) voor, een driefasig framework dat duale-threshold detectie, gekalibreerde voertuigselectie en hybride live–forecast routekosten integreert.

A. Systeemmodel en Sensoren

Het systeem werkt op een gerichte stedelijke wegstructuur die is opgedeeld in zones. Het maakt gebruik van:

Live Sensing: Real-time segmentbezetting ($RO$) en snelheidsratio's ($RV$) afgeleid van lussen (loop detectors) en voertuigrapportages.
Beslissingsvensters: Discrete aggregatievensters (standaard $T=300$ s) waar statistieken worden geaccumuleerd en controlelussen worden aangeroepen.
Snelheidswaarden: Het framework maakt onderscheid tussen Live Snelheid ( $V^{live}$ ) van huidige sensoren en Voorspelde Snelheid ( $V^{pred}$ ) gegenereerd door een spatio-temporele voorspeller voor toekomstige horizonten.

B. Fase 1: Duale-Threshold Congestiedetectie

Congestie wordt pas verklaard wanneer zowel genormaliseerde bezettings- als snelheidsmetrieken specifieke drempelwaarden overschrijden ( $RO > \delta_O$ en $1-RV > \delta_V$ ). Deze duale-threshold benadering voorkomt fout-positieven waarbij bezetting en snelheid uiteenlopen. Een samengestelde ernstmetriek ($RS$) wordt berekend om de interventie te wegen.

C. Fase 2: Gekalibreerde Voertuigselectie

In plaats van vaste ruimtelijke vensters gebruikt HLSR een gekalibreerde upstream hop-diepte ( $\theta_{ur}$ ) gecombineerd met een approaching-vehicle expansie mechanisme:

Upstream Selectie: Identificeert voertuigen die zich momenteel op segmenten bevinden binnen $\theta_{ur}$ hops upstream van de bottleneck.
Approaching Expansie: Supplementeert de set met voertuigen die buiten dit venster vallen, maar op een geplande route naar de bottleneck zitten en een resterend aantal hops hebben van $\le 2$ .
Dit zorgt ervoor dat de interventieomvang beperkt blijft tot voertuigen die de bottleneck waarschijnlijk zullen beïnvloeden, waardoor onnodige herroutering van afstandelijk verkeer wordt voorkomen.

D. Fase 3: Hybride Live–Forecast Routeallocatie

Dit is de kerninnovatie. Voor elk geselecteerd voertuig genereert het systeem $N_{cr}$ kandidaatroutes (met behulp van het Yen's K-kortste pad algoritme) en alloceert het de optimale route op basis van een hybride kostenfunctie:

Horizon-adaptieve Snelheidsfusie: De kosten van een padsegment worden berekend met behulp van een gefuseerde snelheid $\tilde{V}$ , die live en voorspelde snelheden mengt op basis van de voorspellingshorizon ( $h$ ):
$\tilde{V}(s, \tau, h) = \alpha(h) V^{live}(s, \tau) + (1 - \alpha(h)) V^{pred}(s, \tau, h)$
waarbij $\alpha(h)$ lineair afneemt met de horizon. Nabije segmenten vertrouwen op live data; verre segmenten vertrouwen op voorspellingen.
Driver-Tailored Voorspelling: Het voorspellingsmodule gebruikt LSTAN_GERPE, een netwerkbreed spatio-temporeel voorspeller. Cruciaal is dat het een driver-behavior parameter ( $B_d$ ) incorporeert om voorspelde snelheden te personaliseren voor specifieke voertuigen, in plaats van een generiek netwerkgemiddelde te gebruiken.
Ranking-Aware Fine-Tuning: De voorspeller kan optioneel worden verfijnd met een k-kortste-pad ranking loss. Dit zorgt ervoor dat het model de relatieve ordening van kandidaatroutes behoudt, en niet alleen de edge-niveau nauwkeurigheid.
Multi-Objective Scoring: De uiteindelijke route wordt geselecteerd door een gewogen som van genormaliseerde reistijd, padlengte, routegelijkenis en netwerkbezettingbalans te minimaliseren.

3. Belangrijkste Bijdragen

Het artikel claimt vier primaire bijdragen:

Proactieve Selectieve Herroutering: Een kader met een beperkte interventie via duale-threshold detectie en gekalibreerde upstream selectie dat de herroutering beperkt tot congestie-gerelateerde voertuigen, terwijl naderend verkeer wordt meegenomen.
Hybride Live–Forecast Kostenberekening: Een nieuw routekostenmechanisme dat live en voorspelde snelheden fuseert met horizon-afhankelijke gewichten, gekoppeld aan travel-time-gewogen K-kortste-pad generatie.
Driver-Aware Voorspelling: Een netwerkbreed voorspeller (LSTAN_GERPE) die is versterkt met driver-behavior personalisatie en ranking-aware fine-tuning, dienend als een ondersteunende module voor routering in plaats van een standalone end-to-end solver.
Fair-Scope Evaluatie: Een uitgebreide evaluatie op een gereproduceerd Tainan SUMO-scenario (seed 42) waarbij HLSR wordt vergeleken met klassieke selectieve baselines, geïmplementeerde state-of-the-art methoden, en netwerkbrede live Dijkstra, over variërende verkeersvraag (8.000 tot 20.000 voertuigen).

4. Experimentele Resultaten

Experimenten werden uitgevoerd op een Tainan wegennetwerk (204 kruispunten, 561 segmenten) met behulp van SUMO met seed 42.

Prestaties bij 8.000 Voertuigen:
- HLSR behaalde een gemiddelde reistijd van 380,6 s.
- Dit presteerde beter dan HLSR-LIVE (selectieve herroutering met enkel live snelheden) met 57,5 s (438,1 s), wat de waarde van hybride forecasting aantoont.
- Het presteerde beter dan CAIE-TT-Scoped (live Dijkstra op dezelfde selectieve set) met 11,0 s (391,6 s).
- Het bleef competitief met CAIE-TT (netwerkbrede live Dijkstra, 408,1 s) terwijl het op veel minder voertuigen ingreep.
- Het presteerde significant beter dan andere selectieve baselines zoals Du-GAQ (425,5 s) en NRR (525,5 s).
Schaalbaarheid (16.000 en 20.000 Voertuigen):
- HLSR behield de beste prestaties bij hogere belastingen: 895,7 s (16k) en 9 71,7 s (20k).
- Het prestatieverschil werd groter ten opzichte van dezelfde-scope live-only controles (bijv. HLSR-LIVE degradeerde naar 1281,3 s bij 16k voertuigen), wat aangeeft dat hybride forecasting cruciaal is onder zware congestie om over-herroutering te voorkomen.
Ablatie-studies:
- Het verwijderen van hybride kostenberekening (HLHLSR-LIVE) veroorzaakte de grootste prestatiedegradatie (+57,5 s).
- Het verwijderen van driver-personalisatie of het gebruiken van een niet-ranking-aware voorspeller resulteerde in kleinere maar consistente straffen.
- De upstream hop-diepte $\theta_{ur}=9$ werd geïdentificeerd als optimaal, waarbij een balans wordt gevonden tussen interventieomvang en reistijd.

5. Betekenis en Claims

Het artikel stelt dat HLSR aantoont dat hybride live–forecast kostenberekening de primaire drijfveer is van de prestatieverbetering in selectieve herroutering, in plaats van de specifieke keuze van de voorspellings-backbone of het volume aan herrouterde voertuigen.

Belangrijke claims zijn onder meer:

Efficiëntie: HLSR bereikt lagere gemiddelde reistijden dan netwerkbrede live herrouteringsschema's terwijl het ingrijpt op een aanzienlijk kleinere subset van voertuigen, wat de computationele overhead en irritatie bij bestuurders vermindert.
Robuustheid: Het framework blijft effectief in scenario's met hoge vraag waar live-only selectieve methoden falen door over-herroutering.
Integratie: Het werk integreert succesvol duale-threshold detectie, gekalibreerde selectie en horizon-adaptieve kostenberekening in een uniforme pipeline, waarmee de terugkerende beperkingen van bestaande driefasige herrouteringsmethoden worden geadresseerd.
Rol van Forecasting: De voorspellingsmodule wordt gepositioneerd als een ondersteunende component voor routekostenberekening, niet als een standalone end-to-end rerouter, waardoor real-time observaties de autoritaire referentie blijven voor nabije horizonten.

De auteurs concluderen dat door real-time sensing te combineren met korte-termijnvoorspellingen onder een beperkte interventieomvang, HLSR een praktische en effectieve oplossing biedt voor real-time stedelijke congestiemitigatie.