Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

Steden ademen zwaarder dan ooit. De enorme hoeveelheid voertuigen op de weg heeft dagelijkse ritten en bezorgroutes veranderd in een verstrengeld web van stop-en-ga frustratie, wat de lucht verstikt en tijd verspilt. In de visie van een "slimme stad" is technologie bedoeld om deze chaos te ontwarren, niet alleen door te voorspellen waar het verkeer zal zijn, maar door actief te beheren hoe goederen zich door het netwerk bewegen. De kernuitdaging ligt in twee moeilijke taken: precies weten hoe druk een straat zal zijn voordat een vrachtwagen zelfs maar het depot verlaat, en vervolgens het juiste voertuig voor de klus kiezen. Een bestelbusje is misschien perfect voor een korte rit door een rustige buurt, maar een verschrikkelijke keuze voor een lange rit over een drukke snelweg, vooral als het op elektriciteit rijdt met een beperkte actieradius. Het goed krijgen van deze twee beslissingen — het voorspellen van de doorstroming en het kiezen van de machine — is de sleutel tot het verminderen van het aantal voertuigen op de weg, wat op zijn beurt de CO2-emissies verlaagt en de reistijden voor iedereen verkort.

Een team van onderzoekers heeft dit probleem aangepakt met een nieuw systeem dat is ontworpen om te fungeren als een centraal zenuwstelsel voor stedelijke leveringen. Ze noemen hun creatie het Neighbor-Embedded Graph Neural Network-gebaseerde Crowd Delivery Traffic Management model. Hoewel de naam technisch is, is het concept eenvoudig: het is een tweeledige motor die eerst verkeersopstoppingen voorspelt en vervolgens die voorspelling gebruikt om het beste voertuig voor een specifieke bezorgroute te selecteren. Het systeem is gebouwd voor "crowd delivery", een strategie waarbij meerdere nabijgelegen pakketten worden geconsolideerd in één enkele rit, in plaats van voor elk pakket een apart voertuig uit te sturen. Deze aanpak heeft als doel het totale aantal actieve voertuigen op de straat te verkleinen, wat direct bijdraagt aan het doel om steden duurzamer te maken.

Het eerste deel van dit systeem, de Traffic Congestion Prediction Unit, fungeert als een kristallen bol voor de verkeersomstandigheden. In plaats van verkeersgegevens geïsoleerd te bekijken, behandelt het de bezorgstations van de stad als punten op een kaart die allemaal met elkaar verbonden zijn. Het systeem leert hoe het verkeer bij de ene locatie invloed heeft op het verkeer bij de buren, vergelijkbaar met hoe een rimpeling in een vijver zich naar buiten toe verspreidt. Door historische gegevens over voertuigaantallen, snelheden en reistijden te analyseren, bouwt het een dynamisch beeld op van hoe congestie door het netwerk stroomt. Hierdoor kan het het verkeersniveau bij specifieke bezorgstops met hoge precisie voorspellen, zelfs wanneer gegevens ontbreken of de omstandigheden volatiel zijn. De onderzoekers ontdekten dat door nauwlettend aandacht te besteden aan deze relaties tussen buren, het systeem de verkeersstroom aanzienlijk beter kon voorspellen dan oudere methoden die elke locatie als een afzonderlijk eiland behandelden.

Zodra het systeem weet hoe het verkeer eruit zal zien, neemt het tweede deel, de Traffic Observation and Management Unit, het stokje over om de daadwerkelijke beslissingen te nemen. Deze eenheid ontvangt de verkeersvoorspelling en koppelt deze aan de specifieke behoeften van een bezorgverzoek. Het houdt rekening met een verscheidenheid aan factoren: hoe ver het voertuig moet reizen, hoeveel stops het moet maken, welk type weg het zal gebruiken en de eigen capaciteiten van het voertuig, zoals het brandstoftype en de laadcapaciteit. Het systeem berekent vervolgens een score om te bepalen welk voertuig de beste match is. Zo kan het bijvoorbeeld besluiten dat een zware dieselvrachtwagen nodig is voor een lange route met veel stops, terwijl een kleiner elektrisch voertuig de juiste keuze is voor een korte, lokale rit. Deze intelligente matching zorgt ervoor dat het gekozen voertuig niet alleen beschikbaar is, maar ook daadwerkelijk geschikt is voor de klus, waardoor situaties worden voorkomen waarin een kleine bestelwagen vast komt te zitten in een langeafstandstransport of een grote vrachtwagen energie verspilt aan een kleine opdracht.

Om te testen of deze aanpak daadwerkelijk werkt, voerden de onderzoekers uitgebreide evaluaties uit met behulp van een uitgebreide real-world dataset van Beijing trajectgegevens, een stad met complexe en zware verkeerspatronen. Ze voedden het systeem met duizenden bezorgverzoeken en observeerden hoe het presteerde in vergelijking met bestaande methoden. De resultaten waren duidelijk: het nieuwe model maakte minder fouten in zijn voorspellingen en had minder tijd nodig om zijn antwoorden te berekenen. Specifiek verminderde het systeem de fout in zijn verkeersvoorspellingen met een merkbare marge vergeleken met standaardmodellen, en het bracht de tijd die nodig was om de gegevens te verwerken omlaag. In de evaluaties identificeerde het model succesvol de meest efficiënte routes en voertuigcombinaties, wat bewees dat het de chaotische, veranderende aard van het stadsverkeer aan kon zonder overweldigd te raken.

De studie benadrukte ook wat er gebeurt als men de verbindingen tussen verschillende delen van de stad negeert. Wanneer de onderzoekers versies van het systeem testten die niet keken naar hoe naburige stations elkaar beïnvloeden, werden de voorspellingen minder accuraat. Dit bevestigde dat verkeer niet slechts een verzameling geïsoleerde gebeurtenissen is, maar een verbonden stroom waarbij een opstopping in het ene gebied onvermijdelijk het volgende gebied beïnvloedt. Door deze relaties direct in het leerproces in te bedden, legt het nieuwe model de realiteit van hoe verkeer beweegt vast. De onderzoekers concludeerden dat deze geïntegreerde aanpak — het combineren van nauwkeurige forecasting met slimme voertuigselectie — een levensvatbaar pad biedt naar het verminderen van het aantal bezorgvoertuigen op de weg. Hoewel het werk historische trajectgegevens gebruikte voor de evaluatie, suggereren de resultaten dat een dergelijk systeem de efficiëntie van stedelijke logistiek aanzienlijk kan verbeteren, wat steden helpt richting een toekomst met minder congestie en een schonere omgeving.