Research on Traffic Congestion Area Identification and Traffic Control Based on Multi-source Data Fusion

In de bruisende slagaders van moderne steden is verkeer meer dan alleen een verzameling auto's; het is een complex, levend systeem waarbij een enkele blokkade naar buiten toe kan uitwerken, waardoor een soepele rit verandert in een vastgelopen nachtmerrie. Om dit te beheren, vertrouwen stadsplanners al lang op het tellen van voertuigen of het observeren van camera's, maar deze methoden zien vaak slechts een fractie van het totaalplaatje. Een nieuwere aanpak houdt in dat er veel verschillende soorten informatie tegelijkertijd wordt verzameld, vergelijkbaar met hoe een arts de temperatuur, bloeddruk en medische geschiedenis van een patiënt zou combineren voor een volledige diagnose. Door gegevens van GPS in taxi-diensten, magnetische sensoren die onder de wegen zijn begraven en de signalen van mobiele telefoons terwijl mensen zich door een stad bewegen, te versmelten, kunnen onderzoekers een veel helderdere, realtime kaart bouwen van hoe het verkeer zich daadwerkelijk gedraagt. Deze fusie van databronnen maakt een dieper begrip mogelijk van waar verkeersopstoppingen ontstaan, hoe ze zich verspreiden en wanneer ze zullen oplossen, wat een pad biedt naar slimmer en responsiever stadsbeheer.

In een recente studie gericht op het Hongjialou-gebied in Jinan, China, probeerde een team onderzoekers deze aanpak met meerdere databronnen toe te passen om het hardnekkige probleem van stedelijke congestie op te lossen. Hun doel was niet alleen om te zien waar het verkeer traag is, maar om precies te voorspellen hoe een opstopping zal groeien en om specifieke strategieën te testen om deze te verlichten. De onderzoekers begonnen door het wegennetwerk van de stad te verdelen in een raster van kleine, vierkante secties. Vervolgens voedden ze een computersysteem met gegevens uit drie verschillende bronnen: de bewegingspaden van online taxi-voertuigen, de doorstroom van auto's gedetecteerd door magnetische sensoren onder het wegdek, en de bewegingspatronen van mensen afgeleid van mobiele telefoonsignalen. Door deze verschillende informatiestromen zorgvuldig op elkaar af te stemmen, creëerden ze een verenigde, hoogwaardige dataset die de snelheid, het volume en de dichtheid van het verkeer met veel grotere precisie vastlegde dan welke enkele bron ook zou kunnen.

Met deze rijke dataset in handen ontwikkelde het team een methode om exact te identificeren waar verkeersopstoppingen ontstonden en hoe ze waarschijnlijk zouden verspreiden. Ze gebruikten een clusteringtechniek om rastersecties te groeperen die vergelijkbare verkeersgedragingen deelden, waardoor de specifieke wijken waar de congestie het ergst was, effectief werden geaccentueerd. Om te begrijpen hoe een opstopping in één blok een opstopping in het volgende blok kon veroorzaken, bouwden ze een model dat de waarschijnlijkheid berekende dat verkeersvertraging zou overslaan van één raster naar de aangrenzende secties. Hun analyse van de ochtendspits onthulde een duidelijk patroon: congestie gebeurde niet willekeurig. In plaats daarvan begon het vaak in specifieke rastersecties, zoals die nabij grote universiteitscampussen, en verspreidde het zich vervolgens in een kettingreactie naar buiten toe. In één geobserveerd geval verspreidde een opstopping die begon in twee specifieke rasters zich binnen vijftien minuten over bijna twee derde van het onderzoeksgebied, met een hoge waarschijnlijkheid om zijdelings naar aangrenzende straten te bewegen.

Om deze trends te voorspellen voordat ze plaatsvonden, ontwierpen de onderzoekers een geavanceerd computermodel dat uit het verleden kon leren om de toekomst te voorspellen. Dit model combineerde twee krachtige soorten kunstmatige intelligentie: één die ruimtelijke patronen herkende, zoals de lay-out van een druk kruispunt, en een andere die tijdssequenties begreep, zoals de manier waarop het verkeer zich gedurende een uur opbouwt. Ze voegden een speciale functie toe waarmee het model zijn aandacht kon richten op de meest kritieke momenten en locaties, waarbij minder belangrijke ruis werd genegeerd. Bij testen tegenover real-world data bleek dit nieuwe model aanzienlijk nauwkeuriger dan bestaande methoden. Tijdens de chaotische ochtend- en avondspits verminderde het de voorspellingsfouten met ongeveer een kwart vergeleken met oudere modellen, en voorspelde het de verkeersomstandigheden met een nauwkeurigheid van ongeveer 94%. Dit niveau van precisie betekent dat verkeersmanagers potentieel betrouwbare waarschuwingen over aanstaande opstoppingen ruim van tevoren kunnen ontvangen, in plaats van pas te reageren wanneer de wegen al verstopt zijn.

De laatste stap van het onderzoek was om te zien of deze inzichten het verkeer daadwerkelijk konden verbeteren. Het team gebruikte een simulatieplatform om een digitale tweeling van het wegennetwerk te maken, waardoor ze verschillende verkeersregelstrategieën konden testen zonder echte bestuurders te verstoren. Ze vergeleken de huidige, niet-geoptimaliseerde verkeerssignalen met een nieuw plan dat werd gegenereerd door een algoritme dat ontworpen is om de meest efficiënte verdeling van het verkeer te vinden. Dit algoritme werkte door voortdurend kleine aanpassingen aan de verkeersstroom en de timing van de signalen te testen, waarbij de oplossing geleidelijk werd verfijnd totdat het de best mogelijke arrangement vond. De resultaten waren tastbaar: het geoptimaliseerde plan verminderde de gemiddelde tijd die een voertuig door het gebied doorbracht met 12,5% en verkortte de lengte van voertuigrijen met meer dan 22%. Bovendien daalde de totale tijd die auto's wachtten bij rode verkeerslichten met bijna 18%, en nam het aantal voertuigen dat door het netwerk passeerde toe met 7,6%.

Hoewel de studie aantoonde dat het samenvoegen van meerdere databronnen met geavanceerde voorspellingsmodellen de verkeersbeheersing aanzienlijk kan verbeteren, erkenden de onderzoekers dat hun werk een startpunt is en geen definitieve oplossing. De gebruikte gegevens besloegen slechts één week in de lente, en de tests werden uitgevoerd in een specifiek gebied met een rasterachtige wegenstructuur. Het team merkte op dat het systeem over langere perioden getest zou moeten worden, in verschillende seizoenen en in steden met andere wegenlay-outs, om te garanderen dat het overal werkt. Ze wezen er ook op dat de complexe computermodellen enigszins fungeren als een "black box", waardoor het voor menselijke beheerders moeilijk is om precies te begrijpen waarom een voorspelling werd gedaan. Ondanks deze beperkingen biedt de studie een overtuigend bewijs van concept. Het laat zien dat door te luisteren naar de vele signalen die een stad uitzendt, planners kunnen overgaan van het gissen naar verkeerspatronen naar het begrijpen ervan met helderheid, wat de weg vrijmaakt voor steden die hun eigen doorstroming met grotere intelligentie en efficiëntie beheren.