شبیه‌سازی‌ها مسیر جریان ترافیک پس از رویداد را روشن می‌کنند – وبلاگ تحقیقاتی گوگل

پانزده دقیقه. این همان مدتی طول کشید تا کولوسئوم، یک شگفتی مهندسی که هنوز به عنوان بزرگترین آمفی تئاتر جهان پابرجاست، خالی شود. دو هزار سال بعد، این طراحی همچنان به خوبی کار می کند تا جمعیت عظیمی را از مکان های ورزشی و سرگرمی خارج کند.

اما البته خروج از عرصه تنها اولین قدم است. در مرحله بعد، مردم باید ترافیکی را که در خیابان های اطراف ایجاد می شود هدایت کنند. این یک مشکل قدیمی است که تا به امروز حل نشده باقی مانده است. در رم، آنها با ممنوع کردن تردد خصوصی در خیابانی که مستقیماً از کنار کولوسئوم می گذرد، به این موضوع پرداختند. این سیاست در آنجا جواب داد، اما اگر در رم نباشید چه؟ اگر در Superbowl باشید چه؟ یا در کنسرت تیلور سویفت؟

یک رویکرد برای پرداختن به این مشکل استفاده از مدل‌های شبیه‌سازی است که گاهی اوقات «دوقلوهای دیجیتال» نامیده می‌شوند، که کپی مجازی شبکه‌های حمل‌ونقل در دنیای واقعی هستند که تلاش می‌کنند همه جزئیات را از طرح خیابان‌ها و تقاطع‌ها تا جریان وسایل نقلیه به تصویر بکشند. این مدل ها به کارشناسان ترافیک اجازه می دهد تا ازدحام را کاهش دهند، تصادفات را کاهش دهند و تجربه رانندگان، سواران و پیاده روی ها را به طور یکسان بهبود بخشند. قبلاً، تیم ما از این مدل‌ها برای تعیین کمیت تأثیر پایداری مسیریابی، آزمایش طرح‌های تخلیه و نمایش ترافیک شبیه‌سازی‌شده در Maps Immersive View استفاده می‌کرد.

کالیبره کردن شبیه‌سازی‌های ترافیکی با وضوح بالا برای مطابقت با پویایی خاص یک تنظیمات خاص، یک چالش دیرینه در این زمینه است. در دسترس بودن داده‌های جابجایی کل، داده‌های شبکه جاده‌ای نقشه‌های گوگل، پیشرفت‌ها در علم حمل‌ونقل (مانند درک رابطه بین تقاضای بخش و سرعت برای بخش‌های جاده با علائم ترافیکی)، و تکنیک‌های کالیبراسیون که از داده‌های سرعت در اطلاعات فیزیک استفاده می‌کنند. مدل‌های ترافیک راه را برای بهینه‌سازی محاسباتی کارآمد در مقیاس جهانی هموار می‌کنند.

برای آزمایش این فناوری در دنیای واقعی، Google Research با دپارتمان حمل و نقل سیاتل (SDOT) برای توسعه طرح‌های راهنمایی ترافیک مبتنی بر شبیه‌سازی شریک شد. هدف ما کمک به هزاران شرکت کننده در رویدادهای مهم ورزشی و سرگرمی است که به سرعت و با خیال راحت منطقه استادیوم را ترک کنند. طرح پیشنهادی میانگین زمان سفر را برای وسایل نقلیه ای که در طول رویدادهای بزرگ از منطقه استادیوم خارج می شوند، 7 دقیقه کاهش می دهد. ما آن را با همکاری SDOT با استفاده از علائم پیام پویا (DMS) به کار بردیم و تأثیر آن را بر چندین رویداد بین اوت و نوامبر 2023 تأیید کردیم.

یکی از توصیه‌های سیاستی ما این بود که ترافیک را از خیابان S Spokane منحرف کنیم، یک گذرگاه اصلی که منطقه را به بزرگراه‌های I-5 و SR 99 متصل می‌کند و اغلب پس از رویدادها شلوغ می‌شود. تغییرات پیشنهادی جریان ترافیک را در بزرگراه ها و خیابان های شریانی نزدیک استادیوم بهبود بخشید و طول صف های وسایل نقلیه را که پشت علائم راهنمایی و رانندگی تشکیل می شد کاهش داد. (توجه داشته باشید که وسایل نقلیه بزرگتر از واقعیت در این کلیپ برای نمایش هستند.)

مدل شبیه سازی

برای این پروژه، ما یک مدل شبیه‌سازی جدید از منطقه اطراف استادیوم‌های سیاتل ایجاد کردیم. هدف این مدل این است که هر وضعیت ترافیکی را برای یک روز مشخص تا حد امکان به دقت پخش کند. ما از یک نرم افزار شبیه سازی منبع باز، شبیه سازی حرکت شهری (SUMO) استفاده می کنیم. مدل‌های رفتاری SUMO به ما کمک می‌کنند تا پویایی ترافیک را توصیف کنیم، به عنوان مثال، نحوه تصمیم‌گیری رانندگان، مانند دنبال کردن خودرو، تغییر خط و رعایت محدودیت سرعت. ما همچنین از بینش‌های Google Maps برای تعریف ساختار شبکه و ویژگی‌های بخش ثابت مختلف (مانند تعداد خطوط، محدودیت سرعت، وجود چراغ‌های راهنمایی) استفاده می‌کنیم.

مروری بر چارچوب شبیه سازی

تقاضای سفر یک ورودی شبیه ساز مهم است. برای محاسبه آن، ابتدا شبکه جاده ای یک منطقه شهری معین را به مناطق، به ویژه سلول های سطح 13 S2 با 1.27 کیلومتر تجزیه می کنیم.2 مساحت در هر سلول از آنجا، ما تقاضای سفر را به عنوان تعداد مورد انتظار سفرهایی که از یک منطقه مبدا به یک منطقه مقصد در یک دوره زمانی معین سفر می کنند، تعریف می کنیم. تقاضا به‌عنوان ماتریس‌های انباشته مبدا-مقصد (OD) نشان داده می‌شود.

برای به دست آوردن تعداد اولیه مورد انتظار سفرها بین منطقه مبدا و منطقه مقصد، از آمار تحرک جمع‌آوری شده و ناشناس استفاده می‌کنیم. سپس مشکل کالیبراسیون OD را با ترکیب تقاضای اولیه با آمار ترافیک مشاهده شده، مانند سرعت بخش، زمان سفر و تعداد وسایل نقلیه، برای بازتولید سناریوهای رویداد حل می کنیم.

ما ترافیک اطراف چندین رویداد گذشته در پارک T-Mobile و میدان لومن سیاتل را مدل‌سازی می‌کنیم و دقت را با محاسبه آمار ترافیک جمع‌آوری‌شده و ناشناس ارزیابی می‌کنیم. تجزیه و تحلیل این سناریوهای رویداد به ما کمک می کند تا تأثیر سیاست های مسیریابی مختلف بر ازدحام در منطقه را درک کنیم.

نقشه های حرارتی افزایش قابل توجهی را در تعداد سفرها در منطقه بعد از بازی در مقایسه با زمان مشابه در یک روز غیر بازی نشان می دهد.
نمودار سرعت بخش مشاهده شده در محور x و سرعت های شبیه سازی شده در محور y را برای یک رویداد مدل شده نشان می دهد. غلظت نقاط داده در امتداد خط قرمز x=y توانایی شبیه سازی را برای بازتولید شرایط ترافیکی واقعی نشان می دهد.

سیاست های مسیریابی

دانش محلی SDOT و اداره پلیس سیاتل (SPD) به ما کمک کرد تا پرتراکم ترین مسیرهایی را که نیاز به بهبود دارند تعیین کنیم:

  • ترافیک از پارکینگ استادیوم T-Mobile Park از خروجی Edgar Martinez Dr. S به سمت شرق بزرگراه I-5 / بزرگراه SR 99 به سمت غرب
  • از پارکینگ استادیوم لومن فیلد به سمت شمال خیابان Cherry St. I-5 در رمپ عبور کنید
  • ترافیک به سمت جنوب از طریق محله SODO سیاتل به خیابان S Spokane می رود.

ما سیاست های مسیریابی را توسعه دادیم و آنها را با استفاده از مدل شبیه سازی ارزیابی کردیم. برای پراکندگی سریع‌تر ترافیک، سیاست‌هایی را امتحان کردیم که ترافیک شمال/جنوب را از نزدیک‌ترین رمپ‌ها به رمپ‌های بعدی بزرگراه هدایت می‌کرد تا زمان انتظار را کوتاه‌تر کند. ما همچنین با باز کردن خطوط HOV برای ترافیک رویدادها، توصیه مسیرهای جایگزین (مانند SR 99)، یا اشتراک بار بین خطوط مختلف برای رسیدن به نزدیکترین رمپ استادیوم آزمایش کردیم.



نتایج ارزیابی

ما چندین رویداد را با شرایط ترافیکی مختلف، زمان‌های رویداد و تعداد شرکت‌کنندگان مدل‌سازی می‌کنیم. برای هر خط‌مشی، شبیه‌سازی ترافیک پس از بازی را بازتولید می‌کند و زمان سفر وسایل نقلیه، از خروج از ورزشگاه تا رسیدن به مقصد یا خروج از منطقه سیاتل SODO را گزارش می‌کند. صرفه جویی در زمان به عنوان تفاوت زمان سفر قبل و بعد از بیمه نامه محاسبه می شود و در جدول زیر، به ازای هر سیاست، برای رویدادهای کوچک و بزرگ نشان داده شده است. ما هر خط مشی را برای درصدی از ترافیک اعمال می کنیم و زمان سفر را مجدداً تخمین می زنیم. اگر 10٪، 30٪ یا 50٪ وسایل نقلیه تحت تأثیر یک خط مشی باشند، نتایج نشان داده می شود.

بر اساس این نتایج شبیه‌سازی، امکان‌سنجی پیاده‌سازی و سایر ملاحظات، SDOT تصمیم گرفته است تا سیاست‌های «رمپ خیابان Cherry به شمال» و «رمپ خیابان S Spokane Southbound» را با استفاده از DMS در طول رویدادهای بزرگ پیاده‌سازی کند. این علائم به رانندگان پیشنهاد می‌کند که مسیرهای جایگزین را برای رسیدن به مقصد انتخاب کنند. ترکیب این دو سیاست بر اساس تغییر مسیر 30 درصدی ترافیک در رویدادهای بزرگ به طور متوسط ​​7 دقیقه در زمان سفر برای هر وسیله نقلیه صرفه جویی می کند.

نتیجه

این کار قدرت شبیه‌سازی‌ها را برای مدل‌سازی، شناسایی و تعیین کمیت تأثیر سیاست‌های راهنمایی ترافیک پیشنهادی را نشان می‌دهد. شبیه سازی ها به برنامه ریزان شبکه اجازه می دهد تا بخش های کم استفاده را شناسایی کرده و اثرات سیاست های مسیریابی مختلف را ارزیابی کنند که منجر به توزیع فضایی بهتر ترافیک می شود. مدل سازی آفلاین و آزمایش آنلاین نشان می دهد که رویکرد ما می تواند کل زمان سفر را کاهش دهد. با افزودن استراتژی‌های مدیریت ترافیک بیشتر، مانند بهینه‌سازی چراغ‌های راهنمایی، می‌توان پیشرفت‌های بیشتری انجام داد. مدل‌های شبیه‌سازی از لحاظ تاریخی زمان‌بر بوده و از این رو فقط برای بزرگترین شهرها و پروژه‌های پرمخاطب مقرون به صرفه بوده‌اند. امیدواریم با سرمایه‌گذاری روی تکنیک‌های مقیاس‌پذیرتر، این مدل‌ها را به شهرهای بیشتری بیاوریم و از مواردی در سراسر جهان استفاده کنیم.

سپاسگزاریها

با همکاری Alex Shashko، Andrew Tomkins، Ashley Carrick، Carolina Osorio، Chao Zhang، Damien Pierce، Iveel Tsogsuren، Sheila de Guia و Yi-fan Chen. طراحی بصری توسط جان گیلیارد. مایلیم از شرکای SDOT خود، کارتر دان، چون کوان، اتان بنکرافت، جیسون کمبریج، لورا وویچیکی، مایکل مینور، محمد سعید، ترور پارتاپ و شرکای SPD، ستوان برایان کلنا و گروهبان تشکر کنیم. برایان کوکش.