Mengoptimalkan sinyal lalu lintas untuk mengurangi waktu tunggu di persimpangan
Sciences

Mengoptimalkan sinyal lalu lintas untuk mengurangi waktu tunggu di persimpangan


Kredit: Domain Publik Unsplash / CC0

Lampu lalu lintas di persimpangan dikelola dengan komputer sederhana yang menetapkan jalur kanan ke arah yang tidak bertentangan. Namun, penelitian yang mengamati waktu perjalanan di daerah perkotaan telah menunjukkan bahwa penundaan yang disebabkan oleh persimpangan merupakan 12-55% dari perjalanan perjalanan harian, yang dapat dikurangi jika pengoperasian pengontrol ini dapat dibuat lebih efisien untuk menghindari waktu tunggu yang tidak perlu.

Sebuah tim peneliti yang dipimpin oleh Dr. Guni Sharon, profesor di Departemen Ilmu dan Teknik Komputer di Texas A&M University, telah mengembangkan sistem pembelajaran mandiri yang memanfaatkan pembelajaran mesin untuk meningkatkan koordinasi kendaraan yang melewati persimpangan.

Para peneliti mempublikasikan temuan mereka dalam prosiding Konferensi Internasional 2020 tentang Agen Otonom dan Sistem Multiagen.

Banyak sinyal lalu lintas saat ini dilengkapi dengan pengontrol sinyal, yang pada dasarnya merupakan “otak” dari sebuah persimpangan. Mereka diprogram dengan berbagai pengaturan waktu untuk memberi tahu tampilan lalu lintas kapan harus mengubah warna tergantung pada waktu dan pergerakan lalu lintas. Ini memberi sinyal kemampuan untuk menangani fluktuasi lalu lintas sepanjang hari untuk meminimalkan kemacetan lalu lintas.

Studi terbaru menunjukkan algoritma pembelajaran, berdasarkan konsep dalam psikologi yang disebut pembelajaran penguatan di mana hasil yang menguntungkan dihargai, dapat digunakan untuk mengoptimalkan sinyal pengontrol. Strategi ini memungkinkan pengontrol untuk membuat serangkaian keputusan dan mempelajari tindakan apa yang meningkatkan operasinya di dunia nyata. Dalam hal ini, hasilnya adalah pengurangan penumpukan penundaan lalu lintas.

Tetapi Sharon mencatat bahwa pengontrol yang dioptimalkan ini tidak akan praktis di dunia nyata karena operasi dasar yang mengontrol cara memproses data menggunakan jaringan saraf dalam (DNN), yang merupakan jenis algoritme pembelajaran mesin. Mereka biasanya digunakan untuk melatih dan menggeneralisasi kebijakan aktuasi pengontrol, yang merupakan fungsi pengambilan keputusan (atau kontrol) yang menentukan tindakan apa yang harus diambil selanjutnya berdasarkan situasi saat ini. Ini terdiri dari beberapa sensor yang memberikan informasi tentang keadaan persimpangan saat ini.

Terlepas dari seberapa kuatnya mereka, DNN sangat tidak dapat diprediksi dan tidak konsisten dalam pengambilan keputusan. Mencoba memahami mengapa mereka mengambil tindakan tertentu dibandingkan dengan yang lain adalah proses yang rumit bagi teknisi lalu lintas, yang pada gilirannya membuat mereka sulit untuk mengatur dan memahami berbagai kebijakan.

Untuk mengatasi hal ini, Sharon dan timnya menetapkan dan memvalidasi pendekatan yang berhasil melatih DNN secara real time sambil mentransfer apa yang telah dipelajari dari mengamati dunia nyata ke fungsi kontrol berbeda yang dapat dipahami dan diatur oleh para insinyur.

Dengan menggunakan simulasi persimpangan nyata, tim menemukan bahwa pendekatan mereka sangat efektif dalam mengoptimalkan pengontrol yang dapat ditafsirkan, menghasilkan pengurangan penundaan kendaraan hingga 19,4% dibandingkan dengan pengontrol sinyal yang umum digunakan.

Terlepas dari efektivitas pendekatan mereka, para peneliti mengamati bahwa ketika mereka mulai melatih pengontrol, dibutuhkan waktu sekitar dua hari untuk memahami tindakan apa yang sebenarnya membantu mengurangi kemacetan lalu lintas dari semua arah.

“Pekerjaan masa depan kami akan memeriksa teknik untuk melompat memulai proses pembelajaran pengontrol dengan mengamati pengoperasian pengontrol yang saat ini digunakan sambil menjamin tingkat dasar kinerja dan pembelajaran dari itu,” kata Sharon.

Kontributor lain untuk penelitian ini termasuk Dr. Josiah P. Hanna, rekan peneliti di School of Informatics di University of Edinburgh, dan James Ault, mahasiswa doktoral di Pi Star Lab di Texas A&M.


Alat pembelajaran mesin baru melacak kemacetan lalu lintas perkotaan


Informasi lebih lanjut:
Konferensi Internasional 2020 tentang Agen Otonom dan Sistem Multiagen Mempelajari Kebijakan Kontrol Sinyal Lalu Lintas yang Dapat Ditafsirkan, ifaamas.org/Proceedings/aamas2020/pdfs/p88.pdf

Disediakan oleh Texas A&M University College of Engineering

Kutipan: Mengoptimalkan sinyal lalu lintas untuk mengurangi waktu tunggu di persimpangan (2021, 20 Januari) diambil pada 24 Januari 2021 dari https://techxplore.com/news/2021-01-optimizing-traffic-intersections.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize