Városi közúti forgalom modellezése és irányítása
Robusztus városi forgalommodellezés és irányítás
A közúti motorizáció folyamatos növekedése és a velejáró externális következmények egyre nagyobb kihívások elé állítják a közlekedéstervezőket és forgalomirányítókat. A példa kedvéért: ma már nem elég, ha egy jelzőlámpa detektorok segítségével forgalomfüggően képes üzemelni. A fenntartható közlekedés és az élhető városi környezet biztosításához átfogó stratégia megvalósítására és hálózati szintű irányításra van szükség. Az intelligens és adaptív közúti forgalomirányítás gyakorlatilag egy klasszikus szabályozási kört valósít meg: mérés/becslés, szabályozás, beavatkozás (1. ábra).
1. ábra: Szabályozási kör a közúti közlekedésben
Amennyiben a hálózat állapotai ismertek, modell alapú irányítás valósítható meg. Természetesen számos - már működő - módszer áll rendelkezésre e területen, amelyek irányítási célja általában a kapacitás-kihasználás növelése, és egyéb közlekedési jellemzők javítása.
A hálózati szintű forgalomirányítás első modern irányításelméleti megközelítése a Linear Quadratic (LQ) módszer felhasználása volt (Diakaki et al., 1999). Ennek továbbfejlesztéseként több publikációban is megjelent a Model Predictive Control (MPC) közúti alkalmazása (Tettamanti et al., 2008, Aboudolas et al., 2009). Továbbá decentralizált irányító rendszerre épülő MPC megoldások is születtek (de Oliveira & Camponogara, 2010, Tettamanti & Varga., 2010). Ezek a teljesség igénye nélkül felsorolt módszerek nagymértékű javulást tudnak felmutatni a hagyományos lokális irányítású forgalomfüggő vagy fixprogramos forgalomirányítással szemben. Ugyanakkor nem képesek az állapot-bizonytalanságok (nem mérhető járműáramlás, pl. parkolás, mellékutcai forgalom) kezelésére, amelyek megjelenése nem kiküszöbölhető jó minőségű mérőrendszer esetén sem (2. ábra). A kutatási célunk ennek megfelelően egy robusztus tulajdonságú szabályozási stratéga megvalósítása és alkalmazhatóságának vizsgálata városi hálózat irányításához (Tettamanti et al., 2014).
2. ábra: Tipikus modell-bizonytalanságok városi forgalomban: mellékutca, parkoló(ház)
A bizonytalansággal terhelt városi forgalom irányításának újszerű megközelítése lehet a robusztus MPC alkalmazása. A módszer gyakorlatilag egy minimax optimalizálás megvalósítása predikciós horizonton (Löfberg, 2003). A minimax forgalomszabályozás lényege, hogy úgy próbálja minimalizálni a lámpák előtti sorhosszt, hogy közben a maximális - potenciálisan megjelenő - bizonytalanságot veszi figyelembe. Mindez egy mozgó horizonton történik. Azaz a szabályozó több mintavételi időre előre megjósolja a várható állapotokat (sorhossz) és a hozzájuk tartozó - kiadandó - optimális zöldidőket. Az adott lépésében természetesen mindig csak a legelső horizontra számított zöldidők jutnak érvényre, majd a rendszer “továbbgördül” egy lépést és ismételten számol (3. ábra).
3. ábra: A prediktív irányítás elve
A fentebb ismertetett robusztus MPC stratégiát valós adatok felhasználásával VISSIM szimulátor segítségével validáltuk. Budapest VI. kerületének egy nagyobb részét alapul véve készítettünk el egy teszthálózatot (4. ábra). A szabályozó algoritmust MATLAB-ban implementáltam, amely gyakorlatilag egy SDP optimalizálási feladat megoldását jelenti. A teljes szimulációs keretrendszer zárt hurokban foglalja magába a forgalomszimulációt, mérést és szabályozást (Tettamanti & Varga, 2012). A bizonytalanságokat a mellékutcák és a parkolóházak forgalma jelentette a szimulációban. Az eredmények igazolják a robusztus stratégia létjogosultságát (a közlekedési paraméterek ~10-30%-os javulása a hagyományos irányításhoz képest). A stratégia felhasználásával olyan zárthurkú forgalomirányítás valósítható meg, amely képes a rendszerre ható nem mérhető zavarások mellett is az optimális zöldidő-kiosztási feladatot valós időben, adaptív módon ellátni. Alkalmazásával tovább növelhető a városi forgalomáramlás hatásfoka, megelőzhető a torlódások kialakulása. A módszer elméleti leírását a Forgalomirányítás c. szakkönyvben is publikáltuk (Luspay et al., 2011). További kutatási cél a robusztus városi forgalomszabályozási algoritmus elosztott rendszerben való működtetésének vizsgálata.
4. ábra: Budapest VI. kerületi teszthálózat
Kapcsolódó publikációk
Luspay, T., Tettamanti, T., Varga I.: Forgalomirányítás, Közúti járműforgalom modellezése és irányítása. Typotex Elektronikus Kiadó Kft. ISBN 978-963-279-665-9, 2011.
Tettamanti, T., Varga, I., Kulcsár, B., Bokor, J.: Model predictive control in urban traffic network management. In 16th Mediterranean Conference on Control and Automation, pages 1538–1543, Ajaccio, Corsica, France, 2008. CD ISBN: 978 1 4244 2505 1.
Tettamanti, T., Varga, I.: Distributed traffic control system based on model predictive control, Periodica Polytechnica ser. Civil. Eng., Budapest, Hungary, 2010, Vol. 54/1. pp. 3-9. doi: 10.3311/pp.ci.2010-1.01
Tettamanti, T., Varga, I.: Development of road traffic control by using integrated VISSIM-MATLAB simulation environment. Periodica Polytechnica ser. Civil. Eng., Budapest, Hungary, 2012, Vol. 56.
Tettamanti T, Luspay T, Kulcsár B, Péni T and Varga I (2014), "Robust Control for Urban Road Traffic Networks", IEEE Transactions on Intelligent Transportation Systems. Vol. 15(1), pp. 385-398.
Irodalom
Aboudolas, K., Papageorgiou, M., Kouvelas, A., Kosmatopoulos, E.: A rolling-horizon quadratic-programming approach to the signal control problem in large-scale congested urban road networks. Transportation Research Part C: Emerging Technologies, 18(5):680–694, 2010. Applications of Advanced Technologies in Transportation: Selected papers from the 10th AATT Conference.
Diakaki, C., Papageorgiou, M., Aboudolas, K.: Traffic-responsive urban network control using multivariable regulators. In International Conference on Modeling and Management in Transportation, Vol. 2, pp. 11-16, Poznan/Cracow, 1999.
Löfberg, J.: Minimax approaches to robust model predictive control. Ph.D. thesis. Linköping University, Sweden, 2003.
de Oliveira, L. B., Camponogara, E.: Multi-agent model predictive control of signaling split in urban traffic networks. Transportation Research Part C: Emerging Technologies, 18(1):120-139, 2010. Information/Communication Technologies and Travel Behaviour; Agents in Traffic and Transportation