Forscher Entwickeln Innovative Visualisierungsstrategien, Um Energie, Zeit Und Geld Zurückzugewinnen, Die Durch Staus Verloren Gegangen Sind

Im Stoßstange-an-Stoßstange-Verkehr vorwärts drängend, beklagen die Fahrer die Jahre ihres Lebens, die sie bei schlechten Pendelfahrten geopfert haben. Trotz der dramatischen Reduzierung des Verkehrsaufkommens durch die Pandemie verloren die Amerikaner im vergangenen Jahr immer noch durchschnittlich 26 Stunden durch Straßenstaus. In einem typischen Jahr verbringen US-Fahrer fast 46 Stunden hinter dem Steuer – was sich im Laufe ihres Lebens auf Tausende von Stunden summieren kann.

Staus verschwenden nicht nur Zeit und mehr als 3,3 Milliarden Gallonen Kraftstoff pro Jahr, sondern führen auch zu 8,8 Milliarden Stunden an Produktivitätsverlusten und einem Anstieg der Schadstoffemissionen. Jüngste Untersuchungen des National Renewable Energy Laboratory (NREL) des US-Energieministeriums in Zusammenarbeit mit dem Oak Ridge National Laboratory (ORNL) zeigen das Potenzial, Verkehrsstörungen durch eine Kombination von Sensoren und Steuerungen der nächsten Generation mit Hochleistungsrechnern zu entwirren. Analytik und maschinelles Lernen. Diese innovativen Strategien zur Bekämpfung von Staus zielen darauf ab, den Energieverbrauch von Fahrzeugen um bis zu 20 % zu senken und in den nächsten 10 Jahren bis zu 100 Milliarden US-Dollar an Produktivitätsverlusten zurückzugewinnen.

Das NREL-Team erstellte eine Reihe von Simulationen (oder einen „digitalen Zwilling“) der Verkehrsbedingungen in Chattanooga, Tennessee, unter Verwendung von Echtzeitdaten, die über eine Vielzahl von Sensorgeräten gesammelt wurden. Die Simulationen helfen zu identifizieren, welche Steuerungen – in Form von Ampelprogrammierung, alternativer Routenführung, Geschwindigkeitsharmonisierung, Rampenmessung, dynamische Geschwindigkeitsbegrenzungen und mehr – die größte Energieeffizienz bei gleichzeitiger Optimierung von Reisezeit, Autobahngeschwindigkeit und Sicherheit bieten können. Die resultierenden Informationen können von Stadtplanern, Technologieentwicklern, Automobilherstellern und Flottenbetreibern verwendet werden, um Systeme und Ausrüstung zu entwickeln, die Pendeln und Lieferungen rationalisieren.

„Chattanooga bot einen idealen Mikrokosmos an Bedingungen und Möglichkeiten, um mit einer außergewöhnlichen Liste von kommunalen und staatlichen Partnern zusammenzuarbeiten“, sagte John Farrell, Vehicle Technologies Laboratory Program Manager von NREL. „Endlich ist geplant, diese Lösungen auf größere Ballungsräume und regionale Korridore im ganzen Land anzuwenden.“

Sensoren wurden verwendet, um kontinuierlich Daten aus mehr als 500 Quellen zu sammeln, darunter automatisierte Kameras, Verkehrssignale, Bord-GPS-Geräte, Radardetektoren und Wetterstationen. Diese Informationen flossen in Simulation, Modellierung und ausgewählte Aktivitäten zum maschinellen Lernen ein, die von NREL-Forschern für das vom ORNL geleitete Projekt geleitet wurden.

Das NREL-Team hat hochmoderne Techniken und Werkzeuge entwickelt, um Energieverluste durch Verkehrsstaus zu identifizieren und zu quantifizieren und Minderungsstrategien zu bewerten und zu validieren. Durch die Kombination von Daten aus mehreren Quellen mit High-Fidelity Machine Learning können NREL-Forscher den Energieverbrauch und den Energieverlust abschätzen, bestimmen, wo und warum Systeme Energie verlieren, und realistische Reaktionen auf Änderungen der Bedingungen und Kontrollen modellieren. Dies liefert eine wissenschaftliche Grundlage für Strategien zur Verbesserung des Verkehrsflusses, die das Team anschließend durch Simulationen bewerten und durch Feldstudien validieren kann.

Für das Projekt Chattanooga hat das NREL-Team eine Methode zur Schätzung und Visualisierung von Verkehrsaufkommen, Geschwindigkeit und Energieverbrauch in Echtzeit und in der Vergangenheit entwickelt, die es ermöglicht, Gebiete mit dem größten Energieeinsparpotenzial durch Anwendung von Stauentlastungsstrategien zu lokalisieren. Das Team entwickelte auch maschinelle Lerntechniken, um die Leistung von Verkehrssignalen zu bewerten, während es mit ORNL-Forschern an anderen Strategien für maschinelles Lernen und künstliche Intelligenz zusammenarbeitete.

Die Analysen von NREL gingen über Daten hinaus und nutzten maschinelles Lernen, Daten von GPS-Geräten und Fahrzeugsensoren sowie visuelle Analysen, um die zugrunde liegenden Ursachen von Staus zu untersuchen. Das Team stellte beispielsweise fest, dass die Verkehrssignale entlang eines Hauptkorridors nicht zeitlich abgestimmt waren, um einen leichteren Verkehrsfluss außerhalb der Spitzenzeiten zu optimieren, was zu einer hohen Anzahl von Verzögerungen aufgrund übermäßiger Stopps an roten Ampeln führte.

Das Team stellte fest, dass derselbe Korridor als strategischer Bereich zur Reduzierung des Energieverbrauchs fungieren könnte. Ein Simulationsmodell des Korridors zeigte, dass optimierte Ampeleinstellungen das Potenzial haben, den Energieverbrauch an diesem Standort um bis zu 17 % zu senken. Die Forscher empfahlen den Ingenieuren des Verkehrsministeriums von Chattanooga dann spezifische Verbesserungen an vier Signalsteuerungen entlang des Korridors. Reale Ergebnisse zeigten eine Reduzierung des Kraftstoffverbrauchs von Fahrzeugen auf diesem Straßenabschnitt um bis zu 16 % – wodurch das Ziel von 20 % Reduzierung fast erreicht wurde – durch den Einsatz sehr begrenzter Strategien.

„Die Optimierung der Steuerung der Verkehrssysteme könnte dazu beitragen, erhebliche Mengen an Energie zu sparen und mobilitätsbedingte Emissionen in der realen Welt zu reduzieren“, sagte Qichao Wang, NREL-Postdoktorand und Leiter der Verkehrssteuerung in diesem Projekt.

Die für diese komplexen, groß angelegten Simulationen erforderliche Echtzeit-Datenverarbeitung beruhte auf Hochleistungsrechnen auf dem Eagle-Supercomputer am NREL. Dieser Computer kann 8 Millionen Berechnungen pro Sekunde durchführen, sodass Forscher in Stunden, Minuten oder Sekunden Berechnungen durchführen können, die zuvor Tage, Wochen oder sogar Monate gedauert hätten.

„Die Schnittmenge von Hochleistungsrechnen, High-Fidelity-Daten, maschinellem Lernen und Verkehrsforschung kann leistungsstarke Ergebnisse liefern, die weit über das hinausgehen, was in der Vergangenheit mit Legacy-Technologien möglich war“, sagte Juliette Ugirumurera, NREL Computational Scientist und Co-Lead des Projektteams des Labors.

Mehr als 11 Milliarden Tonnen Fracht werden jedes Jahr über US-Highways transportiert, was einem Güterwert von mehr als 32 Milliarden US-Dollar pro Tag entspricht. Dies motiviert kommerzielle Frachtführer noch stärker als einzelne Fahrer, Treibstoff und Geld durch Staus zu verschwenden. Forscher haben vor kurzem begonnen, mit regionalen und nationalen Fluggesellschaften in Georgia und Tennessee zusammenzuarbeiten, um zu untersuchen, wie die Simulationen und Kontrollen am effektivsten auf Lkw-Flotten zugeschnitten werden können.

„Bis jetzt hat sich unser Prototyp im Stadtmaßstab stärker auf Personenkraftwagen und individuelle Reisemuster konzentriert“, sagte Wesley Jones, NREL-Gruppenleiter für wissenschaftliche Computer und Co-Leiter des Projektteams des Labors. „Wenn wir unsere Forschung auf die Untersuchung des Frachtbetriebs ausweiten, werden wir auch die regionalen und nationalen Routen, die sie befahren, breiter betrachten.“

Letztendlich wird erwartet, dass diese Technologien für den Personen- und Güterverkehr im ganzen Land eingesetzt werden, mit zusätzlichen Sensoren und Kontrollgeräten, die in die Infrastruktur integriert und vernetzte und autonome Fahrzeuge integriert sind.

Weitere Projektpartner sind die Stadt Chattanooga, das Verkehrsministerium von Tennessee, das Verkehrsministerium von Georgia, die University of Tennessee, die Vanderbilt University, die Wayne State University, TomTom, FedEx, USXpress, Covenant Transport Services und Freight Waves.

Erfahren Sie mehr über die Computerwissenschaften und die Verkehrs- und Mobilitätsforschung von NREL.