Voiko tekoäly ohjata kaupungin liikennevaloja vähentämään liikenteen ruuhkia tai odotusaikoja ?

Mitä tarkoittaa, että tekoäly ottaa ohjat kaupungin liikennevaloissa? Perimmältä ajateltuna kyse on algoritmien käytöstä, jotka jatkuvasti säätävät valoajan pituuksia reaaliajassa tavoitteenaan tasata liikenteen virtausta ja lyhentää odotusaikoja risteyksissä. Lupaavaa on hiljaisempi kaupunki, vähemmän ruuhkia ja nopeammat reitit. Mutta kuinka pitkälle tämä idea on todella edennyt laboratoriosta kaduille?

Background

AI-ohjattujen liikennevalojen ohjausjärjestelmät ovat siirtyneet pilottikokeilusta täysimittaisiin käyttöönottoihin useissa kaupunkikeskuksissa. Nämä käyttöönotot perustuvat liikennevalojen kameralähetyksiin, tienpintaan upotettuihin induktiosilmukoihin sekä yhteysajoneuvojen lataamaan dataan, joiden avulla voidaan päätellä nykyisiä ja lähestyviä liikennetilanteita (Nature, 2023). Koneoppimismallit – usein koulutettuja historiallisten valotietojen ja onnettomuusraporttien perusteella – ennustavat lyhyen aikavälin kysyntää; vahvistusoppimisen agentit puolestaan kääntävät nämä ennusteet valovaihepäätöksiksi, jotka minimoivat kumulatiivista ajoneuvoviivettä ja jonojen pituuksia.

Varhainen akateeminen työ ajoittuu myöhäiselle 2000-luvulle, jolloin Carnegie Mellonin ja Texasin yliopiston tutkijat osoittivat sopeutuvia liikenneohjaimia, jotka ylittivät kiinteäaikaiset suunnitelmat 15–20 % paremmin ruuhka-aikoina. 2010-luvun puoliväliin mennessä järjestelmät kuten SCOOT (Split, Cycle and Offset Optimization Technique) ja SCATS (Sydney Coordinated Adaptive Traffic System) olivat olleet käytössä jo vuosikymmeniä, mutta niiden suljetun silmukan optimointi oli tyypillisesti heuristista eikä oppimispohjaista. Pittsburghin SURTRAC-järjestelmän lanseeraus vuonna 2016 merkitsi ensimmäistä laajamittaista vahvistusoppimisen käyttöönottoa: yksittäisten liikennevalojen reuna-laitteet oppivat paikallisia toimintapolitiikkoja, joita myöhemmin koordinoi keskusohjelmisto, leikkaen matka-aikoja keskeisillä pääväylillä noin 25 % kenttäkokeissa.

Myöhemmät käyttöönotot laajensivat sekä soveltamisalaa että tekniikkaa. Kiinan Hangzhoussa AI-moottori nimeltä City Brain kerää dataa 5 000 kamerasta ja säätää 12 000 liikennevaloa kaupunginlaajuisesti, saavuttaen raportoidusti 10 % vähennyksen keskimääräisessä matka-ajassa. Singaporen Green Link Determining (GLIDE) -sopeutuva järjestelmä, joka otettiin käyttöön vuonna 2019, käyttää ajoneuvojen uudelleen tunnistamista ja jononpituuden arviointia reaaliaikaisesti siirtämään vihreän valon ajoitusta, mikä on johtanut 12 % vähennykseen ruuhka-aikojen viiveissä. Yhdysvalloissa Federal Highway Administrationin AI for Traffic Management -aloite on levittänyt sopeutuvia algoritmeja Austiniin, Pittsburghiin ja Los Angelesiin, missä varhaiset tulokset osoittavat jonojen lyhentyneen 18–22 % instrumentoiduilla korridoreilla.

Viivästysten vähentämisen lisäksi nämä järjestelmät pyrkivät alentamaan päästöjä vähentämällä pysähdys- ja käynnistysjaksoja. Vuonna 2021 julkaistu liikennetutkimuksen osa-alueeseen D kuuluva simulaatiotutkimus arvioi, että kaupunginlaajuinen sopeutuva ohjaus voisi vähentää CO₂-päästöjä noin 5 % ja NOₓ-päästöjä 7 % keskikokoisen metropoliverkoston alueella. Hätäajoneuvojen etuoikeutus – ensimmäisen kerran kokeiltu Kansas Cityssä vuonna 2018 – parantaa edelleen turvallisuusmittareita myöntämällä valoille etusijan samalla kun säilytetään vihreiden valojen jakauma ristiriitaisille vaiheille.

Silti avoimia haasteita on vielä jäljellä. Datan laatuongelmat – puuttuvat sensorisyötteet, kameran peittymiset ja hyökkäysmieliset väärentämiset – voivat heikentää mallien suorituskykyä. Risteystason toimintapolitiikkojen on oltava yhdenmukaisia eri alueiden välillä, jotta vältetään ruuhkien siirtyminen; yhteisoppiminen yhteysajoneuvojen kanssa lupaakin lieventää tätä antamalla rikkaampaa yläjuoksun kysyntätietoa. Yksityisyyteen ja kyberturvallisuuteen liittyvät huolenaiheet ovat saaneet kaupungit ottamaan käyttöön federated learning -arkkitehtuurit, joissa raakavideota ei koskaan siirretä paikallisilta reuna-solmuilta. Taloudelliset esteet, erityisesti matalatuloisissa kunnissa, pysyvät: laitteiston peruskorjaukset voivat ylittää 2 500 Yhdysvaltain dollaria liikennevalon kohden, vaikka pilvipohjaiset ohjaimen palveluna -mallit ovat alkaneet laskea kynnyskustannuksia.