Quinze minutos. Esse foi o tempo que levou para esvaziar o Coliseu , uma maravilha da engenharia que ainda é o maior anfiteatro do mundo. Dois mil anos depois, este design continua a funcionar bem para afastar enormes multidões dos locais desportivos e de entretenimento.

Mas é claro que sair da arena é apenas o primeiro passo. Em seguida, as pessoas devem navegar pelo tráfego que se acumula nas ruas circundantes. Este é um problema antigo que permanece sem solução até hoje. Em Roma, abordaram a questão proibindo o tráfego privado na rua que passa directamente pelo Coliseu. Esta política funcionou lá, mas e se você não estiver em Roma? E se você estiver no Superbowl? Ou em um show da Taylor Swift?

Uma abordagem para resolver este problema é utilizar modelos de simulação, por vezes chamados “gémeos digitais”, que são réplicas virtuais de redes de transporte do mundo real que tentam capturar todos os detalhes, desde o traçado das ruas e cruzamentos até ao fluxo de veículos. Esses modelos permitem que especialistas em trânsito mitiguem congestionamentos, reduzam acidentes e melhorem a experiência de motoristas, passageiros e pedestres. Anteriormente, nossa equipe usava esses modelos para quantificar o impacto das rotas na sustentabilidade , testar planos de evacuação e mostrar tráfego simulado no Maps Immersive View .

Calibrar simulações de tráfego de alta resolução para corresponder à dinâmica específica de um ambiente específico é um desafio antigo na área. A disponibilidade de dados agregados de mobilidade, dados detalhados da rede rodoviária do Google Maps, avanços na ciência dos transportes (como a compreensão da relação entre demandas de segmento e velocidades para segmentos rodoviários com semáforos) e técnicas de calibração que fazem uso de dados de velocidade em informações físicas os modelos de tráfego estão abrindo caminho para uma otimização computacional eficiente em escala global.

Para testar esta tecnologia no mundo real, o Google Research fez parceria com o Departamento de Transportes de Seattle (SDOT) para desenvolver planos de orientação de tráfego baseados em simulação. Nosso objetivo é ajudar milhares de participantes de grandes eventos esportivos e de entretenimento a deixarem a área do estádio com rapidez e segurança. O plano proposto reduziu em 7 minutos o tempo médio de viagem dos veículos que saem da região do estádio durante grandes eventos. Nós o implantamos em colaboração com SDOT usando sinais de mensagens dinâmicas (DMS) e verificamos o impacto em vários eventos entre agosto e novembro de 2023.

Uma recomendação política que fizemos foi desviar o tráfego da S Spokane St, uma importante via que liga a área às rodovias I-5 e SR 99, e que fica frequentemente congestionada após os eventos. As mudanças sugeridas melhoraram o fluxo do tráfego nas rodovias e vias arteriais próximas ao estádio e reduziram a extensão das filas de veículos que se formavam atrás dos semáforos. (Observe que os veículos são maiores que a realidade neste clipe para demonstração.)

Modelo de simulação

Para este projeto, criamos um novo modelo de simulação da área ao redor dos estádios de Seattle. A intenção deste modelo é reproduzir cada situação de trânsito em um dia específico da forma mais fiel possível. Usamos um software de simulação de código aberto, Simulation of Urban MObility (SUMO). Os modelos comportamentais do SUMO nos ajudam a descrever a dinâmica do tráfego, por exemplo, como os motoristas tomam decisões, como seguir o carro, mudar de faixa e respeitar os limites de velocidade. Também utilizamos insights do Google Maps para definir a estrutura da rede e vários atributos estáticos do segmento (por exemplo, número de faixas, limite de velocidade, presença de semáforos).

Visão geral da estrutura de simulação.

A demanda de viagens é uma importante entrada do simulador. Para calculá-lo, primeiro decompomos a rede rodoviária de uma determinada área metropolitana em zonas, especificamente células S2 de nível 13 com 1,27 km ² de área por célula. A partir daí, definimos a procura de viagens como o número esperado de viagens que viajam de uma zona de origem para uma zona de destino num determinado período de tempo. A demanda é representada como matrizes agregadas de origem-destino (OD).

Para obter o número inicial esperado de viagens entre uma zona de origem e uma zona de destino, utilizamos estatísticas de mobilidade agregadas e anonimizadas. Em seguida, resolvemos o problema de calibração do OD combinando a demanda inicial com estatísticas de tráfego observadas, como velocidades de segmento, tempos de viagem e contagens de veículos, para reproduzir cenários de eventos.

Modelamos o tráfego em torno de vários eventos passados ​​no T-Mobile Park e no Lumen Field de Seattle e avaliamos a precisão computando estatísticas de tráfego agregadas e anônimas. A análise desses cenários de eventos nos ajuda a compreender o efeito de diferentes políticas de roteamento sobre o congestionamento na região.

Os mapas de calor demonstram um aumento substancial no número de viagens na região após um jogo, em comparação com o mesmo horário em um dia sem jogo.

O gráfico mostra as velocidades de segmento observadas no eixo x e as velocidades simuladas no eixo y para um evento modelado. A concentração de pontos de dados ao longo da linha vermelha x=y demonstra a capacidade da simulação de reproduzir condições de tráfego realistas.

Políticas de roteamento

O conhecimento local do SDOT e do Departamento de Polícia de Seattle (SPD) nos ajudou a determinar as rotas mais congestionadas que precisavam de melhorias:

• Tráfego da saída Edgar Martinez Dr. S do estacionamento do estádio T-Mobile Park para a rodovia I-5 sentido leste / rodovia SR 99 sentido oeste
• Trânsito através do estacionamento do estádio Lumen Field até a rampa de acesso Cherry St. I-5 no sentido norte
• Tráfego indo para o sul através do bairro SODO de Seattle até S Spokane St.

Desenvolvemos políticas de roteamento e as avaliamos usando o modelo de simulação. Para dispersar o tráfego mais rapidamente, tentamos políticas que encaminhariam o tráfego no sentido norte/sul das rampas mais próximas para outras rampas da rodovia, para reduzir os tempos de espera. Também experimentamos abrir faixas HOV para o tráfego de eventos, recomendando rotas alternativas (por exemplo, SR 99) ou compartilhamento de carga entre diferentes faixas para chegar às rampas do estádio mais próximo.

Resultados da avaliação

Modelamos vários eventos com diferentes condições de tráfego, horários de eventos e contagens de participantes. Para cada política, a simulação reproduz o tráfego pós-jogo e relata o tempo de viagem dos veículos, desde a saída do estádio até a chegada ao destino ou saída da área SODO de Seattle. A economia de tempo é calculada como a diferença do tempo de viagem antes/depois da apólice e é mostrada na tabela abaixo, por apólice, para eventos de pequeno e grande porte. Aplicamos cada política a uma porcentagem do tráfego e reestimamos os tempos de viagem. Os resultados são mostrados se 10%, 30% ou 50% dos veículos forem afetados por uma apólice.

Com base nesses resultados de simulação, na viabilidade de implementação e em outras considerações, a SDOT decidiu implementar as políticas de “rampa Northbound Cherry St” e “rampa Southbound S Spokane St” usando DMS durante grandes eventos. As placas sugerem que os motoristas sigam rotas alternativas para chegar aos seus destinos. A combinação destas duas políticas leva a uma poupança média de 7 minutos de tempo de viagem por veículo, com base no reencaminhamento de 30% do tráfego durante grandes eventos.

 

Conclusão

Este trabalho demonstra o poder das simulações para modelar, identificar e quantificar o efeito das políticas propostas de orientação de tráfego. As simulações permitem que os planejadores de rede identifiquem segmentos subutilizados e avaliem os efeitos de diferentes políticas de roteamento, levando a uma melhor distribuição espacial do tráfego. A modelagem off-line e os testes on-line mostram que nossa abordagem pode reduzir o tempo total de viagem. Outras melhorias podem ser feitas adicionando mais estratégias de gestão de tráfego, como a otimização dos semáforos. Os modelos de simulação têm sido historicamente demorados e, portanto, acessíveis apenas para as maiores cidades e projetos de alto risco. Ao investir em técnicas mais escaláveis, esperamos levar estes modelos a mais cidades e casos de utilização em todo o mundo.