Resumen.docx

resumen Las tecnologías emergentes hacia un entorno peatonal, de infraestructura de vehículos conectados y grandes volúmenes de datos han facilitado y abaratado la recopilación, el almacenamiento, el análisis, el uso y la difusión de datos de múltiples fuentes. El entorno conectado también introduce nuevos enfoques para el control flexible y la gestión de los sistemas de transporte en tiempo real para mejorar el rendimiento general del sistema. Dados los beneficios de un entorno conectado, es crucial que entendamos cómo el sistema de transporte inteligente actual podría adaptarse al entorno conectado.

introducción El análisis y la comprensión de los problemas de transporte a menudo están limitados por fuentes de datos dependientes del dominio. Las tecnologías emergentes recientes hacia un entorno de infraestructura de peatones (VIP) conectado y big data han facilitado y abaratado la recopilación, el almacenamiento, el análisis, el uso y la difusión de datos de múltiples fuentes. Un entorno VIP conectado también hace que el sistema sea más flexible, de modo que se pueden implementar medidas de control y gestión en tiempo real para mejorar el rendimiento del sistema. Con un entorno conectado, los vehículos, la infraestructura y los peatones pueden intercambiar información, ya sea a través de un protocolo de conectividad de igual a igual o un sistema centralizado a través de una red de telecomunicaciones 4G o más avanzada (entorno VIP). Dicha tecnología es considerada como una de las tecnologías más potencialmente disruptivas para el ecosistema urbano. La interacción y el intercambio de información pueden ocurrir vehículo a vehículo (V2V), vehículo a infraestructura (V2I), personal a infraestructura (P2I) o vehículo a peatón (V2P). Dados los beneficios de un entorno conectado, y teniendo en cuenta sus características únicas, es crucial comprender cómo los sistemas de transporte inteligentes actuales podrían adaptarse para trabajar con el entorno conectado. Este documento tiene como objetivo: (1) revisar las tendencias actuales en los sistemas de transporte inteligente (ITS) y las ciudades inteligentes; y (2) ofrecer información sobre la introducción del entorno VIP conectado en estos sistemas. El documento está organizado de la siguiente manera. La siguiente sección es una revisión de las tendencias actuales en sistemas de transporte inteligentes. En la Sección 3, analizamos las ciudades inteligentes y las técnicas de inteligencia artificial (AI) relacionadas. el concepto de un entorno conectado se describe en la Sección 4. Finalmente, la Sección 5 ofrece información sobre los futuros ITS y ciudades inteligentes

2. Tendencias actuales en sistemas de transporte inteligente (ITS). La congestión, los accidentes y los problemas de contaminación debidos al transporte son cada vez más graves como resultado del tremendo aumento de las diversas demandas de viaje, incluido el tránsito vehicular, el transporte público, el transporte de carga e incluso el tránsito peatonal. Para resolver tales problemas, se han desarrollado ITS que son capaces de integrar una amplia gama de sistemas, incluida la detección, la comunicación, la diseminación de la información y el control del

tráfico. Tres componentes esenciales son necesarios para que cualquier ITS realice su (s) función (es): recopilación de datos, análisis de datos y transmisión de datos / información. Los componentes de recolección de datos recopilan toda la información observable del sistema de transporte (por ejemplo, flujo de tráfico en un punto particular de la red de carreteras, tiempo promedio de viaje para un tramo de carretera particular, número de pasajeros que suben a una línea de tránsito, etc.) para un análisis más detallado de Las condiciones actuales de tránsito. Tradicionalmente, los detectores de bucle inductivo [1,2], que detectan la presencia de vehículos basados en la corriente inducida en el bucle con los vehículos que pasan, y los tubos neumáticos [3], que detectan la presencia de vehículos basados en los cambios de presión en el tubo, se han utilizado para recopilar información básica de tráfico, como el volumen de tráfico y la velocidad al contado. Sin embargo, debido a su alto costo de implementación e impacto en el tráfico durante la implementación, estos métodos se están volviendo menos populares, especialmente en áreas congestionadas. Debido a los avances en la tecnología de detección e imagen, las cámaras de video y los escáneres de identificación por radiofrecuencia (RFID) se están considerando cada vez más para su uso en la recopilación de datos de tráfico. Las cámaras pueden instalarse en diferentes ubicaciones de la red para recopilar videos de tráfico. Luego, los videos se analizan utilizando una imagen diseñada específicamente software de procesamiento (por ejemplo, Autoscope) para determinar información como el flujo de tránsito, la velocidad, los tipos de vehículos, etc. [4,5]. En este contexto, el reconocimiento automático de la placa de licencia [6,7] es un área crucial de investigación, ya que a través del reconocimiento y el emparejamiento de las placas de licencia, puede proporcionar información adicional, como rutas seleccionadas y tiempos de viaje. Por otro lado, los datos de identificación por radiofrecuencia (RFID) se pueden obtener comúnmente en lugares que aceptan pagos sin contacto (por ejemplo, sistemas de autotoll y Octopus en Hong Kong), o para el transporte de carga. Mediante la coincidencia de una RFID única, se puede extraer información relacionada con el tráfico, como la elección de la ruta y el tiempo de viaje [8,9]. Recientemente, debido a la creciente penetración de teléfonos inteligentes y tecnologías de comunicación avanzadas, datos del Sistema de posicionamiento global (GPS) [10,11], direcciones de control de acceso a medios (MAC) de Bluetooth y componentes de WiFi [12,13] y datos de teléfonos móviles [14,15] están disponibles para el análisis de las condiciones de tránsito o incluso del comportamiento del viaje. En comparación con las fuentes de datos enumeradas anteriormente, estos nuevos tipos de datos están más a nivel de la persona, ya que estos dispositivos suelen ser personalizados y capaces de seguimiento continuo (por ejemplo, datos de GPS y teléfonos móviles). Con tales características, se podría realizar un análisis más detallado y / o relacionado con el comportamiento.

Los componentes de análisis de datos de los ITS tienen como objetivo proporcionar información diversa y medidas de gestión / control, utilizando los datos de tráfico recopilados de las diversas fuentes analizadas (por ejemplo, detectores de bucle inductivo, GPS, etc.). Tradicionalmente, los modelos predefinidos y pre-calibrados, como los modelos de equilibrio de tráfico [16,17], los modelos de flujo [18,19] y varios modelos de intersección señalizada [20,21], se han adoptado para evaluar las condiciones de tráfico y proporcionar la respuesta necesaria. Las recientes mejoras

en el poder de cómputo y la necesidad de una evaluación más detallada han llevado al desarrollo de modelos de micro simulación y basados en agentes en los componentes de análisis de datos [22, 23]. Debido a la introducción de nuevas fuentes de datos, estos modelos se han ampliado para utilizar de manera efectiva los nuevos datos para mejorar la precisión y el detalle de las evaluaciones [8,13,14,24]. Los componentes de transmisión de datos / información de los ITS ayudan a comunicar los datos recopilados a los centros operativos para evaluar y difundir información, y / o medidas de gestión / control, a viajeros e infraestructuras. Los métodos para transmitir los datos recopilados han evolucionado desde cables a fibras ópticas a redes inalámbricas (por ejemplo, 3G / 4G, WiFi, etc.) con plataformas en la nube. Para la difusión de la información y las estrategias de control / gestión, los métodos han evolucionado desde los signos de tráfico tradicionales y la radiodifusión hasta los mensajes de mensaje variable [25], las aplicaciones móviles [26] y la información en el vehículo [27] aprovechando de mejorado tecnologías de la comunicación. Con estos componentes básicos, los ITS se pueden clasificar en una de dos categorías según sus funcionalidades. Se trata de sistemas avanzados de información al viajero (ATIS) y sistemas avanzados de gestión (AMS). Los detalles de cada uno se presentan a continuación. Sistemas avanzados de información al viajero: los ATIS tienen como objetivo ayudar a los viajeros a tomar decisiones de viaje (por ejemplo, elección de modo, opción de ruta, opción de tiempo de salida, etc.) al proporcionar varios tipos de información (por ejemplo, tiempo de viaje, tiempo de espera, estacionamiento disponible). ). De las diversas implementaciones, la estimación / predicción del tiempo de viaje [8,10,28], y los sistemas de guía de ruta [29,30] son las áreas más estudiadas, ya que pueden afectar directamente las elecciones de los viajeros, especialmente la opción de ruta. Con el avance de los métodos de recopilación de datos y las tecnologías de comunicación descritas anteriormente, el tiempo de viaje y la información de guía de ruta proporcionada pueden ser más precisos y en tiempo real. Con las fuentes adicionales de datos (por ejemplo, datos de GPS, datos de teléfonos móviles, etc.), otra información en tiempo real también está disponible para los viajeros. Por ejemplo, el análisis de las imágenes de las condiciones de las carreteras de los conductores tomados automáticamente de las aplicaciones de teléfonos inteligentes se puede utilizar para determinar el estacionamiento disponible en la carretera en tiempo real [31]. Otro ejemplo es la predicción del tiempo de llegada del autobús a partir de la información transmitida por los pasajeros del autobús a través de señales de teléfonos móviles a través de diferentes torres celulares [32]. Sistemas de gestión avanzados: los AMS tienen como objetivo controlar o gestionar diferentes infraestructuras y operadores dentro del sistema de transporte en diferentes situaciones para garantizar la eficiencia y la seguridad del sistema de transporte. En la literatura, dichos métodos de control / manejo se aplican a arteriales [33], autopistas [34], transporte de carga [35], servicios de tránsito [36] y situaciones de incidentes / emergencias [37]. Con fuentes de datos enriquecidas, resolución de datos mejorada y métodos de difusión de información mejorados, es posible una administración más detallada y en tiempo real. Por ejemplo, Fu y Yang [36] propusieron estrategias de control de retención de bus basadas en información de ubicación de bus en tiempo real para regular el avance del bus en paradas específicas. Aunque estos investigadores solo han validado sus modelos en experimentos de simulación, brindan una buena visión de cómo podrían usarse las

nuevas fuentes de información en la gestión del tránsito. Kurkcu et al. [37] proporciona otro ejemplo utilizando fuentes de datos abiertas y datos de redes sociales para la detección de incidentes, que es el primer paso crucial de los procedimientos de gestión de incidentes.

3. Revisiones de ciudades sartanas y técnicas de inteligencia artificial relacionadas Los ITS presentados en la sección anterior pretenden resolver problemas relacionados con el transporte y mejorar la eficiencia general de los sistemas de transporte. Estos ITS se incluyen en la categoría de movilidad inteligente en el marco de las ciudades inteligentes, que está adquiriendo preocupación en las últimas décadas. En la literatura, todavía no hay consenso sobre lo que constituye una ciudad inteligente, y existen diversas definiciones [38,39]. Por ejemplo, Hall [40] sugirió que una ciudad inteligente monitorearía sus componentes (por ejemplo, carreteras, edificios, etc.) para optimizar mejor sus recursos, planificar actividades de mantenimiento preventivo y monitorear la seguridad, mientras maximiza los servicios para sus ciudadanos. Lombardi et al. [41], por otro lado, propuso que las ciudades inteligentes son aquellas que utilizan la tecnología de la información y la comunicación (TIC) en el capital humano, el capital social y relacional y los problemas ambientales. Las definiciones también dependen de los antecedentes de las partes interesadas y del enfoque del gobierno [42]. Por ejemplo, Australia considera que mejorar la calidad de vida es el objetivo principal de una ciudad inteligente, mientras que las partes interesadas en una empresa privada pueden optar por la eficiencia como objetivo principal [42]. A pesar de esta diversidad de definiciones, el uso de tecnología electrónica / digital avanzada (p. Ej., TIC), la integración de las TIC u otro hardware electrónico en la infraestructura de la ciudad y la mejora de los intereses de las partes interesadas en diferentes aspectos del sistema son las tres características comunes. o dimensiones de la ciudad inteligente. En cuanto a las funcionalidades, las ciudades inteligentes se pueden dividir en seis componentes diferentes [39,41,43,44]: gobernanza inteligente, economía inteligente, capital humano / social inteligente, entorno inteligente, vida inteligente y movilidad inteligente. Smart Governance pretende utilizar las TIC para mejorar la eficiencia y la transparencia de las organizaciones del sector público en la gestión de los recursos públicos, y para alentar la participación pública en la toma de decisiones. El objetivo de una economía inteligente es emplear las TIC y las tecnologías relacionadas para mejorar la productividad en la cadena de fabricación y para mejorar y fortalecer las transacciones en línea para la promoción del comercio electrónico. Smart Capital humano / social tiene como objetivo mejorar el nivel de educación y la participación pública activa de los ciudadanos a través de la provisión de información enriquecida generada a partir de los otros componentes de la ciudad inteligente. El objetivo también es recopilar opiniones y actitudes individuales, ya que estos datos son parte de la mejor información que cualquier gobierno puede obtener. El objetivo de un Ambiente Inteligente es reducir la contaminación y resolver otros problemas ambientales con el objetivo final de mejorar la sostenibilidad urbana / urbana mediante el uso de la tecnología. Smart Living busca mejorar la calidad de vida (por ejemplo, seguridad, calidad de la vivienda, cohesión social, etc.) a través de la implementación de tecnologías avanzadas dentro de las ciudades e infraestructuras. La movilidad inteligente, a veces considerada bajo la rúbrica de vida inteligente debido al enfoque en el transporte eficiente de personas, intenta utilizar las TIC avanzadas para optimizar los sistemas de transporte y logística y proporcionar

servicios eficientes, seguros y amigables con el medio ambiente para pasajeros y carga. Sobre la base de estos componentes, varios indicadores (por ejemplo, accesibilidad local, productividad, emisiones, etc.) se han diseñado [41,45] para evaluar el desempeño de las ciudades inteligentes y ayudar a los tomadores de decisiones a diseñar políticas que allanen el camino hacia ciudades aún más inteligentes. En el contexto de la movilidad inteligente y los ITS, se deben realizar varias estimaciones, predicciones y métodos de gestión y control en tiempo real basándose en la información disponible de los sensores y las partes interesadas. Los problemas relacionados con el transporte se caracterizan por un gran número de variables con relaciones paramétricas que no se comprenden bien, grandes volúmenes de datos incompletos y objetivos y restricciones poco claros [46]. Recientemente, las técnicas relacionadas con la inteligencia artificial, con su fuerza única en la construcción de conocimiento, se han adoptado en movilidad inteligente e ITS. AI es el dispositivo inteligente demostrado por la máquina que percibe racionalmente el entorno (analiza datos de varios tipos de sensores) y toma decisiones racionales que maximizan la posibilidad de alcanzar un objetivo [47]. El enfoque comúnmente adoptado de la IA para problemas de transporte involucra redes neuronales artificiales, máquinas de vectores de soporte y redes bayesianas.

Las redes neuronales artificiales (ANN), con la capacidad de realizar mapas no lineales entre entradas y salidas a través de la consideración de capas ocultas y entrenamiento suficiente, son adecuadas para abordar problemas de transporte en los cuales las relaciones paramétricas entre variables son no bien entendido En la literatura, las ANN se adoptan comúnmente en la estimación / pronóstico de estado [48,49], detección de incidentes [50], control de tráfico / infraestructura [51] y análisis de comportamiento [52]. De manera similar a ANN, las máquinas de vectores de soporte (SVM) son modelos de aprendizaje supervisado que analizan datos de entrada, pero se centran más en la clasificación de etapas / escenarios. Como resultado, aunque las SVM se han aplicado a otros problemas relacionados con el transporte [53,54], se utilizan principalmente para problemas como la detección de incidentes [55,56] y la predicción de accidentes [57,58] en el contexto de ITS. A diferencia de ANN y SVM, que se basan únicamente en los datos, las redes bayesianas son un tipo de modelo estadístico que considera las probabilidades y las dependencias condicionales de las variables de control. En la literatura de ITS, las redes bayesianas se han utilizado para diversos problemas de transporte [59,60], pero se utilizan principalmente cuando el enfoque es la previsión de tráfico [61,62] y los temas relacionados con incidentes / accidentes [63,64].

4. Un entorno conectado para sThart Thobility

Debido a los avances sustanciales en las TIC y las tecnologías de detección relacionadas, la tendencia actual es hacia la instalación y el uso de sistemas de comunicación y automatización de vehículos (VACS) en los vehículos. Se ha demostrado que los VACS son capaces de mejorar la

seguridad individual, la comodidad y la conveniencia, así como las emisiones en vehículos conectados [65]. También se espera que VACS pueda desarrollar el potencial para promover la eficiencia del tráfico global mediante el control del tráfico [66–69]. El número de vehículos automatizados conectados (CAV) equipados con VACS aumentará rápidamente en la próxima década. Mientras tanto, los vehículos pilotados por humanos (RHV) continuarán desempeñando un papel importante en el mercado a corto plazo [70,71]. Por lo tanto, el camino pronto será compartido por los CAV y los RHV. La penetración de CAV y VACS en el mercado puede llevar a mejoras en el rendimiento de la red de autopistas y en la eficiencia del tráfico. También permitirá implementar esquemas de control, tales como la velocidad individual del vehículo y el cambio de carril que no están disponibles con los RHV. Como se indica en Diakaki et al. [65], los VACS que responden a las condiciones de flujo de tránsito, es decir, los sistemas de control de crucero adaptativo (ACC) y los sistemas de control de crucero adaptativo cooperativo (CACC), crean cambios en las características del flujo de tráfico macroscópico. Además, el tiempo de reacción reducido debido a los CAV puede mejorar la eficiencia del flujo de tránsito a través de un avance entre vehículos más pequeño [70,72,73]. En experimentos de carretera de circunvalación de un solo carril de autonomía mixta (que consta de 22 RHV en una pista de anillo de 230 m), Stern et al. [74] demostró más del 40% de ahorro en el consumo de combustible por la inserción de una CAV en el tránsito para amortiguar la inestabilidad del anillo. Sin embargo, la investigación para abordar las implicaciones de los VACS emergentes en las características de flujo del tráfico mezclado con CAV y RHV, así como su potencial para mejorar las operaciones de flujo de tráfico, ha sido limitada [65,75]. En comparación con los viajeros que viajan en vehículos, los peatones son los usuarios de carreteras más vulnerables. Los peatones contribuyen a una proporción significativa del total de muertes y lesiones en el tránsito vial (por ejemplo, en 2010 hubo 273,000 muertes civiles). Los esfuerzos actuales se concentran en el desarrollo de sistemas avanzados de protección de peatones basados en sistemas de asistencia al conductor. El rendimiento de tales sistemas es vulnerable en entornos urbanos complejos debido a diversos obstáculos y tiempo insuficiente para que los conductores reaccionen. La tecnología de comunicación de vehículo a peatón (V2P) intenta resolver las colisiones problemáticas de peatones y tráfico para mejorar la seguridad de los peatones. Debido al avance de las TIC y al aumento de la penetración de dispositivos inteligentes, la idea de un entorno conectado en el contexto relacionado con el transporte se ha extendido y ahora cruza el límite físico. En la literatura, las redes de tráfico generalmente se modelan como gráficos dirigidos solo para infraestructura de transporte. Sin embargo, las redes de tránsito deben consistir en humanos, infraestructura física, señalización de caminos perceptivos y sistemas de transporte multimodal. Por lo tanto, es más razonable considerar la red completa en espacios cibernéticos, sociales (comportamiento humano) y físicos (CSP). Existe una creciente discusión sobre la construcción de un modelo de red de tráfico jerárquico flexible que integre redes físicas, semánticas, lógicas y perceptivas en la reconstrucción digital de espacios CSP [76].

5. El futuro de los sistemas de transporte inteligentes y las ciudades más pequeñas.

De las revisiones en la sección anterior, se puede ver que el futuro de ITS se encuentra dentro de las múltiples capas del entorno conectado (es decir, cibernético, social y físico). Dado este entendimiento, esta sección tiene como objetivo proporcionar algunas perspectivas sobre el desarrollo de futuros ITS y ciudades inteligentes que incluyen: análisis de información de fuentes cibernéticas, modelado de redes de CSP y modelos de flujo en un entorno conectado.

5.1. Analizar las actitudes y percepciones públicas de las fuentes cibernéticas.

Además de los datos físicos que podrían ser recopilados por varios sensores, las actitudes y percepciones públicas recopiladas de fuentes cibernéticas (por ejemplo, las redes sociales) son las otras fuentes prometedoras de datos para comprender el estado de una ciudad y el rendimiento de sus sistemas de transporte. - tem Por lo tanto, los futuros ITS deben usar estas fuentes de datos para monitorear y administrar los sistemas. Para extraer información útil y significativa de las fuentes de datos de redes sociales comentarios públicos en Twitter), se sugiere un algoritmo basado en el procesamiento de lenguaje natural (PNL) que adopta estructuras semánticas predefinidas para el análisis de datos. El algoritmo de la PNL debería poder detectar eventos sociales y / o comentarios públicos que podrían conducir a posibles problemas de tráfico (por ejemplo, congestión después de un partido de fútbol), o revelar las actitudes y percepciones del público sobre el sistema de transporte / política actual. Además, con los datos de las redes sociales etiquetados de forma temporal y espacial, la magnitud y la gravedad de los problemas de tráfico (por ejemplo, comentarios sobre la demora del servicio de trenes después de una interrupción del tren a las 8 AM) también se pueden estimar.

5.2. Modelado de redes de tráfico CSP

Para incorporar mejor los datos de los espacios de CSP y otros datos de fuentes múltiples emergentes, se debe desarrollar un modelo de CSP para permitir la asociación y fusión de datos. En el futuro, se debe considerar un modelo de red de tráfico jerárquico que integre redes físicas, semánticas, lógicas y perceptivas en la reconstrucción digital de espacios de CSP. Una conexión de red de capas cruzadas (es decir, entre las capas cibernética, social y física) podría habilitarse mediante computación cognitiva y / o modelos de inferencia probabilística para representar la conectividad de la red. La regla de asociación de datos de dominios cruzados podría investigarse utilizando estadísticas y PNL. Por ejemplo, la regla de asociación espaciotemporal podría establecerse entre la intensidad de Bluetooth y el volumen de tráfico, o el uso de energía del edificio y el flujo de peatones. Al formular este modelo de red de tráfico jerárquico, debido a la abundancia de información de tráfico disponible

será crucial identificar y definir los tipos y cantidades (en términos de resolución temporal y espacial) de información que será suficiente para implementar varios servicios de manera efectiva.

5.3. Modelos de flujo en ambientes conectados.

Con la creciente popularidad de VACS, es seguro que los futuros ITS se aplicarán en entornos conectados con CAV combinados y RHV. Como el comportamiento / las características de los CAV son sustancialmente diferentes de los de los RHV, es fundamental comprender las características de flujo de dichos entornos de vehículos mixtos para su uso en ITS. Los modelos de flujo vehicular extendido serán necesarios tanto a nivel microscópico como macroscópico. A nivel microscópico, los nuevos modelos de seguimiento de automóviles (CF) se considerarán con la intención de incorporar las características relacionadas con la CAV (por ejemplo, comunicaciones vehiculares no confiables, demora de comunicación, protocolos de manejo de la instalación en pelotones, tasa de penetración de CAV, etc.) . Dicho modelo de FQ podría utilizarse en el diseño del control basado en enlaces en ITS. En contraste, a nivel macroscópico, las características relacionadas con la CAV se deben considerar en el desarrollo del modelo de flujo a nivel de red para ayudar en la supervisión y planificación regional (por ejemplo, la supervisión del nivel de congestión de un distrito, el diseño basado en el cordón). esquema de tasación vial, etc.).