W rozładowaniu korków pomoże… analiza tego, jak korzystamy z prądu

  • Data: 12 lipca 2018 ·
  • Autor: ·
W rozładowaniu korków pomoże… analiza tego, jak korzystamy z prądu
Share

Jeśli zużywasz dużo prądu między północą a – powiedzmy – piątą nad ranem, prawdopodobnie nie zerwiesz się z łóżka sporo świt. I odwrotnie jeśli nocą nie zużywasz prądu, to pewnie śpisz i z samego rana rozpoczniesz kolejny dzień. Na przykład wsiadając w samochód i ruszając do pracy.
Taka, dość oczywista intuicja pozwoliła na zbudowanie modelu, który prognozuje natężenie ruchu drogowego na podstawie danych dotyczących poboru elektryczności, gazu i wody.

Badacze z Carnegie Mellon University, zebrali dane z okresu 79 dni dla 322 gospodarstw domowych w Austin w Teksasie, by następnie wykorzystać je do przewidywania ruchu na miejscowej, notorycznie zakorkowanej trasie szybkiego ruchu. Badani podzieleni zostali na 10 grup w zależności od stopnia zużycia energii między północą i szóstą nad ranem i na tej podstawie stworzono model prognozujący ilość pojazdów na drodze. W zależności od liczebności poszczególnych grup można było na przykład przewidzieć, że korek zacznie się bliżej 7:45 niż 7:30. Badanie miało charakter raczej pilotażowy i ograniczone było do niewielkiej próby i niewielu zmiennych. Docelowo, jego autorzy myślą o włączeniu zarówno danych historycznych, jak i pozyskiwanych w czasie rzeczywistym. Można wziąć pod uwagę nie tylko elektryczność, ale i ścieki miejskie (np. ilość wody spuszczanej w toaletach w godzinach porannych).

Do obserwacji rutynowych zachowań należałoby dołączyć także dane dotyczące ryzyka nieprzewidzianych okoliczności, jak ekstremalne warunki pogodowe, czy wypadek na drodze. Dotychczas, aby ocenić warunki na drodze, kierowcy wykorzystują przede wszystkim Google Maps. I z niezłym skutkiem: zbierając dane od milionów użytkowników, Google jest w stanie dość dokładnie sportretować sytuację w czasie rzeczywistym. Nie jest to jednak narzędzie stworzone do zarządzania miastem i ruchem w mieście. Propozycja nowych modeli predykcyjnych może ułatwić proaktywne administrowanie ruchem na większą skalę.