Ottimizzazione di reti di traffico urbane basate su diagrammi fondamentali

Abstract

Urban traffic congestion poses a significant global challenge, leading to increased travel times, fuel consumption, emissions, and reduced network efficiency. Traditional link-level traffic management strategies often prove insufficient in addressing macroscopic phenomena like widespread congestion and queue spillbacks. This thesis addresses these limitations by adopting a network-level approach centered on the Macroscopic Fundamental Diagram (MFD). The research focuses specifically on the city of Turin, utilizing the UTD19 traffic dataset to develop a robust methodology for effective urban traffic management. The methodology encompasses several key stages. First, an accurate data preparation and cleaning is applied to the raw sensor data from Turin to ensure data reliability. Second, the city’s road network is partitioned into homogeneous traffic zones using community detection algorithms, namely Infomap and Leiden. Third, empirical MFDs are precisely estimated for each identified homogeneous region through a direct curve-fitting approach. Finally, these estimated MFDs are integrated into a Model Predictive Control (MPC) framework for perimeter control, designed to optimize enter-regional traffic flows and mitigate congestion at macroscopic level.

La congestione del traffico urbano rappresenta una sfida globale significativa, con conseguente aumento dei tempi di percorrenza, consumo di carburante, emissioni e riduzione dell'efficienza della rete. Le tradizionali strategie di gestione del traffico a livello di collegamento si rivelano spesso insufficienti per affrontare fenomeni macroscopici come la congestione diffusa e le code. Questa tesi affronta queste limitazioni adottando un approccio a livello di rete incentrato sul Diagramma Fondamentale Macroscopico (MFD). La ricerca si concentra specificamente sulla città di Torino, utilizzando il set di dati sul traffico UTD19 per sviluppare una metodologia solida per una gestione efficace del traffico urbano. La metodologia comprende diverse fasi chiave. In primo luogo, viene applicata un'accurata preparazione e pulizia dei dati ai dati grezzi dei sensori di Torino per garantirne l'affidabilità. In secondo luogo, la rete stradale cittadina viene suddivisa in zone di traffico omogenee utilizzando algoritmi di rilevamento di comunità, ovvero Infomap e Leiden. In terzo luogo, gli MFD empirici vengono stimati con precisione per ciascuna regione omogenea identificata attraverso un approccio di adattamento diretto della curva. Infine, questi MFD stimati vengono integrati in un framework di controllo predittivo del modello (MPC) per il controllo del perimetro, progettato per ottimizzare i flussi di traffico intraregionali e mitigare la congestione a livello macroscopico.