為了預測早上的交通可能會停止，可能更有效的是檢查我們如何在半夜使用電力而不是旅行時間數據。通過分析德克薩斯州奧斯汀市的家庭用電情況，卡內基梅隆大學的研究人員能夠預測早晨的交通會在奧斯汀高速公路的一些區域肆虐。

由于日常變化，預測交通擁堵何時開始以及持續多長時間是困難的。分析實時旅行數據并不能提供足夠的信息用于預測目的，因為駕駛員的出發時間和旅行行為各不相同，從而對公路系統產生了不斷變化的需求。復雜的事情，在早上的高峰期，高速公路的交通往往在瓶頸附近的幾分鐘內發生故障。為了更好地了解交通流量，研究人員通過研究奧斯汀的交通系統如何與其電力系統交織在一起，探討了城市系統之間的相互關系，這是智能城市研究的一個關鍵概念。

在這項研究中，Sean Qian，土木與環境工程助理教授和博士。學生Pinchao Zhang創建了一個模型，用于挖掘電力使用時間數據，然后使用人工智能(AI)來預測交通流量。這項研究可能是第一個嘗試發現運輸和能源系統之間使用模式的時空關系的研究。

在這項開創性的工作中，他們分析了奧斯汀322個匿名家庭的79天的時間電力數據。他們的模型根據用戶使用的電量和時間對用戶進行了分類。例如，可能早睡的人與夜貓子的類別不同。使用AI，該模型學習關于用戶類別的關鍵特征以及每個類別如何與交通擁堵相關，然后進行預測。這些預測比僅使用實時交通數據所做的預測要準確得多。當家庭日常改變其使用模式時，這反映在擁堵開始的時間。

“我們的研究結果表明，早上的高峰擁堵時間與特定類型的用電模式明顯相關，”錢說。例如，一種模式包括家庭，其用電量從早上2點開始增加，但隨后在早上6點之前下降。這可能表明這些家庭可能必須在早上6點之前離開工作崗位，這與早先開始的早晨擁堵正相關。

“這項研究的另一個特點是它不需要來自家庭的個人身份信息，”錢說，“我們需要知道的是，何時以及有多少人使用電力。” 這表明可以提高系統效率，同時保護個人隱私。

該研究的結果令人信服，但也存在局限性。需要更多數據。在較長時間段內收集的大量家庭數據樣本將更好地訓練模型的預測能力。天氣和事故數據會影響流量，這些都不會計入當前模型。此外，在其他城市重現這項研究可能會有問題，因為從能源公用事業公司獲取電力使用數據極其困難。在這項研究中，Pecan Street Inc.通過開放式數據共享平臺提供了奧斯汀電力數據。

雖然該模型可以預測交通擁堵，但更重要的是，它可以為運輸和能源系統的配對提供概念證明，以預測系統的運行方式。梳理人們如何使用城市系統之間的相互關系可以導致跨系統需求預測和管理。

“我們研究能源利用情況來預測交通量。但你也可以使用交通流量預先預測能源利用率，”錢先生說，他正在進行后續研究，探討交通與供水/下水道系統和社會之間的關系。媒體。

國家科學基金會，卡內基梅隆大學的Traffic21研究所和Mobility 21，國家USDOT大學交通中心資助了這項研究。題為“以用戶為中心的相互依存的城市系統：利用時間用電數據預測早晨道路擁堵”的研究最近發表在交通研究C部分。