Optimal Service Station Placement on Highways: a Genetic Algorithm and Neural Networks Approach

Questo lavoro di tesi tratta il problema della congestione del traffico sulle autostrade, e più specificamente l'ottimizzazione del posizionamento di una stazione di servizio per minimizzare il tempo di percorrenza nell'arco della giornata. A questo proposito, il modello macroscopico CTM-s (Cell Transmission Model with Service Stations) è stato approfonditamente studiato e confrontato con il simulatore microscopico Aimsun Next 22, standard di mercato, per validarne la adeguatezza a rappresentare le dinamiche complesse nei flussi di auto sulle autostrade. Il processo di validazione si è rivelato estremamente soddisfacente, dimostrando che il CTM-s, per quanto semplice, è uno strumento accurato e valevole per analizzare i fenomeni molto complicati che caratterizzano il traffico dei veicoli. Questo modello è quindi stato utilizzato come punto cardine nella formulazione del problema di ottimizzazione, per produrre un dataset vasto e variegato di simulazioni su cui costruire gli algoritmi. Il problema è stato affrontato con tecniche di machine learning: prima un algoritmo genetico è stato impostato per trovare la soluzione ottima per uno specifico tratto di strada, poi una rete neurale è stata configurata per trovare l'otput ottimo dato un qualunque tratto. I risultati sono stati confrontati con il caso reale, per studiare come questo approccio possa essere di beneficio alle infrastrutture già esistenti, e quanto sarebbe potente nella progettazione di nuove strade.

This work of thesis deals with the problem of traffic congestion on highways, and more specifically the optimization of the placement and features of a service station to minimize the travel time of a stretch of road across the day. For this purpose, the macroscopic CTM-s (Cell Transmission Model with Service Stations) has been thoroughly studied and compared with the state of the art microscopic simulator Aimsun Next 22, to validate its fitness to represent the complex dynamics in streams of cars on highways. The validation process has proven extremely successful, demonstrating that the CTM-s, albeit simple, is indeed an accurate and valid tool to analyze the very complex phenomena that characterize vehicle traffic flows. This model has hence been used as the pivotal component in the formulation of the optimization problem, to produce a vast and varied dataset of simulations on which to build the algorithms. The problem has been tackled with machine learning techniques: first a genetic algorithm has been devised to find the optimal solution on a specific stretch of road, then a neural network has been designed to find the optimal output, given any possible stretch of road as input. The results have been compared to the real world case, to study how this approach could benefit already existing infrastructures, and how powerful it would be in the design of new ones.