Sistem Estimasi dan Prediksi Lalu Lintas (TrEPS) memiliki potensi untuk meningkatkan kondisi lalu lintas dan mengurangi keterlambatan perjalanan dengan memfasilitasi penggunaan kapasitas yang tersedia secara lebih baik. Sistem-sistem ini memanfaatkan teknologi komputer, komunikasi, dan kontrol yang tersedia saat ini dan sedang berkembang untuk memantau, mengelola, dan mengendalikan sistem transportasi.
Mereka juga menyediakan berbagai tingkat informasi lalu lintas dan nasihat perjalanan kepada pengguna sistem, termasuk banyak penyedia layanan ITS, sehingga para pelancong dapat membuat keputusan perjalanan tepat waktu dan terinformasi.
Kebutuhan akan TrEPS
Keberhasilan implementasi teknologi ITS sangat bergantung pada ketersediaan perkiraan lalu lintas yang tepat waktu dan akurat tentang kondisi lalu lintas saat ini dan yang sedang berkembang. Oleh karena itu, ada kebutuhan yang kuat untuk "sistem prediksi lalu lintas". Sistem yang diperlukan ini menggunakan model lalu lintas canggih untuk menganalisis data, khususnya data lalu lintas real-time, dari berbagai sumber untuk memperkirakan dan memprediksi kondisi lalu lintas sehingga strategi proaktif Sistem Manajemen Lalu Lintas Lanjutan (ATMS) dan Sistem Informasi Perjalanan Lanjutan (ATIS) dapat diimplementasikan untuk memenuhi berbagai tujuan pengendalian, manajemen, dan operasi lalu lintas.
Singapura
Singapura menerapkan aplikasi praktis pertama dari pembiayaan kemacetan di dunia pada tahun 1975, yaitu Skema Lisensi Area Singapura. Berkat kemajuan teknologi dalam pengumpulan biaya elektronik, deteksi dan pengawasan video, Singapura meningkatkan sistemnya pada tahun 1998.
Dalam upaya untuk meningkatkan sistem biayanya dan memasukkan harga variabel waktu nyata, Otoritas Pengelolaan Pertanahan Singapura dan IBM menggunakan sejarah perdagangan data dari Desember 2006 hingga April 2007 dan aliran data real-time dari berbagai sumber.
Kami mencoba menguji menggunakan alat estimasi dan prediksi lalu lintas untuk memprediksi level di atas. Dengan memprediksi kondisi saat ini secara akurat dan mengembangkan metode lalu lintas, kami berharap dapat memberikan kompensasi yang berbeda dan meningkatkan manajemen lalu lintas, seperti memberikan informasi sebelumnya untuk memperingatkan pengemudi tentang situasi yang akan datang, di masa depan, dan bayar sesuai perjalanan. .
Hasil eksperimen menunjukkan hasil prediksi lebih baik dibandingkan persentase benarnya. Selain itu, akurasi rata-rata meningkat lebih dari satu persen pada waktu puncak ketika lebih banyak data tersedia.
Disadur dari Artikel : en.wikipedia.com