Google의 새로운 기계 학습 시스템에 대한 초기 테스트에서는 교통 신호 패턴을 향상시키는 데 어느 정도 가능성이 있는 것으로 나타났습니다. Green Light 프로젝트는 기계 학습과 인공 지능을 활용하여 교통 패턴을 모델링하여 최적의 신호등 순서를 제공합니다. Scientific American에 따르면 초기 실험 결과 다소 개선된 것으로 나타났습니다. 시애틀의 일부 혼잡한 노선의 교통 흐름. 시애틀 교통 당국은 Green Light가 알려진 초크 위치를 확인하고 교통 병목 현상을 감지하는 데 도움을 주며 실용적인 권장 사항을 제시했다고 밝혔습니다.
2023년 가을에 도입된 Google의 Green Light 시범 프로그램은 리우데자네이루, 콜카타 등 교통량이 많은 대도시는 물론 시애틀과 함부르크를 포함한 기타 12개 도시에서 테스트되고 있습니다. 이러한 실험 중에 교통 신호 순서는 시스템의 권장 사항에 따라 현지 교통 엔지니어에 의해 수정됩니다. 이 계획의 목표는 신호등 대기 시간을 단축하고 주요 도로 및 교차로 교통 흐름을 개선하며 궁극적으로 온실가스 배출을 줄이는 것입니다. Google에 따르면, 예비 연구에 따르면 CO2 배출량이 10% 감소하고 신호등 정류장이 줄어들 수 있는 것으로 나타났습니다. 최대 30%까지.
Green Light의 핵심은 교차로의 레이아웃, 주행 및 정지 습관, 신호등 타이밍, 신호 시스템과 교통 시스템 간의 상호 작용 등의 요소를 고려하여 모든 교차로에 맞춤화된 인공 지능(AI) 모델입니다. 이 기술은 도시 계획자가 전용 인터페이스를 통해 액세스할 수 있는 이러한 패턴을 기반으로 권장 사항을 생성합니다. 이 프로젝트에는 값비싼 고정 센서나 지속적인 현장 모니터링이 필요하지 않다는 점이 큰 장점입니다. 오히려 움직이는 자동차와 '모바일 센서' 역할을 하는 스마트폰 사용자로부터 수집된 기존 Google 지도 교통 데이터를 활용합니다.
하지만 Green Light의 제안이 항상 신뢰할 수 있는 것은 아닙니다. 미시간대학교 교통연구소 소장인 Henry Liu는 이 기술에 대해 좀 더 신중한 입장을 취하고 있습니다. Green Light는 버밍엄의 교차로 대기 시간을 20~30% 단축할 수 있었지만 Liu는 효율성의 정도가 출발점에 따라 다르다고 지적합니다. 예를 들어 버밍엄에서는 신호등이 낡은 교통 정보를 기반으로 설정된 시간표를 따릅니다. 정부 데이터에 따르면 공회전 차량과 교통 정체로 인해 발생하는 교통 관련 배출량은 약 2%에 불과하기 때문에 환경에 대한 이점도 논쟁의 여지가 있습니다. 미국. 실제로 제한 속도보다 빠르게 주행하는 자동차는 빨간불에 정지한 자동차보다 훨씬 더 많은 연료를 사용합니다.
또한 Green Light는 버스 및 자전거 도로 건너기, 트램 또는 혼잡한 횡단보도 횡단과 같이 덜 유용한 권장 사항으로 이어질 수 있는 복잡한 요소를 고려하지 않습니다. 시애틀의 신호등 조정은 결국 효과가 없는 것으로 판명되었기 때문에 취소되어야 했습니다. 또 다른 테스트 도시인 맨체스터에는 교통 신호가 버스를 선호하거나 주거 지역의 통근자들에게 추가 시간을 고려하도록 의도적으로 프로그래밍되어 있기 때문에 일상적으로 Google의 조언을 무시하기로 결정하는 교통 엔지니어가 있습니다. 교차로 정류장을 줄이는 AI 전략은 상황에 따라 반대될 수 있습니다.