+7 495 120-13-73 | 8 800 500-97-74

(для регионов бесплатно)

Содержание

Пробка-автомат: 3 совета по выбору предохранителя, установка


Для чего нужна замена пробок на автоматы

Предохранительные пробки являются незаменимым средством защиты электропроводки и бытовой техники. Их ставят в квартире, частном доме, на загородной даче. Замена старых предохранителей на новые, сегодня, является необходимостью. Ведь, с появлением новой, мощной бытовой техники, нагрузка на старую проводку сильной возросла.

Кроме того, новые евро-автоматы признаны, на сегодня, наиболее эффективным и безопасным средством защиты электросети.

Так, старые керамические, электрические пробки представляли собой одноразовые предохранители, которые, при коротком замыкании или повышении нагрузки на сеть, перегорали, тем самым размыкая цепь. Скорость срабатывания таких пробок и их чувствительность к утечке тока была достаточно низкой. Кроме того, чтобы сэкономить средства на восстановление электропробки, некоторые граждане вставляли в устройства самодельные “жучки”. Такие жучки нередко приводили к пожарам. Советские автоматические пробки с двумя кнопками также постепенно отходят на второй план. Со временем в них начинают окисляться контакты, которые влияют на работу пробок: устройство могут срабатывать при малейших скачках напряжения или не срабатывать вообще. В таком случае, их рекомендуют незамедлительно менять. Чтобы избежать подобных ситуаций в будущем, лучше заменить пробки на автоматы евростандарта.

Новые евро-автоматы отличаются массой достоинств:

  • Они надежны и долговечны;
  • Евро-модели различаются и по величине тока, и по скорости срабатывания;
  • Новые пробки-автомат удобны в эксплуатации;
  • Пользоваться такими пробками легко и просто;
  • Монтаж оборудования происходит достаточно быстро;
  • Евро-автоматы имеют компактные размеры и привлекательный дизайн.

Некоторые автоматические устройства оснащены тепловой защитой. Так, при перегреве проводника электрического тока вследствие повышенной нагрузки, автомат размыкает цепь.

Замена автомата в щитке своими руками: выбор пробки

Эффективно и долго работать автоматические евро-пробки смогут только при условии их грамотного подбора. Выбор пробки должен совершаться с учетом параметров электрической цепи, индивидуальных требований потребителя по защите. Какие же пробки поставить?

Чтобы правильно выбрать автоматическое оборудование необходимо:

  • Рассчитать мощность автомата. Для этого необходимо взять сумму всех бытовых приборов (не забывая про осветительные приборы), которые будут работать одновременно, и разделить их на напряжение в сети (220 или 380 В). При этом, желательно брать новый автомат с небольшим запасом по мощности. Самыми ходовыми считаются автоматы на 16А и 25А.
  • Убедиться в том, что ваша проводка выдержит напряжение автомата. Сделать это можно, зная сечение, диаметр и материал изготовления проводов электропроводки.
  • Определиться с производителем. Наиболее качественное, проверенное оборудование производят зарубежные фирмы Moeller, ABB, Legrand.

Покупать автоматические устройства лучше через официальных дилеров, торговый сайт компании. Если вам необходимо выполнять частые отключения и включения электроэнергии, то вместо обычного автомата лучше выбрать реле или магнитные контакторы.

Инструкция: как поставить автомат в щиток

Чаще всего, вместо старых пробок в квартирах и частных домах ставят двухполюсный автомат. Такое устройство, при возникновении аварийных ситуаций, отключает сразу и фазу, и ноль. Иногда в специализированных магазинах рекомендуют установить два автомата. Делать это запрещается: при перепадах напряжения сработать может только один автомат на ноль. При этом, фаза в помещении останется включенной.

Для того, чтобы поставить автомат в щиток необходимо:

  1. Открутить старые пробки и, при помощи индикаторной отвертки, определить где фаза, а где ноль (если лампочка на отвертке загорелась, то перед вами фаза).
  2. Отключить электричество. Работать под напряжением не только неудобно, но и опасно для жизни.
  3. Демонтировать патроны пробок.
  4. При помощи саморезов, дюбелей или шурупов на место патронов, над контактами, установить DIN-рейку. Размер рейки должен соответствовать размеру автомата.
  5. Подсоединить автомат. Для этого к верхней клемме с индикатором “N” необходимо подсоединить нулевой провод, а к “L” клемме – фазу. К нижним клеммам присоединяются провода, которые идут в жилище.

Автомат готов к работе! Оборудование можно усовершенствовать, установив на него устройство защитного отключения. Оно сможет защитить человека от удара электрическим током при касании оголенных проводов и предотвратить возгорание при контакте фазного проводника с землей или корпусом.

Как поменять автомат в щитке под напряжением

Установка автомата в квартире или внутри частного дома под напряжением может понадобиться в случае, если не удалось выполнить отключение вводного автомата перед счетчиком света. При этом, самостоятельно менять пробки на автомат под напряжением крайне не рекомендуется: во-первых, это может быть опасным для жизни и здоровья, во-вторых, провода может замкнуть. Подобные работы должен выполнять человек с большим опытом работы с электрооборудованием и токопроводящими проводами.

Порядок действий электрика будет выглядеть таким образом:

  1. Демонтаж электросчетчика и старых пробок. Мастер снимет электросчетчик и выкрутит патроны. Чтобы добраться к силовым контактам счетчика, необходимо сорвать с устройства, которое ведет счет, пломбу, открутить винт и снять переднюю крышку. Далее специалист проверить, где на электросчетчике располагается фаза, а где ноль, и выполнит маркировку проводов.
  2. Демонтаж корпуса пробок. Керамические корпуса от пробок необходимо устранить. На их место будет крепиться специальная рейка, удерживающая автомат.
  3. Подключение автоматического выключателя. Мастер проведет подключение определенного количества автоматов по проекту в зависимости от количества и мощности потребителей.
  4. Установка и подключение электросчетчика (при необходимости, монтаж УЗО). К нижним контактам автоматов специалист подключит фазные провода, которые идут к потребителям. Далее – подключит ввод к счетчику (нули и фазы).

После завершения подключений мастер проверит исправность системы и протестирует общий УЗО. После чего – включит автоматы и подаст нагрузку. Некоторых интересует, за чей счет проводятся подобные работы? Так, если работы проводят в приватизированной квартире, то оплата услуг электрика ложиться на плечи владельца.

Как поменять пробки на автоматы (видео)

Замена старых пробок на новые евро-автоматы – это необходимость, которая позволит вам сохранить не только имущество, но и жизнь. Поменять в щитке старые пробки на автоматические можно своими руками: в этом нет ничего сложного. Главное – правильно подобрать новые автоматы и следовать всем, представленным выше, инструкциям. Ведь безопасность – превыше всего!

Меняем старые «пробки» на автоматы | Электрика и слаботочка

Во многих домах и квартирах, со времен советского союза остались щитки для счетчиков учета электроэнергии, в которых защитным элементом являются предохранители — «пробки».

Так, как при перегрузке, или коротком замыкании на линии, они перегорали, менять их требовалось довольно часто. Проблема состояла еще в том, что достать такие предохранители было не так уж и просто.

Выходом из положения, служили «жучки» — накрученные вместо плавкой вставки, отрезки медного проводника. Все бы хорошо, да сечение этого провода, в разы превышало необходимое, для защиты цепи.

Результатом такой самодеятельности, становилась полностью сгоревшая электропроводка, а порой и само жилище.

Позже, в продаже появились автоматические пробки-предохранители, которые можно было использовать без изменения конструкции электрического щита. Но их качество оставляло желать лучшего, поэтому проблема остается открытой вплоть до сегодняшнего дня.

В этой статье предлагается простой и действенный метод, замены старых колодок с предохранителями, на качественные и надежные автоматические выключатели.

Такая переделка не требует особых усилий или дорогостоящего оборудования. Из инструментов достаточно иметь:

  •  дрель,
  • фигурную насадку на дрель,
  • отвертку,
  • плоскогубцы,
  • указатель напряжения,
  • нож,
  • изоленту или хлорвиниловую трубку.

Из используемых материалов потребуются:

  • саморезы по металлу,
  • два автоматических выключателя (однополюсных) под дин рейку,
  • дин рейка, длинною не менее 13см.

Начало работы.

Начать следует с демонтажа старой арматуры предохранителей.

Читайте также

Для этого выкручиваем предохранители или автоматические пробки из посадочных патронов.

Следует иметь в виду, что работа может продлится больше часа, поэтому предупредить домашних об отсутствии напряжения в этот период времени — будет не лишним.

Итак, предохранители извлечены, снимаем защитный кожух патрона.

 Обычно достаточно просто с усилием потянуть на себя.

В некоторых случаях эта крышка фиксируется пластмассовыми гайками, накрученными на наружную резьбу патрона. В таких конструкциях, сперва откручивается эта гайка, а после снимается кожух.

В нашем случае гайки нет.

Операцию по снятию кожуха производим на двух предохранителях.

Остается только голая арматура с патронами.

Будьте внимательны и аккуратны, чтобы не сорвать контрольные пломбы с корпуса счетчика.

Далее, находим указателем напряжения фазный, приходящий провод.

Для этого касаемся пальцем специального контакта на указателе, а его щупом поочередно всех проводов.

На котором покажет потенциал, тот и есть фазный, входной проводник.

Обычно он снизу предохранителей, как показано на фото.

Фаза на другой предохранитель передается с помощью перемычки — куска алюминиевого или медного провода.

Отключаем верхние, отходящие провода.

 Отверткой откручиваем зажимные винты и извлекаем из под них токоведущую часть провода.

Загибаем их, концами вверх, чтобы не мешали дальнейшей работе.

Теперь отключаем фазную перемычку. Снять ее желательно сначала со стороны приходящего провода, а уже после с арматуры второго предохранителя.

Освобождаем фазный, приходящий провод и аккуратно отводим его в сторону.

Если есть возможность отключить электропитание до счетчика, то лучше это сделать и спокойно работать. Если такой возможности нет, с фазным приходящим проводом,  работать следует только инструментом с изолированными рукоятками.

Когда провод отведен, для безопасности изолируем его, или надеваем на него хлорвиниловую трубку.

Демонтаж колодок предохранителей.

Здесь, как повезет. Дело в том, что крепление колодок производится с помощью винта с лицевой стороны, и гайки с тыльной. При вращении винта, гайка может проворачиваться, что не даст требуемого эффекта, особенно если она заржавела.

В таком случае придется снимать с креплений сам щит, и придерживая ключем или плоскогубцами гайку с одной стороны, откручивать винт с другой.

Но в этом случае, такого делать не пришлось.

Достаточно было придерживать колодку, и потягивая ее на себя, откручивать винт. Гайки прекрасно открутились, как на первом, так и втором предохранителе, не снимая щита.

Монтаж автоматов.

Вот, на фото видно, готовая площадка, для монтажа дин рейки.

Берем дин рейку, прикладываем ее к щитку ровно посередине, между нижними и верхними проводами.

Делаем разметку, оставляя маркером точки, во внутренних, крайних прорезях дин рейки. Важно сделать первую точку крепления, по ней уже после, выставляется горизонтальный уровень самой рейки.

Когда первая отметина сделана, на время убираем рейку.

Для монтажа нам понадобится дрель с фигурной насадкой. Элемент был взят из набора сменных насадок от ручной отвертки.

Можно применить стандартные биты, если таковые есть в вашей домашней мастерской.

Зажимаем насадку в патрон дрели и проверяем центровку, прокручиванием ее.

Теперь, нужно питание для работы дрели. Взять его можно с приходящего фазного провода, и нулевого контакта ближайшей розетки.

Присоединить провода к дрели можно способом, как на фото.

Зачищаем провода, накручиваем их на концы вилки дрели, и изолируем все это лентой ПВХ.

Тщательно изолируйте ножи вилки, особенно их концы.

Когда дрель подключена, проверяем ее работу.
Винты для крепления дин рейки, применяются со шляпкой и заточенным под сверло наконечником.

Они без труда ввинчиваются в метал толщиной свыше 1 мм.

Длина их не должна превышать 10 мм.

Вставляем саморез в гнездо насадки и пытаемся им попасть, ровно в центр метки.

 Нажатием на работающую дрель, пробуем его вкрутить.

 Когда это практически удалось сделать, выкручиваем его обратно, и продев в прорезь дин рейки, снова зажимаем.

Не следует насиловать дрель, пытаясь зажать саморез как можно сильнее. Это может привести к срыву резьбы, слизыванию фигурной верхней части винта или повреждению инструмента.

Дожать винт, лучше всего обычной фигурной отверткой, так вы почувствуете когда следует вовремя остановиться.

Когда винт зажат и рейка практически неподвижна, выставляем ее как можно ровней по горизонтали и придерживая, закручиваем второй саморез.

Двух крепежей по разные стороны рейки, будет вполне достаточно, для удержания двух автоматов.

Теперь -, чтобы не мешала,- дрель можно отсоединить и убрать.

Подключение проводов к автоматам.

Для начала нужно из колечек на проводниках, сделать прямые концы.

Эту операцию лучше всего сделать с помощью круглогубцев или тонких «утиночек».

Если оголенного провода оказалось слишком много, не спешите его обкусывать. Лучше оставить запас, на всякий случай.

Чтобы не было слишком много оголенного участка, на его излишек одеваем тонкую хлорвиниловую трубку.

Теперь если что, есть дополнительный запас.

Переходим к подключению автоматов. Тут, как кому удобно. Если щиток очень высоко, лучше сначала подключить верхний провод.

После, заведя верхний паз автомата в дин рейку, отводим отверткой нижний его захват.

Когда автомат «сел», отпускаем и защелкиваем захват до упора.

Далее, одновременно вставляем нижний приходящий провод, и соединительную перемычку. Хорошенько прожимаем их.

Такую же процедуру делаем и со вторым автоматом, только вместо приходящего фазного провода, соединяем перемычку от него.

И так же прожимаем все соединения еще раз.

Работа окончена. Теперь можно включить автоматы, и проверить напряжение в розетках и на освещении.

Такая переделка заставит вас на долгие годы забыть о проблеме подгорающих и выбивающих «пробок», тем самым сохранив в целости ваше имущество и нервы.

 

 

 

 

Автоматы старых форматов

Автоматы ПАР бывают номиналами 6, 10, 16 и 25А и имеют соответствующую маркировку: ПАР-6, ПАР-10, ПАР-16, ПАР-25. Хотя они и считаются устаревшими, их поныне производят (кроме 6-амперных), в частности, на Чебоксарском Электроаппаратном Заводе (ЧЭАЗ). Это вызвано тем, что это единственные автоматы, которые можно использовать взамен старых пробок-предохранителей. При этом не нужно абсолютно никаких инструментов, даже отвертки: просто выкручивается пробка и вместо нее вкручивается автомат. Сотни тысяч таких пробок-автоматов до сих пор служат верой и правдой в домах старой постройки. В этих автоматах имеется как тепловой, так и электромагнитный расцепители. Аббревиатура ПАР расшифровывается как предохранитель автоматический резьбовой.

Характеристик срабатывания в графическом виде я для них не нашел, имеется лишь информация о том, что при трехкратной перегрузке тепловой расцепитель ПАР-10 должен сработать за 9, ПАР-16 за 14 и ПАР-25 за 25 секунд. При 10-кратном токе время срабатывания электромагнитного расцепителя, соответственно, через 5 , 9 и 11 миллисекунд. Средние это величины или крайние — сие мне не известно. Грубо говоря, можно считать, что по характеристикам срабатывания автоматы ПАР ближе всего к характеристике С модульных автоматов.

К недостаткам таких автоматов я бы отнес слабые контакты, к тому же в них отсутствуют дугогасительные камеры (хотя, мне приходилось разбирать такие пробки, и по-моему, туда легко бы поместилсь простенькая дугогасительная решетка). Поэтому у данных автоматов следует ожидать пониженный ресурс на отключение сверхтоков. Тем не менее, во многих квартирах такие автоматы служат и по 50 лет и более, и очень редко выходят из строя. Наверное, потому, что в старых домах обычно токи короткого замыкания относительно невысокие, и автоматы их легко переносят. По информации другого производителя — курского КЭАЗа — предельный ток отключения для ПАР-10 составляет 500А, для ПАР-16 и ПАР-25 соответственно 800 и 1000А, а контакты у них даже содержат серебро.

Пробка-автомат резьбовая (именно так ее именует КЭАЗ) имеет следующие характеристики:

  • номинальный ток 10, 16, 25 А
  • номинальная частота тока 50 Гц, хотя может работать и в цепях постоянного тока
  • номинальное рабочее напряжение переменного тока 230 В
  • предельная коммутационная способность переменного тока (максимальное значение тока короткого замыкания, которое автоматический выключатель способен отключить несколько раз, оставаясь исправным, для переменного тока) 0,5-1 кА
  • цоколь Е27 (по резьбе совпадает с обычной осветительной лампочкой)
  • климатическое исполнение и категория размещения УХЛ4
  • степень защиты IP20
  • диапазон рабочих температур от +1°С до +40°С
  • стандарт российский ГОСТ Р 50345-2010, ТУ3421-059-05758109-2011

Сервис объявлений OLX: сайт объявлений в Украине

65 973 грн.

Договорная

Краснокутск Сегодня 02:24

8 000 грн.

Договорная

Тернополь Сегодня 02:23

Samsung note 9 128Gb

Телефоны и аксессуары » Мобильные телефоны / смартфоны

Киев, Шевченковский Сегодня 02:23

Одесса, Малиновский Сегодня 02:22

Кабель Iphone

Телефоны и аксессуары » Аксессуары для телефонов

Александровка Сегодня 02:22

470 грн.

Договорная

Харьков, Немышлянский Сегодня 02:22

Краматорск Сегодня 02:22

Вапнярка Сегодня 02:21

при включении приборов и по другим причинам — устраняем неполадки


Выбивает пробки. Что делать?

Давайте поговорим о пробках. Не о тех, которые являются бичом всех мало-мальски крупных российских городов, а о тех, которые используются для нашей с вами электробезопасности. Пробки – название разговорное, на самом деле, когда речь заходит о пробках, в большинстве случаев имеют в виду плавкие предохранители, т.е. устройства для защиты электрических цепей от перегрузок. Плавкими их называют из-за принципа действия, т.к. внутри таких предохранителей находится проволочка, которая перегорает (плавится) при перегрузке или коротком замыкании цепи. Также наряду с подобными устройствами используют пробочные автоматы резьбовые (автоматические пробки) или автоматические выключатели (автоматы), которые не имеют плавкой вставки, а содержат устройство, которое при перегрузке разъединяет цепь, но при этом само не выходит из строя.

Что делать, если выбивают пробки?

Часто можно услышать: «У меня в квартире выбивает пробки». Что это значит? А это означает одно – по какой-либо причине нагрузка на сеть в квартире оказывается выше допустимой и пробки «срабатывают», т.е. разъединяют цепь, не позволяя сгореть проводке. Единичные срабатывания защиты вполне допустимы и могут быть вызваны рядом причин, вдаваться в которые мы сейчас не будем. Если у вас на щитке установлены плавкие предохранители, то, когда они перегорают, требуется их полная замена, т.е. необходимо иметь под рукой новые пробки, которые надо будет вкрутить вместо перегоревших. Если же на вашем щитке используются автоматические пробки или автоматы, то при срабатывании необходимо их снова включить, путем нажатия на кнопку или тумблер, восстановив целостность электрической сети.

Почему постоянно выбивает пробки?

Гораздо более серьезно надо отнестись к ситуации, если у вас регулярно выбивает пробки (или срабатывают автоматы). Если это происходит в моменты, когда вы включаете устройства, потребляющие большую мощность (стиральную машину, электрический чайник и т.п.), то это связано с недопустимым увеличением нагрузки на сеть. К сожалению, большинство наших домов строились в те времена, когда об использовании подобных устройств не было и речи, соответственно, и электрическая проводка рассчитывалась совершенно на другие мощности, нежели ей приходится выдерживать в наше время. Поэтому, если у вас при стирке постоянно выбивает пробки, стоит задуматься о том, чтобы обратиться к мастеру.

Как не допустить выбивание пробок?

Существует несколько вариантов решения данной проблемы, например, можно установить дополнительные пробки или автомат для подключения стиральной машины, можно вообще перестать пользоваться оборудованием, при включении которого выбивает пробки, можно осуществить замену проводки. Последний вариант хоть и является наиболее затратным и сложным, зато дает больше гарантий, что в будущем подобных проблем удастся избежать.

Подведем итог сказанному. Если в вашей квартире или на даче регулярно при включении стиральной машины, электрического чайника, водонагревателя и другого оборудования выбивает пробки, срочно обращайтесь к электрику, не доводите дело до сгоревшей проводки.

Если вам нужна помощь специалистов, оформите заявку на нашем сайте. Через 15 минут после заполнения формы с вами свяжутся наши сотрудники и договорятся, в какой день приедет мастер, который качественно, быстро и недорого выполнит все требуемые работы.

remontas.ru

причины, что делать, как включить?

Нередко происходит отключение автоматического выключателя, установленного на вводе в квартиру. Распространенный, но неправильный способ устранения частого отключения АВ – замена на прибор большего номинала. Проблема может только усугубиться, есть вероятность повреждения проводки или приборов.

1

Автоматические выключатели – устройство и как работают

Когда выбивает автомат в щитке, его включают вручную, но если это случается слишком часто, начинают задумываться о причинах и способах их устранения. Чтобы яснее представлять, почему так часто ток автоматически отключается, следует ознакомиться с автоматическими выключателями и их работой. Электрический ток характеризуется силой тока и напряжением. Из этих показателей высчитывается мощность.

При частом отключении автоматического выключателя не следует сразу заменять его на прибор большего номинала

При постоянной величине напряжения сила тока зависит от подключенной мощности. Эту закономерность используют для защиты проводки и приборов.

Самый распространенный тип аппаратов, защищающих домашнюю сеть – автоматический выключатель. Каждый автомат:

  • рассчитан на определенное количество срабатываний;
  • имеет свой порог чувствительности, при превышении отключает потребителей;
  • имеет ограничение по току.

Многие, наверное, еще и сейчас используют пробки, рассчитанные на силу тока 6 А, 10 А и так далее. Автоматы также выпускаются с расчетом на различную силу тока. Автоматические выключатели устанавливаются для защиты от короткого замыкания и перегрузок, которые могут привести к пожару. Так что устанавливать автоматы и пробки большего номинала, ставить жучки нельзя, они не смогут выполнять свою защитную функцию.

Еще одно устройство защиты – дифференциальное реле (УЗО). Когда происходит утечка тока, большего, чем заложен в параметрах прибора, реле разрывает цепь. УЗО рассчитаны на ток утечки 30 мА, но если помещение влажное, рекомендуется дифреле на 10 мА. С током утечки потребители иногда встречаются, когда, прикоснувшись, например, к холодильнику, ощущают удар током, если на щитке нет УЗО, при его наличии цепь при утечке тока разрывается.

Следующее более совершенное устройство – дифференциальный автомат, сочетающий функции автоматического выключателя и дифференциального реле, то есть срабатывает при перегрузке и утечке тока. Для защиты приборов от повышенного напряжения и скачков в сети служит реле напряжения. Его регулируют по минимальному напряжению или максимальному, времени срабатывания при нарушении диапазона заданных напряжений. Незаменимая вещь для домашней сети, если напряжение нестабильное.

2

Почему срабатывает автомат – возможные причины

Срабатывание автоматического выключателя вызывают многие причины, от самых простых до довольно сложных. Найти причину, почему выбивает пробки, не составляет большого труда, приглашать электрика совсем не обязательно. Наиболее часто встречается отключение цепи в квартире, когда включено слишком много потребителей, тогда нагрузка по силе тока превышает максимально допустимую для АВ. Прибор защиты просто выполняет свою непосредственную работу – разрывает цепь, чтобы не произошло повреждения проводки.

Каждый автомат рассчитан на определенную нагрузку: 6 А, 10 А, 16 А и далее. Если одновременно включить несколько приборов солидной мощности, ток может достичь предела большего, чем выдерживает АВ, срабатывает защита. Наиболее распространены автоматы на 16 А, но одновременного включения стиральной машины, бойлера, электрочайника, кондиционера он не выдержит. Происходит отключение, проводка защищена от перегрузки. Если автомат имеет тепловой расцепитель, включить его сразу не удастся, он должен остыть.

Наиболее частая причина срабатывания автомата — превышение допустимой нагрузки

Возможно также, что отключение происходит из-за неисправности самого защитного устройства. Иногда покупается бракованное изделие: на аппарате указан один номинальный ток, а он в действительности выдерживает значительно меньший. Корпус при этом нагревается, что говорит о срабатывании теплового расцепителя. Когда ток нагрузки, при котором срабатывает автомат и номинальный сильно не отличаются, аппарат исправен. На его работу влияет температура воздуха, класс изделия.

Частое срабатывание автомата происходит, если контакт на входе выполнен некачественно. Нагревается контактная пластина, само устройство, срабатывает тепловая защита. Часто корпус около вводных клемм, изоляция проводника оплавлены, что свидетельствует о перегреве из-за плохого контакта, и автомат отключает цепь. Возможно, что следов оплавления нет, но корпус горячий – значит, контакты плохие, но еще не успели подгореть.

Если подключен прибор, и автомат, до сих пор нормально работавший, мгновенно отключил цепь – причина, скорее всего, в поломке электроприбора. Отключаем его, включаем автоматический выключатель и другой прибор в ту же розетку. Если он работает, то причина кроется в неисправности бытового электроприбора. Повторное отключение автомата указывает на другие причины.

Причины частого выбивания автомата иногда кроются в повреждении проводки, отчего происходит короткое замыкание. Фаза и нуль где-то соприкасаются оголенными участками проводов, автомат реагирует на КЗ и отключает сеть. Отключаем всех потребителей, включаем АВ. Если автомат сработал – причина в проводке. Это часто одна из самых сложных неисправностей, найти место короткого замыкания иногда очень трудно, особенно если повреждена проводка в стене.

3

Устраняем причины частого отключения АВ – что и как делать

Если пропал свет, не работают розетки, идем к щитку и смотрим на автоматические выключатели. Чаще всего придется просто включить автомат. Современные АВ при срабатывании отправляют ручку включения вниз. Чтобы включить питание, поднимаем ее вверх. Во многих домах еще встречаются автоматы старого советского образца, у которых при срабатывании ручка находится в верхнем положении. Если АВ в щитке много, найти сработавший трудно. По очереди выключаем и включаем все автоматы.

Чтобы включить питание в современных АВ нужно поднять ручку включения вверх

Если сеть перегружена, она будет отключаться автоматом, но не постоянно, а через некоторый временной промежуток, необходимый для срабатывания защиты. Реже всего случается перегрузка цепей освещения. Обычно их защищает один автоматический выключатель на 10 А, этого в большинстве случаев достаточно. Но если установлено много дополнительных светильников, особенно галогеновых или с применением ламп накаливания, ставим отдельный автомат для освещения.

Гораздо чаще встречается перегрузка сети от бытовых электроприборов. Если включить потребителей на 20 А, а номинальный ток срабатывания автомата – 16 А, цепь, конечно, разорвется. Чтобы появилось полное убеждение, что автомат срабатывает от перегрузки, подсчитываем общее потребление тока электроприборами. Особенно хорошо это сделать в момент отключения электричества защитным устройством. Суммируем мощность всех включенных приборов, это число делим на напряжение сети (220 В), получаем силу тока в Амперах.

Сравниваем нагрузку сети с номиналом автоматического выключателя. В случае значительного превышения нагрузки тока от номинального автомата используем одновременно меньшее количество бытовых приборов. Если в доме старая алюминиевая проводка с малым сечением, устанавливаем дополнительное устройство – приоритетное реле тока, которое принудительно отключит неприоритетный прибор. Амперметр и вольтметр в щитке позволят визуально контролировать нагрузку и напряжение.

Плохой контакт возникает при некачественном соединении, может быть в любом месте – от ввода на автомат, распределительных коробок до светильников и розеток. Слабо подтянутые контакты затягиваем, если они не успели подгореть, оплавленный автоматический выключатель меняем на аналогичный. Контакты розеток со временем ослабевают, подгорают. Смотря по степени повреждения, поджимаем контакты или меняем розетку. Осматриваем систему освещения – выключатели, светильники и устраняем неполадки аналогичным способом, что и в розетках. В последнюю очередь смотрим контакты в распределительных коробках, устраняем проблемы.

Бытовая техника может иметь различные неисправности, способные вызвать срабатывание защитного автомата. Если это происходит с определенной закономерностью, большая вероятность именно такой причины. Замечаем, при включении какой техники срабатывает автомат, отключаем ее и смотрим, как ведет себя АВ без этого прибора. Если отключения не происходит, ищем неисправность в бытовой технике или сдаем в ремонт.

При коротком замыкании нужно проверить выключатели и розетки

При коротком замыкании, если выбило пробки, делаем осмотр выключателей и розеток, проверяем, как подключены жилы к клеммам, подтягиваем винты, если провода настолько слабо затянуты, что могут соприкасаться и коротить. Дальше переходим к распределительным коробкам, проверяем, нет ли оголенных проводов, способных при касании вызвать короткое замыкание. Затем проверяем качество соединений в светильниках, люстрах. Последней проверяем проводку, которая в большинстве скрыта в стене. Для обнаружения КЗ пользуемся тестером или вызываем электрика, имеющего тепловизор или другие приборы, способные обнаружить короткое замыкание в скрытой проводке.

Другие причины отключения сети автоматом случаются довольно редко. Перегорела лампочка накаливания, АВ разорвал цепь. Ничего страшного нет, просто возникла кратковременная перегрузка, автомат среагировал. Иногда выбивает при включении стабилизатора, если он при запуске создает ток, выше номинального в автомате. Если отключение происходит при включении освещения, проверяем светильники мультиметром. После затопления квартиры случается, что расклеивается изоляция, происходит короткое замыкание. Обязательно после подтопления проверяем всю проводку.

4

Устанавливаем защитное устройство – как подобрать номинал

Если требуется установить автоматический выключатель, отличающийся номиналом от установленного ранее, требуется осторожность. Неправильно подобранный номинал может вызвать возгорание проводки или постоянное отключение автомата. Если использовать способ, когда мощность приборов делят на 220 и не учитывать другие факторы, можно совершить ошибку. Обязательно учитываем сечение провода внутри дома.

Если выбило пробку, необязательно менять ее на автоматический выключатель. Ведь пробка – тот же автомат с аналогичными функциями.

Если в квартире используется старая алюминиевая проводка 2,5 мм2, изоляция задубела и потрескалась, выбираем только автомат на 16 А, какие бы приборы не использовали. Возможный вариант – проводим еще один фазный провод и устанавливаем на каждый АВ с номиналом 16 А, потому что такая проводка способна выдержать только 19 А. Выбираем для автомата номинал 16 А, чтобы он надежно срабатывал и не загорелись провода. Одновременно включаем электроприборы общей мощностью до 3,5 кВт.

Если проводка новая медная, но сечение неизвестное, нужно его определить. Берем небольшой кусочек провода, идем в магазин, сравниваем с образцами электропроводки. После определения сечения подбираем автоматический выключатель:

  • на вход медного кабеля 1,5 мм2 устанавливаем 10-амперный автомат;
  • при сечении 2,5 мм2 – 20 А, но лучше 16;
  • кабель 4 мм2 выдержит ток 25 А;
  • 32 А подойдет для кабеля 6 мм2.

Подсчитываем нагрузку для каждой линии.

Когда одновременно меняем автоматический выключатель и проводку, предельный номинальный ток автомата для городских многоэтажек – 40 А, чтобы не пострадала проводка от ЛЭП к дому. Устанавливаем щиток с отдельными автоматами для каждой линии. Смотрим мощность приборов для каждой линии, подбираем кабель с соответствующим сечением и только потом автоматический выключатель соответствующего номинала.

obustroen.ru

Выбивает пробки/автомат: при включении, устраняем неполадки

Летом чаще всего выбивает автомат защиты любого типа (см. далее) домовой/квартирной электропроводки. Причины – рост энергопотребления бытовой техникой, повышенная температура и влажность воздуха в сочетании с характерными именно для летнего периода колебаниями напряжения сети электропитания. Зимой защитная автоматика срабатывает чаще всего при включении излишне мощных электронагревательных приборов, а межсезонье время в общем-то аварийно-спокойное.

Настоящая публикация рассчитана прежде всего на обычных жильцов, не электриков и электротехнических работников. Мы постараемся пояснить, что нужно делать, если в квартире/частом доме выбивает пробки (пробочные электрические предохранители), автомат защиты по току (защитный автомат или просто автомат) и устройства защитного отключения напряжения при утечке тока с фазного провода (дифференциальный автомат или просто дифавтомат либо устройство защитного отключения – УЗО), или устройство защиты от перенапряжения сети (токовое реле).

Также далее изложено, как самостоятельно определить источник предаварийной ситуации с точностью до розетки или электроприбора. Ремонт «виновных» – холодильников, стиральных машин, электронагревателей воды (бойлеров) и пр. потенциально аварийных устройств это отдельный круг тем, также как и устройство защитного заземления для них. Особо рассмотрены вопросы, что делать, если выбивает УЗО, т.к. эти устройства не дублируют токовую защиту и в быту появились сравнительно недавно.

Примечание: защитное заземление – единственный способ обеспечить себе 100% электробезопасность. Самая совершенная защитная автоматика только снижает вероятность поражения электротоком в аварийных и предаварийных ситуациях до некоторой весьма малой, но не нулевой величины.

Что нужно знать заранее

Первое, если у вас выбило пробки старого типа с плавкими вставками, ни в коем случае не ставьте в них «жучки», но сейчас уже не только по соображениям безопасности. Современная бытовая техника насыщена электроникой. Загрубление плавкого предохранителя источник неполадок не ремонтирует и не устраняет. Включение чего угодно – от планшета до утюга и стиралки – в неисправную сеть может стоить ремонта многократно более дорогого, чем покупка пары-двух пробок-автоматов, вполне заменяющих автомат токовой защиты.

Второе, до определения причины срабатывания автоматики защиты все, что включено в розетки или через штатные выключатели, должно быть отключено. Отключения и пробные включения производятся только на обесточенной проводке последовательно по потребителям: выключаем общий автомат (см. далее) или пробки-автоматы, вынимаем все вилки из розеток, выключаем выключатели. Нужно проверить какой-то прибор или светильник – включаем в розетку или выключателем, включаем общий автомат или пробки. Требуется для проверки подключить следующий прибор, или светильник – снова выключаем общую автоматику, подключаем и т.д.

Подручные средства для проверки наличия напряжения в розетках

Третье, предположим, что у вас нет тестера, индикатора-фазоуказателя и вы вообще представления не имеете, что это такое. В таком случае проверить наличие напряжения в квартире при пробном включении, не рискуя собой и дорогой техникой, можно с помощью зарядного устройства для телефона со световым индикатором (слева на рис.) или светодиодного фонарика с подзарядкой (справа). Зарядку включают в розетку без телефона, а фонарик – не включая света. Ни в каких нормативных документах возможности использования этих устройств в таком качестве не предусмотрено, но для дилетанта они даже безопаснее индикатора фазы и тестера: ухватиться по неопытности за оголенную часть щупа или пытаться померять напряжение тестером, включенным на измерение тока, невозможно. Сами «квази-индикаторы» на аварийной сети могут выйти из строя (проводники внутри них очень тонкие), но они недороги и ремонтопригодны. Однако мы забегаем вперед, сначала нужно добраться туда, где выбило.

ВЩ и ЩА

Защитная автоматика в квартире чаще всего монтируется рядом с электросчетчиком на вводном щите ВЩ. Если защита пробками, ВЩ может быть совершенно допотопным (поз. 1 на рис.), халтурно сделанным, поз. 2, но рядом с ВЩ всегда найдется распределительная коробка (дозатор, «доза», показано красной стрелкой). Из дозатора расходятся ветви проводки по комнатам. Так вот, открывать дозатор, не будучи электриком, нельзя. Источник неисправности в таком случае нужно искать пробными включениями (см. выше и далее).

Вводные щиты и щит автоматики в квартире

В квартире с ВЩ современного типа (поз. 3) поиск, отчего защиту вышибает, начинается в перебора ветвей проводки: они включены через отдельные автоматы на токи меньшие, чем общий (главный). В таком случае сначала выключают автоматы ветвей, включают главный автомат, и, включая по очереди автоматы ветвей, находят неисправную, а ее уже проверяют, как в пред. случае. Если квартирные счетчики на лестничной клетке, то вместо ВЩ в прихожей будет щит автоматики ЩА. В таком случае труднее будет найти причину срабатывания защиты по реактивности, см. далее.

Примечание: УЗО (показаны зелеными стрелками) во время проверки на ток должны быть включены. Проверку на утечку производят прежде, чем на перегрузку по току, т.к. утечка опаснее для людей.

Причины срабатывания защитной автоматики

Автоматика защиты в большинстве случаев срабатывает по следующим причинам:

  • Проводка перегружена – постоянно выбивает пробки или токовый автомат. Нужно проверить соответствие их номинального тока реально потребляемому, а величину последнего – норме потребления мощности, см. далее;
  • Кратковременные перегрузки при включении мощных потребителей либо вследствие колебаний напряжения сети – защиту выбивает нерегулярно, чаще всего при включении какого-то прибора;
  • Мгновенные перегрузки по току за счет пусковых токов устройств бытовой техники – часто выбивает пробки в момент включения приборов с электромоторами; прежде всего – холодильника, см. также далее;
  • Утечка тока по фазному проводу – выбивает УЗО, чаще всего при включении стиральной машины, бойлера, света в ванной, подвале и др. приборов во влажных помещениях;
  • Выбило автоматику, токовую или УЗО, и не включается – короткое замыкание либо замыкание фазы на землю. Скорее всего, из-за неисправности какого-то из приборов, но возможна и неисправность проводки, напр., вследствие замокания. Очень редко – неисправность самого защитного автомата;
  • Выбило реле напряжения – напряжение в сети вышло за пределы допустимого.

Перегрузки

Допустим, у вас вылетели пробки в момент включения какого-то из приборов. На защитных автоматах всегда обозначается их номинальный рабочий ток; точнее – его эффективное значение. Амплитудное в 1,4 раза больше, но в сети 50 Гц длительность полуволны напряжения 10 мс, а время срабатывания электромеханической автоматики ок. 30 мс, так что об амплитуде тока пока не думаем.

Далее, 1 кВА потребляемой мощности при эффективном напряжении 220 В означает ток 4,55 А. Норма потребления городской квартиры – 3,5 кВА; защита ставится на ток 16 А. Покупать пробки на 25 А и более смысла нет, т.к. в щитке на лестничной клетке стоят автоматы на 16 А, хозяин которых – эксплуатант дома. Для частного дома норма потребления 5 кВА, защита на 25 А. На особняки, таунхаузы, коттеджные поселки и др. дорогое жилье норма потребления по умолчанию 10 кВА и защита на 50 А, но там платят за электричество по повышенному тарифу. А теперь посмотрим, что сколько в квартире может «намотать» до выбивания защиты:

  • Холодильник – 0,1-0,5 кВА, но в момент пуска (как захолодит) потребляемый ток увеличивается в 5-7 раз. При том же напряжении мощность от сети на 1-5 с уйдет 0,5-3,5 кВА. Срабатывание УЗО возможно в момент пуска от реактивности, см. далее.
  • Стиральная машина – ток потребления примерно как у холодильника, в т.ч. пусковой. Однако, если срабатывает не токовая защита, а УЗО, то причину нужно искать прежде всего здесь.
  • Водонагреватель – бойлеры на 50 л снабжаются ТЭНами на 1,2-1,5 кВА; 100-150 литровые – на 2-3 кВА. Ток потребления при нагреве стабилен. Второй по частоте источник срабатывания УЗО.
  • Компьютер, плоский телевизор и др. приборы с импульсными блоками питания (ИБП). Токовая защита их чаще всего «не видит», т.к. потребляемая мощность невелика, но УЗО они могут заставить сработать от емкостной утечки на корпус.
  • Микроволновка также стабильно берет 1-2,5 кВА, в зависимости от ее типа.
  • Кондиционер по потребляемой мощности примерно равен микроволновке, а его пусковой ток в 2-3 раза больше рабочего.
  • Утюг – старые делались на 1 кВА; теперь стандартная мощность утюга с отпариванием 2,2 кВА.
  • Современный пылесос – рабочая потребляемая мощность ок. 1,2-1,6 кВА, но пусковая в 2-3 раза выше. При засорении насадки или, допустим, засасывании в нее ковра рабочая мощность может возрастать до пусковой.
  • Электроплита – у настольной потребляемая мощность как у утюга, а все блины стационарной плюс духовка возьмут 6-10 кВА. Велика вероятность утечки и срабатывания УЗО вследствие нарушения изоляции от высокой температуры.

Итак, прежде всего смотрим, что было включено в момент выбивания, и не было ли перебора по мощности. Если да – отключаем какой-то из приборов, напр. бойлер. Кстати, водонагреватель, стационарная электроплита и, весьма желательно, стиралка должны быть включены через отдельные автоматы и УЗО, даже если ВЩ старого типа с пробками.

Следующий момент – пылесос. Выключаем его, пробуем включить главный автомат. Все в порядке? Включаем пылесос. Не выбивает? Работаем аккуратнее и, желательно, на время уборки отключаем самые мощные приборы, напр. бойлер.

Возможна и такая ситуация: ничего по сравнению с прежним не изменилось, но при включении современного холодильника с саморазморозкой вышибает защиту. Скорее всего, в нем скрытая неисправность: вышел из строя или «расконтачился» пусковой электрический конденсатор. Холодильник будет холодить, двигатель компрессора все равно запустится от пусковой обмотки, но пусковой ток и длительность процесса запуска возрастут. Если пусковой конденсатор не полностью вышел из строя, а потерял емкость, ситуация может быть нерегулярной. Вдруг на счетчике с аварийными индикаторами (см. далее) в таком случае подмигивает «Реверс» или «Возврат», то на 99% виноват пусковой конденсатор.

С микроволновкой возможно нечто подобное из-за колебаний напряжения сети. Магнетрону, греющему своим излучением продукты, требуется стабильное электропитание, поэтому источник питания (ИП) хороших мироволновок строят по принципу бустера: при падении напряжения сети ток потребления пропорционально возрастает. Норма колебаний напряжения сети – 185-245 В, но многие модели микроволновок рассчитаны на их пределы 195-235 В. Т.е. получается, что сетевое напряжение вроде еще в норме, но микроволновка берет уже больше ее паспортной мощности.

Утечки и реактивность

УЗО в продаже есть, в общем, 2-х систем: электромеханические дифференциальные автоматы, или просто дифавтоматы, и электронные; последние нередко и называют УЗО, чтобы отличить их от дифавтоматов. Те и другие реагируют на разность токов в фазном и нулевом проводах, но дифавтомату она для срабатывания нужна в 30 мА, а срабатывает он прим. за 10-30 мс. Электронные УЗО быстрее и чувствительнее.

Если вы только собираетесь ставить УЗО, то важно будет знать, что в сетях электропитания с глухозаземленной нейтралью (в РФ такая) электронные УЗО в принципе не способны стабильно работать: они предназначены для сетей с изолированной нейтралью. Как при покупке или выборе в интернете различить дифавтомат и электронное УЗО, см. видео:

Видео: отличие дифавтомата от УЗО

Примечание: типовая схема снабжения проводки дифавтоматами такова. После главного токового автомата ставят общее УЗО на общий номинальный ток потребления. Его выход разветвляют на 2 УЗО с меньшим током. К одному из них подключают осветительные и розеточные ветви, а к другому – всех «мокрых» потребителей – стиралку, бойлер, ванную, подвал – каждого через свой токовый автомат. Такое решение обеспечивает большую четкость срабатывания электромеханических УЗО, т.к. наиболее вероятные утечки суммируются.

Помимо утечки, любое УЗО может сработать вследствие несовпадения фаз напряжения и тока в цепи, это т. наз. сработка по реактивности. Если, напр., в холодильнике «отвалился» пусковой конденсатор, то сработка дифавтомата весьма вероятна, а электронное УЗО выбьет обязательно. То же произойдет, если микроволновка или другой прибор с ИП бустерного типа работает на пониженном напряжении. Подробнее о причинах срабатывания УЗО можно узнать из следующего ролика:

Видео: причины срабатывания УЗО

Как поймать реактивность и утечку

Единственная возможность без специальных приборов и образования определить, отчего срабатывает УЗО – электросчетчик с индикаторами земли и реверса, поз. 1 на рис. справа. зеленые стрелки. Если при срабатывании УЗО на мгновение вспыхивает «Земля», это утечка. Если «Реверс» – реактивность. Только не путайте аварийные индикаторы с оптическими портами многотарифных счетчиков, поз. 2, красная стрелка.

Электросчетчики с аварийной индикацией и оптическим портом для программирования

КЗ

Если по отключении всех приборов выбитый автомат все равно не включается, то проверить проводку на короткое замыкание (КЗ) можно описанными выше «квази-индикаторами»: зарядку или фонарик включают в сеть и пробуют включить автомат. Если «лампочка» (светодиод) зарядки или фонарика хоть чуть мигнут, наверное, неисправен автомат – его контакты не фиксируются в замкнутом положении. Если же «квази-индикатор» при этом не подает признаков жизни – скорее всего, КЗ или обрыв проводки.

О прозвонке проводки

ИБП современной бытовой техники полностью от сети сами не отключаются никогда. Поэтому, если вы электрик и собираетесь прозванивать проводку индукционным мегомметром (меггером), не забудьте вынуть все вилки из розеток. Иначе стоимость ремонта погоревшего может приблизиться к стоимости замены проводки.

Пере- и недонапряжение

Реле напряжения и бытовой указатель напряжения электросети

Весьма и весьма желательно дополнить свой ВЩ реле напряжения (слева на рис.), обесточивающим всю проводку при выходе напряжения сети за заданные пределы. В последнее время защита от перенапряжения стала особенно актуальной: вследствие насыщения быта мощными электроприборами участились случаи отгорания нулевого провода. При этом проводка оказывается под напряжением свыше 300 В. Реально – 320-360 В; теоретически – под фазным напряжением 380 В. Это не только смертельно опасно, но и вызывает массовое сгорание, в прямом смысле, дорогостоящей техники.

Если реле напряжения не по карману, или поставить его нет возможности, спасти от отгорания нуля может индикатор напряжения сети (справа на рис.). Его держат в розетке, ближайшей к счетчику. При срабатывании любого из устройств защиты все вилки вынимают из розеток, светильники выключают, и пробуют включить выбитый автомат. Вдруг на табло мигнуло более 245 В – немедленно вызывают аварийщиков и оповещают соседей.

Пробочная специфика

В квартире с проводкой, защищенной пробками-автоматами, возможна и такая ситуация: пробки включены, «лампочка» на счетчике показывает, что подвод сети есть, а в розетках – ничего. Не торопитесь тогда прозванивать проводку, проверьте сначала пробки. Их ремонт возможен, никак не в ущерб технике безопасности, своими силами без опыта.

Крышки пробок-автоматов снимаются, если вывинтить всего 1 болтик, бирюзовая стрелка на рис. Затем смотрим, как припаян к ламели «холодный» конец токовой обмотки. При некачественной сборке он будет припаян встык, и тогда «горячий» конец обмотки оказывается в опасной близости к ламели, красные стрелки. В опасной – потому, что, если горячий конец закоротит на ламель, пробка превратится в «жучка» и ни от чего не защитит. А пайка встык нередко разваливается, и вроде бы включенная пробка ток не пропускает.

Устройство и возможная неисправность пробки-автомата

Вдруг пайка отвалилась, нужно немного наклонить и повернуть обмотку; ток срабатывания от этого не изменится. Но теперь можно холодный конец обмотки загнуть крючком, обвести вокруг ламели и надежно припаять, а горячий конец отогнуть подальше от ламели, красные стрелки.

Примечание: при обратной сборке пробки-автомата проследите, чтобы включающая кнопка (толстая) встала в пазы как надо. Если ее перевернуть на 180 градусов, кнопка под нажатием уйдет в корпус без щелчка, а контакты не замкнутся.

Главное – профилактика

В заключение посмотрим, как должна быть устроена электропроводка в квартире, чтобы автоматы и пробки выбивало как можно реже. Главное тут – включать защитную автоматику ради грошовой экономии только в разрыв фазного провода, как справа на рис. – грубейшая ошибка.

Правильное и неправильное включение защитной автоматики в квартирную электропроводку

Во-первых, в некоторых аварийных ситуациях на сети с глухозаземленной нейтралью на нулевом проводе возможно появление фазного напряжения; чем это чревато – см. выше. Во-вторых, и от проблем с электриками такое включение на гарантирует: если ноль проводки цельный, то есть способы воровать электричество. Пусть это делал кто-то на стороне, но диспетчер заметит, а доказывать инспектору, что верблюд это не вы, достанется вам.

Любая защитная автоматика должна разрывать при срабатывании все подходящие проводники (в сетях с глухозаземленной нейтралью – 2, фазу и ноль), это первое. А второе, все потенциально аварийные устройства и приборы должны включаться каждое через свой автомат токовой защиты, слева на рис. Если же вы живете в многоквартирном доме, устроить контур защитного заземления для которого нет возможности, эти правила должны соблюдаться неукоснительно.

remstroysam.ru

Что делать если выбило пробки? Электрик даёт ответ.

Многие люди в быту сталкиваются с такой проблемой, как частое перегорание плавкого предохранителя (вставка) пробки или выбивание автоматической пробки. Пробки бывают двух видов: автоматические и плавкие. Автоматические как правило в черном карболитовом корпусе с двумя кнопками красного и белого цвета, а керамические с плавкой вставкой внутри ее корпуса. Вообще слово «пробка» — это чисто бытовое, народное понятие, так как внешне этот предохранитель очень похож на пробку. Более правильное название этого прибора автоматический выключатель или плавкая вставка в зависимости от того что установлено. В настоящее время «пробки» это уже морально устаревшие, не отвечающие современным техническим требованиям приборы защитного отключения электронесущих линий и крайне желательно их заменить на современные автоматические выключатели, которые обеспечивают надежную защиту электропроводки. Сработка автоматического выключателя или перегорание плавкой вставки происходит в силу разных причин. Важно выяснить, и своевременно устранить причину такой сработки.

Из-за чего же могут быть «выбиты пробки»? Попробуем с этим разобраться.

Одной из первопричин может послужить короткое замыкание в цепях электроснабжения дома или квартиры. Возможно где-то в розетке от старости отвалился один из контактов и замкнулся с другим контактом. Так же не редки случаи короткого замыкания в цепи освещения, касается это в основном осветительных приборов (люстры, торшеры, бра) в которых используются классические лампы накаливания. Зачастую выходя из строя такие лампы вызывают короткое замыкание внутри корпуса самой лампы. Так же нельзя исключать и неисправную бытовую технику, которая может вызывать короткое замыкание. Чтобы легче было найти виновника замыкания, необходимо отключить все электропотребители от сети, а затем включая по одному наблюдать за поведением автоматического выключателя. Как только произойдет отключение, сразу исключите виновника короткого замыкания из дальнейшей эксплуатации и обратитесь в ремонтную мастерскую.

Второй наиболее вероятной причиной может послужить перегрузка электропередающей линии. При несоблюдении условий эксплуатации электроприборов может произойти перегрузка линии и автоматическая сработка пробки или перегорание плавкой вставки. Иными словами, в данном случаи был превышен номинальный ток, на который была рассчитана пробка. Зачастую этот сюжет происходит в момент одновременного включения мощных электрических приборов, к которым относятся все электронагревательные приборы (электроплитка, утюг, фен) также и современные стиральные машины, кондиционеры.

Третья причина сработки «пробок» это их неисправность. Неисправными пробки становятся в следствии их физического устаревания и при плохих условиях эксплуатации. К плохим условиям эксплуатации можно отнести работу в условиях повышенного загрязнения (пыль, грязь), а также повышенная влажность. Еще одним моментом выхода из строя пробки, может послужить ее перегрев при длительной работе в режиме небольших перегрузок. Перегрев так же возможен вследствие плохой закрутки пробки в ее гнезде или плохо затянутых контактов на самой пробке.

Вывод — что делать если выбило пробки?

Итак, теперь мы знаем о наиболее частых причинах сработки «пробок», остается только правильно найти и устранить причину. Однако не каждый человек самостоятельно способен решить эту, казалось бы, простую задачу. Часто при перегорании плавкой вставки, в быту люди быстро находят решение, сделав на скорую руку «жучка» из попавшейся под руку проволоки или кусочка провода. Ну а что не сидеть же без света. И вроде да, все работает и все снова счастливы, но на самом деле не все так просто. Так как этот самый «жучек» не был рассчитан по номинальному току и впоследствии он уже не перегорит, защитив тем самым проводку от возгорания. При перегорании плавкой вставки необходимо заменить ее на аналогичную по номинальному току, либо произвести замену на автоматическую пробку соответствующего номинального тока. В любом случае, если вы не уверены в своих силах и квалификации доверьте решение возникших у вас проблем специалисту и сделайте вызов электрика на дом, таким образом сэкономив драгоценное здоровье и семейный бюджет.

elektromaster-ufa.ru

Почему выбивают пробки (автоматы) в квартире или доме

Почему выбивают пробки

Содержание статьи

Проблемы с выбиванием пробок на счетчике не редкость, а происходить они могут по разным причинам. Особенно данные проблемы характерны для жильцов старых домов и квартир, где электропроводка давно не менялась и, к сожалению, не отвечает современным стандартам эксплуатации. Обо всём этом, и о решении проблем с выбиванием пробок, будет рассказано в статье.

Почему выбивают пробки

Пробки, а ныне автоматы — так называются специальные приборы, сигнализирующие о том, что на линии электропроводки присутствуют какие то неполадки. Ранее пробки были керамические, а при их выбивании достаточно было заменить предохранитель внутри или намотать на сгоревший кусок медной проволоки.

Сегодня автоматы изготавливаются из пластмассы, а внутри них установлены специальные пластины которые, моментально реагируют на нагрев, размыкая контакты. Таким образом, автомат выбивает.

Как было сказано выше, причин, почему выбивают пробки, может быть много. Однако существуют самые распространённые причины, когда например, выбивают пробки без нагрузки или при включении чайника со стиральной машиной.

Выбивает пробки без нагрузки

В таком случае, скорее всего неполадки в самой электропроводке, другими словами, она где-то коротит. Чаще всего это происходит в старых домах, где пучки проводов буквально свисают вниз, а ремонт электропроводки никто не производил вообще, ещё со времён Хрущёва.

Конечно, в данном случае нужно в первую очередь проверить проводку, возможно, где-то есть оголённые скрутки, которые соприкасаются между собой, тем самым, вызывая замыкание в квартире. Часто в подвалах многоэтажных домов, до сих пор можно встретить протянутые провода в металлических трубах, это не редкость.

Изоляция на проводах со временем портится и после прикасания их к металлу происходит замыкание или ещё чего хуже, начинает биться кран током или ванна.

Выбивает пробки при включении плиты, чайника или стиральной машины

Все вышеперечисленные приборы потребляют большое количество электроэнергии. Поэтому, если при их включении вдруг выбивает пробки в квартире, то это говорит об одном, пришло время их менять на новые автоматы. Также стоит заменить и электропроводку, тем более, если она никогда не менялась вообще.

Это говорит в первую очередь о чрезмерно большой нагрузке, которая возникла при одновременном включении нескольких сильно тянущих электричество бытовых приборов. Рейтинг — что потребляет больше всего электроэнергии можно посмотреть, перейдя по выделенной ссылке.

Также в данном случае не стоит исключать и банальную неисправность бытового прибора. Возможно дело в его перебитом кабеле питания, а возможно и в самом устройстве, здесь уж как говорится «без вскрытия не обойтись». Кроме того, не стоит отбрасывать и неисправность автомата установленного на счетчике.

Оценить статью и поделиться ссылкой:

samastroyka.ru

Выбило пробки видимо! ! Что делать ? ! жек уже спит

Пришла домой с работы- включила свет- у меня выбило пробки ! Как их включить теперь! ? Никакой жэк уже не работает, сама ни разу не сталкивалась с этим- боюсь напортачить. Притом электроприбры в доме работают- ноутбук включен, часы, микроволновка. Но ни один выключатель в доме не реагирует, после того как я щелкнула свет на входе в квартиру и у меня не треснуло что то ( по звуку) в лампочке 5 годов назад от Live

3 Ответы

тут не все мужики понимают. а вы «блондинке» пытаетесь разжевать. особенно в москве, где коэфициент тупости на порядок выше всей росссссии.  думаю — будет ждать таджика из местного жека. 5 годов назад от КОНФЕТКА а пробки знаешь где находятся? если знаешь где читай дальше, во первых выключи то что включала последним перед тем как выбило пробки. Дальше смотри сами пробки они бывают 3-х типов круглые со стеклышком, круглые с двумя кнопками, и прямоугольные с флажками такие рубильнички обычно желтые или зеленые иногда черные, думаю у тебя как раз третий вариант надо поднять все флажки к верху и будет свет только не включай то из-за чего вышибает! если что пиши помогу! 5 годов назад от Tanya просто замыкание или лампочка перегорела. если бы выбило пробки, то света бы не было вобще! к тому же, сейчас везде стоят счётчики — автомат, там нет пробок, там два тумблера. С пробками — старая система, вряд ли где-то она ещё есть, может только в деревнях. если в лампочке щёлкнуло, то просто выкрутите лампочку и всё, возможно она перегорела, причём здесь пробки ? может замкнула цепь от коробки до лампочки. Если у вас старая система с ПРОБКАМИ, то нужны новые, они легко меняются. старые выкручиваете, вкручиваете новые, ничего сложного. Но скоре всего автомат. подойдите к счётчике и посмотрите, если оба тумблера в положении ВВЕРХ, то всё в порядке, пробки на месте ) 5 годов назад от Cвета

Связанные вопросы

1 ответ

2 годов назад от Блэк Равен

1 ответ

11 месяцев назад от АЛЕКС

1 ответ

1 год назад от ElisaLehrer

engangs.ru

Что делать если выбило пробки?

У меня 6 штук пробок, или не знаю как точно назвать, кароче там где электричество крутится, там такие «Включатели» и иногда один из них вылетает, и только левая сторона квартира без света остается, раньше такого вобще не было, а щас в день по раз 6, а потом можно просто включить, И минут через 40 сного вырубиться, что делать? 2 годов назад от Володя

4 Ответы

Это могут быть разные причины — вплоть до банального подгорания провода на автомате — он грется и срабатывает тепловой расцепитель тока. (Как один из вариантов) . p. s. Я так понял, что «пробками» вы назвали «автомат» — автоматический выключатель. 2 годов назад от Светлана Потемкина В той квартире, где вырубает, меньше приборов — обогревателей, утюгов, пылесосов, холодильников включать. Заменять предохранитель самому — опасно, можно сжечь проводку, что приведет к пожару — лучше вызвать электрика в этом случае. 2 годов назад от Huckleberry Finn Есть такое дело, когда лампочки до конца не вставить в паз, начинают мигать и вскоре перегорать, так и с пробками происходит. Может, из-за неисправности проводки. 2 годов назад от LinLister Что дома включено? эл. чайник — стиральная машина — обогреватель ? если все сразу то такое может быть. в любом случае надо что то делатьменять провода или автомат. 2 годов назад от maksimka0_0

Связанные вопросы

1 ответ

2 годов назад от Александр Троеглазов

3 ответов

3 годов назад от Алексей Шамошев

4 ответов

2 годов назад от Анатолий Фролов

engangs.ru

Обзор прогнозирования заторов на дорогах с использованием искусственного интеллекта

В последние годы прогнозирование заторов на дорогах привело к развитию области исследований, особенно в области машинного обучения искусственного интеллекта (ИИ). С появлением больших данных с помощью стационарных датчиков или данных о транспортных средствах и разработкой новых моделей искусственного интеллекта в последние несколько десятилетий эта область исследований значительно расширилась. Прогнозирование перегрузок на дорогах, особенно краткосрочное прогнозирование перегрузок, производится путем оценки различных параметров трафика.Большинство исследований сосредоточено на исторических данных при прогнозировании загруженности дорог. Тем не менее, в нескольких статьях был сделан прогноз заторов на дорогах в режиме реального времени. В этой статье систематически обобщаются существующие исследования, проведенные с применением различных методологий ИИ, в частности, различных моделей машинного обучения. В статье собраны модели по соответствующим ветвям искусственного интеллекта, а также суммированы сильные и слабые стороны моделей.

1. Введение

Искусственный интеллект (ИИ) — важнейшая отрасль информатики в эпоху больших данных.Искусственный интеллект родился 50 лет назад и прошел долгий путь, добившись обнадеживающего прогресса, особенно в области машинного обучения, интеллектуального анализа данных, компьютерного зрения, экспертных систем, обработки естественного языка, робототехники и связанных с ними приложений [1]. Машинное обучение — самая популярная ветвь искусственного интеллекта. Другие классы ИИ включают вероятностные модели, глубокое обучение, системы искусственных нейронных сетей и теорию игр. Эти классы разработаны и применяются в широком спектре секторов. В последнее время это ведущая область исследований в транспортной инженерии, особенно в области прогнозирования транспортных заторов.

Пробки на дорогах прямо и косвенно влияют на экономику страны и здоровье ее жителей. По мнению Али и соавт. [2], заторы на дорогах вызывают Pak Rs. 1 миллион каждый день с точки зрения альтернативных издержек и расхода топлива из-за заторов на дорогах. Пробки на дорогах тоже сказываются на индивидуальном уровне. Потеря времени, особенно в часы пик, психологический стресс и дополнительное загрязнение к глобальному потеплению также являются некоторыми важными факторами, вызванными заторами на дорогах.

Обеспечение экономического роста и комфорт участников дорожного движения — два требования для развития страны, что невозможно без плавного движения транспорта.С развитием транспортного сектора за счет сбора информации о дорожном движении власти уделяют больше внимания мониторингу транспортных заторов. Прогнозирование заторов на дорогах дает властям необходимое время для планирования распределения ресурсов, чтобы сделать поездку удобной для путешественников. Обсуждаемая в этом документе проблема прогнозирования дорожных заторов может быть определена как оценка параметров, связанных с дорожными заторами в краткосрочном будущем, например, от 15 минут до нескольких часов, путем применения различных методологий ИИ с использованием собранных данных о трафике.Обычно необходимо оценивать пять параметров, включая объем трафика, плотность трафика, занятость, индекс загруженности трафика и время в пути при мониторинге и прогнозировании загруженности дорог. В зависимости от характера собранных данных для оценки параметров перегрузки применяются различные подходы искусственного интеллекта. В этой статье систематически рассматриваются модели, их достоинства и недостатки. Основная цель этого обзора — собрать статьи, посвященные исключительно моделям прогнозирования транспортных заторов.Ключевые слова, используемые в процессе поиска, включали «прогнозирование заторов» ИЛИ «оценка заторов» ИЛИ «моделирование прогнозирования заторов» ИЛИ «прогноз заторов на дорогах» ИЛИ «прогноз заторов на дорогах» ИЛИ «прогноз заторов на дорогах». Для эффективного отбора поиск по исследовательским статьям проводился по годам с использованием таких поисковых систем, как Scopus, Google Scholar и Science Direct. После сбора всех рецензируемых журналов и статей на конференциях, написанных на английском языке, для рецензирования было найдено 48 статей.Из этой рукописи были исключены любые исследования, посвященные причинам перегрузки трафика, контролю перегрузки трафика, влиянию перегрузки трафика, распространению перегрузки трафика, предотвращению перегрузки трафика и т. Д.

Общая схема подходов к прогнозированию представлена ​​в Разделе 2. Источники сбора данных и модели прогнозирования загруженности объясняются в Разделах 3–6, и они обеспечивают общее обсуждение и заключительные замечания.

2. Общий план

Прогнозирование загруженности дорог состоит из двух основных этапов сбора данных и разработки модели прогнозирования.Каждый шаг методики важен и может повлиять на результаты, если он будет выполнен неправильно. После сбора данных обработка данных играет жизненно важную роль для подготовки наборов данных для обучения и тестирования. Область кейса отличается для разных исследований. После разработки модели она подтверждается с другими базовыми моделями и подтверждаются истинными результатами. На рисунке 1 показаны общие компоненты исследований по прогнозированию транспортных заторов. Эти ветви были далее разделены на более конкретные подветви и обсуждаются в следующих разделах.


3. Источник данных

Наборы данных трафика, используемые в различных исследованиях, в основном можно разделить на два класса, включая стационарные данные и данные зондов. Стационарные данные можно далее разделить на данные датчиков и фиксированные камеры. С другой стороны, данные зондов, которые использовались в исследованиях, были данными GPS, установленными на транспортных средствах.

Стационарные датчики непрерывно собирают пространственно-временные данные о дорожном движении. Однако работа датчика может прерваться в любой момент. Власти всегда должны учитывать этот временный отказ датчика при планировании с использованием этих данных.Преимущество данных датчиков заключается в том, что нет путаницы в местоположении транспортных средств. Самым используемым набором данных была система измерения производительности (PeMS), которая собирает данные о дорожном движении во всех крупных мегаполисах штата Калифорния о транспортном потоке, занятости датчиков и скорости движения в режиме реального времени. В большинстве исследований использовались наборы данных с шоссе I-5 в Сан-Диего, Калифорния, каждые 5 минут [3–6]. Другие системы включали движок системы времени в пути Genetec blufaxcloud (GBTTSE) [7] и линейный график топологически интегрированного географического кодирования и привязки (TIGER) [8].

С другой стороны, данные зондов имеют то преимущество, что охватывают всю дорожную сеть. Сеть состоит из дорог с разной структурой. Поэтому в исследованиях, особенно в тех, которые рассматривали обширную сеть, использовались данные зондирования. Наиболее часто используемый набор данных — это данные GPS, собираемые каждую секунду примерно с 20000 такси в Пекине, Китай. Данные включали номер такси, широту-долготу транспортного средства, отметку времени при отборе проб и наличие пассажира. Частота обновления данных этого набора данных варьируется от 10 с до 5 минут в зависимости от качества устройства GPS [4, 5, 9].Другие данные зонда включали данные низкочастотного зонда транспортного средства (PVD) [10] и данные шинного GPS [11, 12]. Однако иногда данные зонда показывают значительные колебания. Кроме того, сопоставление карт обычно является обязательным для данных зонда. Но данные могут минимизировать это ограничение. Данные зондов, собранные в одном городе, нельзя использовать напрямую для моделирования других городских сетей. Это связано с тем, что данные, собранные из Пекина, Китай, включают широту-долготу транспортного средства, что является уникальным. Однако обобщенная модель с использованием данных зондирования может быть сгенерирована для разных городов.

Другие источники данных, например, данные из системы взимания сборов и данные, предоставленные транспортными властями, добавят более надежные данные, поскольку источники являются надежными. Однако в большинстве случаев исследуемая территория требует корректировки, поскольку в большинстве случаев информация о платных дорогах недоступна. Источником данных также может быть отслеживание перемещений сотового телефона без нарушения конфиденциальности. Однако неоднородность распределения транспортных средств будет трудно определить из этого набора данных, если вообще возможно. Кроме того, из-за пешеходов или велосипедистов, проезжающих по тротуару, в наборе данных может быть много выбросов, если моделирование выполняется для дорожной сети.Данные, собранные с помощью анкеты для широкой общественности / водителей, могут дать вводящий в заблуждение результат [13].

3.1. Алгоритмы кластеризации

В некоторых исследованиях используется кластеризация полученных данных перед применением основных моделей прогнозирования перегрузки. Этот метод гибридного моделирования применяется для точной настройки входных значений и использования их на этапе обучения. На рисунке 2 показаны наиболее часто используемые модели кластеризации ИИ в этой области исследований. В этом разделе кратко описаны модели.


Нечеткие C-средние (FCM) — это популярный метод недетерминированной кластеризации в интеллектуальном анализе данных. В исследованиях управления трафиком важную роль играет распознавание образов трафика. Кроме того, эти исследования часто сталкиваются с ограничением отсутствующих или неполных данных. Чтобы справиться с этими ограничениями, обычно применяется метод кластеризации FCM. Преимущество этого подхода в том, что, в отличие от оригинальных методов кластеризации C-средних, он может преодолеть проблему попадания в ловушку локального оптимума [14].Однако FCM требует установки заранее определенного номера кластера, что не всегда возможно при работе с большими данными без каких-либо предварительных знаний об измерении данных. Кроме того, эта модель становится дорогостоящей с точки зрения вычислений с увеличением размера данных. Различные исследования успешно применили FCM, улучшив его ограничения. В некоторых исследованиях изменялось значение нечеткого индекса для каждого выполнения алгоритма FCM [15], в некоторых рассчитывался индекс Дэвиса-Боулдина (DB) [10], а в других применялся алгоритм кластеризации K-средних [16, 17].

Кластеризация K-средних — это эффективный и относительно гибкий алгоритм при работе с большими наборами данных. Это популярный алгоритм машинного обучения без учителя. В зависимости от особенностей количество кластеров варьировалось от двух [18] до 50 [19–21]. Как и FCM, для кластеризации K-средних требуется заранее заданный номер кластера и выбор K исходных центров кластера. Для определения значения использовались GAP [22] и WEKA toolbox [23]. Для больших наборов данных, поскольку распределение выборки вначале неизвестно, не всегда возможно выполнить эти два требования.В нескольких исследованиях использовалась адаптивная кластеризация K-средних, преодолевая ограничения, и использовалась модель с использованием анализа главных компонентов (PCA) [24, 25].

DBSCAN — это скорее общее приложение для кластеризации в машинном обучении и интеллектуальном анализе данных. Этот метод преодолевает ограничение FCM на предварительное определение номера кластера. Он может автоматически генерировать кластеры произвольной формы, окруженные кластерами с разными характеристиками, и может легко распознавать выбросы. Однако для предварительной настройки требуется два параметра.Подходящий метод определения параметров, например метод проб и ошибок [8] и человеческое суждение [26], делают модель дорогостоящей с точки зрения вычислений и требуют четкого понимания набора данных.

Из приведенного выше обсуждения можно сделать вывод, что только 16 из 48 исследований провели кластеризацию до применения моделей прогнозирования. В нескольких моделях временных рядов и алгоритмах поверхностного машинного обучения (SML) использовался подход кластеризации. Однако алгоритмы глубокого обучения могут обрабатывать входные данные на разных уровнях модели, поэтому предварительная кластеризация может не потребоваться.

4. Прикладная методология

Транспортный поток — это сложное объединение разнородного транспортного парка. Таким образом, прогнозирование модели трафика может быть простым и эффективным подходом к прогнозированию перегрузки. Однако в зависимости от характеристик и качества данных в различных исследованиях применяются разные классы ИИ. На рисунке 3 показаны основные ветви — вероятностное мышление и машинное обучение (ML). Машинное обучение состоит из алгоритмов поверхностного и глубокого обучения. Однако по мере развития этой статьи эти разделы были разбиты на детальные алгоритмы.


Обобщить исследования по прогнозированию транспортных заторов с использованием различных моделей непросто. Общие факторы всех статей включают область исследования, горизонт сбора данных, прогнозируемый параметр, интервалы прогнозирования и процедуру проверки. В большинстве статей в качестве исследуемой территории использовался изучаемый отрезок коридора [5, 27–30]. Другие области исследования включали транспортную сеть [31, 32], кольцевую дорогу [9] и магистраль [33]. Горизонт сбора данных в исследованиях варьировался от 2 лет [34] до менее суток [35].Оценка перегрузки выполняется путем прогнозирования параметров потока трафика, например, скорости трафика [4], плотности, скорости [5] и индекса перегрузки [31], чтобы упомянуть некоторые из них. Подход индекса перегрузки (CI) подходит для непрерывного мониторинга уровня перегрузки в пространственно-временном измерении. В исследованиях, в которых результаты сравнивались с наземным истинным значением или с другими моделями, использовались средняя абсолютная ошибка (MAE) (уравнение (1)), симметричная средняя абсолютная ошибка в процентах (sMAPE) (уравнение (1)), MAPE, среднеквадратичный ошибка (RMSE) (уравнение (3)), частота ложных срабатываний (FPR) (уравнение (4)) и скорость обнаружения (DR) (уравнение (5)).Многие исследования использовали SUMO для проверки своих моделей: где FP, TN, FN и TP представляют ложноположительный, истинно отрицательный, ложноотрицательный и истинно положительный соответственно.

В оставшейся части этого раздела будет обсуждаться методология, которую авторы применили в исследованиях.

4.1. Вероятностные рассуждения

Вероятностные рассуждения — важная часть ИИ. Он применяется, чтобы иметь дело с областью неопределенных знаний и рассуждений. Разнообразие этих алгоритмов обычно используется в исследованиях прогнозирования заторов на дорогах.Обсуждаемые ниже исследования с использованием вероятностных рассуждений показаны на рисунке 4.


4.1.1. Нечеткая логика

Zadeh — это широко применяемая модель для прогнозирования динамических перегрузок трафика, поскольку она допускает неопределенность вместо двоичных результатов. В этом методе разработано несколько функций принадлежности, которые представляют степень истинности. С течением времени данные о трафике становятся сложными и нелинейными. Благодаря своей способности справляться с неопределенностью в наборе данных нечеткая логика стала популярной в исследованиях прогнозирования заторов на дорогах.

Нечеткая система состоит из нескольких нечетких множеств, построенных из функций принадлежности. Обычно для функций принадлежности (MF) входных данных можно выбрать три формы кодификации: треугольную, трапециевидную и функцию Гаусса. Система, основанная на нечетких правилах (FRBS), является наиболее распространенной системой нечеткой логики в исследованиях управления трафиком. Он состоит из нескольких правил IF-THEN, которые логически связывают входные переменные с выходными. Он может эффективно справляться со сложностями, возникающими в результате реальных дорожных ситуаций, путем представления их в простых правилах.Эти правила объединяют отношения между различными состояниями трафика для обнаружения результирующего состояния трафика [36]. Однако с ростом сложности данных общее количество правил также растет, что снижает точность всей системы, что делает ее дорогостоящей в вычислительном отношении. Чтобы лучше справиться с этой проблемой, применяются два типа элементов управления нечеткой логикой. В иерархическом управлении (HFRBS), согласно значимости, входные переменные упорядочиваются и используются MF. На рисунке 5 показана простая структура HFRBS.MF оптимизируются путем применения различных алгоритмов, например, генетического алгоритма (GA) [30], гибридного генетического алгоритма (GA) и кросс-энтропии (CE) [28, 37], сравнивающих производительность эволюционного четкого обучения правилам (ECRL) и эволюционное обучение нечетким правилам (EFRL) для прогнозирования дорожных заторов. Было замечено, что модели ECRL превзошли EFRL с точки зрения средней точности и отсутствия правил, но были дорогостоящими в вычислительном отношении.


Модель Такаги-Сугено-Канга (TSK) (FRBS) является одной из простых нечетких моделей из-за ее математической трактовки.Средневзвешенное значение вычисляет результат этой модели. Еще одна простая модель FRBS — модель типа Мамдани. Результатом этой модели является нечеткое множество, требующее дефаззификации, что отнимает много времени. Благодаря хорошей интерпретируемости он может повысить точность нечетких лингвистических моделей. Цао и Ван [3] применили эту модель, чтобы показать изменение серьезности заторов на разных уровнях дороги. В нескольких исследованиях этот метод использовался для объединения неоднородных параметров [7, 13]. Модель TSK работает над улучшением интерпретируемости точной нечеткой модели.TSK применяется для его быстрых расчетных характеристик [37].

Нечеткая комплексная оценка (FCE) использует принцип нечеткого преобразования и максимальной степени членства. Эта модель состоит из нескольких уровней, что является полезным объективным методом оценки, оценивающим все соответствующие факторы. Количество слоев зависит от объективной сложности и количества факторов. Kong et al. [4] и Ян и др. [5] применил FCE, в котором веса и нечеткая матрица мультииндексов были адаптированы в соответствии с потоком трафика для оценки состояния перегрузки трафика.Адаптивное управление регулирует весовой коэффициент на основе оценочной матрицы. Определенные веса присваиваются для расчета степени принадлежности параметров [35].

Помимо GA и PSO, алгоритм оптимизации колоний муравьев (ACO) был также представлен Daissaoui et al. [38] в нечеткой логической системе. Они представили теорию умного города, в которой данные GPS каждого транспортного средства были взяты как феромон, в соответствии с концепцией ACO. Цель состояла в том, чтобы предсказать заторы на дорогах на одну минуту вперед на основе информации (феромона), предоставленной прошлыми автомобилями.Однако в статье не дается никаких результатов о поддержке модели.

Как обсуждалось ранее, с развитием алгоритмов оптимизации оптимизация функций принадлежности системы нечеткой логики становится разнообразной. Со временем простейшая форма FRBS-TSK стала популярной благодаря хорошей интерпретируемости. Некоторые другие отрасли транспорта, где популярны нечеткие логические модели, включают управление светофорами / сигналами [39, 40], прогнозирование транспортных потоков (Чжан и Йе [41]), прогнозирование дорожно-транспортных происшествий [42] и модифицированную нечеткую логику для расчета времени проезда по автостраде. оценка (Чжан и Ге [43]).

Система нечеткой логики — единственная вероятностная модель рассуждений, которая может иметь результатом более чем перегруженное / незагруженное состояние трафика. Это одно из главных преимуществ, сделавших данную методику популярной. Однако ни одно исследование не предоставило какой-либо разумной логики для выбора функции принадлежности, что является существенным ограничением моделей с нечеткой логикой.

4.1.2. Скрытая марковская модель

Скрытая марковская модель (HMM) представляет собой комбинацию стохастических характеристик марковского процесса и дискретных характеристик марковских цепей.Это стохастический метод распознавания событий временных рядов. В некоторых исследованиях применялась модель цепи Маркова для распознавания образов трафика во время прогнозирования перегрузки [21, 25, 44]. Коэффициент корреляции Пирсона (PCC) обычно применяется среди параметров во время построения шаблона. Заки и др. [32] применили HMM, чтобы выбрать подходящую модель прогнозирования из нескольких моделей, которые они разработали с применением адаптивной нейронечеткой системы вывода (ANFIS). Они достигли оптимального перехода между состояниями с помощью четырех этапов обработки: инициализации, рекурсии, завершения и отслеживания с возвратом.Последний шаг проанализировал предыдущий шаг, чтобы определить вероятность текущего состояния с помощью алгоритма Витерби. На основе логарифмической вероятности начального параметра модели, определенного алгоритмом максимизации ожидания (EM) HMM с шаблоном трафика, была выбрана подходящая модель перегрузки для прогнозирования. Mishra et al. [23] применили модель предсказания с дискретным множеством символов HMM (MS-HMM), названную предсказанием будущего состояния (FSP). Они оценили адаптивность модели для разных участков дороги.Была сгенерирована метка, содержащая скрытые состояния MS-HMM, и выходные данные использовались для FSP для получения следующей метки скрытого состояния.

В проектировании дорожного движения, особенно при использовании данных датчиков транспортных средств, HMM очень полезен для сопоставления карт. Sun et al. [45] применили HMM для отображения траектории наблюдаемых точек GPS на близлежащих дорогах. Эти кандидатские точки были приняты за скрытые состояния HMM. Точки-кандидаты, расположенные ближе к точке наблюдения, имели более высокую вероятность наблюдения. Также учитывалась вероятность перехода двух соседних кандидатов, чтобы избежать вводящих в заблуждение результатов, возникающих из-за резких дорожных ситуаций.

HMM показывает точность при выборе схемы движения или точки движения. Его преимущество состоит в том, что он может обрабатывать данные с выбросами. Тем не менее, точки с коротким интервалом выборки, по-видимому, хорошо совпадают, а длинные интервалы и более высокие данные аналогичных зондов снижают точность модели. Исследования показали значительное несоответствие для набора данных с длинным интервалом выборки и аналогичных дорожных сетей.

Система слежения GPS получила широкое развитие в эту эпоху спутников. Таким образом, создание HMM-моделирования в настоящее время более актуально для сопоставления карт.Другие секторы транспорта, где применяется HMM, включают прогнозирование трафика [46], модифицированное HMM для прогнозирования скорости [47] и изменение состояния потока трафика [48] и т. Д.

4.1.3. Распределение по Гауссу

Гауссовские процессы оказались успешным инструментом для решения задач регрессии. Формально гауссовский процесс представляет собой набор случайных величин, любое конечное число которых подчиняется совместному гауссовскому априорному распределению. Для регрессии предполагается, что оцениваемая функция генерируется бесконечномерным гауссовым распределением, а наблюдаемые выходные данные загрязнены аддитивным гауссовым шумом.

Ян [29] применил распределение Гаусса для прогнозирования заторов на дорогах в своем исследовании. Это исследование было разделено на три части. Во-первых, ранжирование датчиков производилось в соответствии с качеством громкости с помощью теста p . Во второй части исследования вероятность возникновения перегрузки определялась статистическим методом. На этапе обучения этой части были разработаны две гауссовские вероятностные модели из двух наборов данных для каждой интересующей точки. На этапе принятия решения, на какой модели было оценено соответствующее значение объема входящего трафика, и прогнозная оценка, представляющая состояние перегрузки, была определена из соотношения двух моделей.Наконец, вероятность возникновения перегрузки в интересующей точке была найдена путем объединения и сортировки оценок прогноза от всех ранжированных датчиков. Zhu et al. [49] также представили вероятность распределения состояний трафика. Выбор параметров среднего и дисперсии гауссова распределения является важным шагом. В данном исследовании для этой цели был применен алгоритм EM. Первый шаг генерировал логарифмическое ожидание правдоподобия для параметров, тогда как последний шаг максимизировал его. Sun et al.[45] аппроксимировали ошибку местоположения GPS на дороге с распределением Гаусса, приняв среднее значение 0. Ошибка была рассчитана на основе фактической точки GPS, точки совпадения на участке дороги и стандартного отклонения ошибки измерения GPS.

Из вышеупомянутых исследований видно, что модель распределения Гаусса имеет полезное приложение для уменьшения количества признаков без ущерба для качества результатов прогнозирования или для оценки ошибки местоположения при использовании данных GPS. Распределение Гаусса также применяется для прогнозирования объема трафика [50], безопасности движения [51] и изменчивости распределения скорости движения [52].

4.1.4. Байесовская сеть

Байесовская сеть (BN), также известная как причинная модель, представляет собой ориентированную графическую модель для представления условных зависимостей между набором случайных величин. Он представляет собой комбинацию теории вероятностей и теории графов и обеспечивает естественный инструмент для решения двух проблем, возникающих в прикладной математике и инженерии, — неопределенности и сложности [53].

Асенсио-Кортес и др. [54] применили ансамбль из семи алгоритмов машинного обучения для вычисления прогноза заторов на дорогах.Эта методология была разработана как задача бинарной классификации с применением алгоритма HIOCC. Алгоритмы машинного обучения, применявшиеся в этом исследовании: K-ближайший сосед (K-NN), деревья решений C4.5 (C4.5), искусственная нейронная сеть (ANN) метода обратного распространения, оптимизация стохастического градиентного спуска (SGD), нечеткое неупорядоченное правило. алгоритм индукции (FURIA), байесовская сеть (BN) и машина опорных векторов (SVM). Три из этих алгоритмов (C4.5, FURIA и BN) могут создавать интерпретируемые модели видимых знаний.Для улучшения результатов, полученных с помощью этих моделей прогнозирования, был применен набор алгоритмов ансамблевого обучения. Группа алгоритмов ансамбля включала пакетирование, усиление (AdaBoost M1), суммирование и селектор пороговых значений вероятности (PTS). Авторы обнаружили значительное улучшение точности для BN после применения ансамблевых алгоритмов. С другой стороны, Ким и Ван [34] применили BN для определения факторов, влияющих на возникновение заторов на разных участках дороги. Разработанная модель данного исследования дала основу для оценки различных сценариев ранжирования и расстановки приоритетов.

Байесовская сеть, как видно, лучше работает с ансамблевыми алгоритмами или при модификации, например, с другими транспортными секторами для прогнозирования потока трафика [55] и оценки параметров на сигнальном перекрестке [56, 57].

4.1.5. Другое

Помимо моделей, упомянутых выше, фильтр Калмана (KF) также является популярным вероятностным алгоритмом. По мере увеличения количества доступных данных методы слияния данных становятся популярными. Слияние исторических данных и данных о трафике в реальном времени может обеспечить более высокий уровень точности прогнозирования заторов.В связи с этим обычно применяется KF. Расширенный KF (EKF) — это расширение KF, которое можно использовать для стохастической фильтрации нелинейных шумов для улучшения среднего и ковариации оцениваемого состояния. Поэтому после объединения данных он обновил оценочную ошибку ковариации, удалив выбросы [7].

Wen et al. [8] применили GA для прогнозирования загруженности трафика на основе пространственно-временной транспортной среды. Правила временной ассоциации были извлечены из среды трафика с применением правил временной ассоциации на основе GA (GATAR).Предложенный ими метод интеллектуального анализа правил гибридной временной ассоциации (HTARM) включал методы DBSCAN и GATAR. Метод приложения DBSCAN обсуждался ранее в этой статье. При кодировании с использованием GATAR номер участка дороги и уровень перегрузки были включены в хромосому. Декодирование было выполнено для получения правил временной ассоциации и было отсортировано в соответствии с достоверностью и поддерживаемым значением в пуле правил. Как для смоделированных, так и для реальных сценариев предложенный метод HTARM превзошел GATAR с точки зрения извлечения правил временной ассоциации и точности прогнозирования.Однако разница в количестве кластеров показала большую разницу в двух сценариях. Кроме того, с увеличением сложности дорожной сети точность прогнозов снижалась.

Таблица 1 суммирует методологии и различные параметры, использованные в различных исследованиях, которые мы обсуждали до сих пор.

и др. [30] . [58] фильтр

Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Иерархическая нечеткая система на основе правил Коридор автомагистрали Датчик Занятость Скорость 2
Скорость Скорость 4 Lopez-garcia et al. [37]
Эволюционное обучение нечетких правил Поток трафика Плотность трафика Ониева и др.[28]
Логический вывод типа Мамдани Шоссе, магистраль, ответвление Скорость Индекс перегрузки Цао и Ван [3]
Плотность
Нечеткий вывод Коридор автомагистрали Камера Время в пути
Транспортный поток
Скорость


9014
Объем трафика Насыщенность 5 Kong et al.[4]
Скорость Плотность скорость Yang et al. [5]
Скрытая модель Маркова Сеть автомагистралей Датчик Матрица выбросов Выбор схемы движения Zaki et al. [32]
Матрица выбросов Определение схемы движения Zaki et al. [25]
Матрица перехода
Главная дорога Зонд Вероятность наблюдения Отображение данных GPS Sun et al.[45]
Вероятность перехода

Распределение по Гауссу Коридор автомагистрали Датчик Объем трафика Выбор оптимальных характеристик
Байесовская сеть Зона застройки Моделирование Приращение дорог и автобусов Вероятность перегрузки Yi Liu et al.[59]
Мостик Датчик Интенсивность Asencio-Cortés et al. [54]
Род занятий
Средняя скорость
Среднее расстояние
Автомобильная сеть Датчик Направление сети Вероятность перегрузки Ким День и время погоды
Инциденты
Транспортный поток
Занятость
Скорость
Уровень обслуживания
9011 9011
9011 9011 Шоссе Камера Время в пути Объединение данных Адетилое и Авасти [7]

область исследования, источник данных Область исследования , входные и результирующие параметры и сколько когнитивных состояний трафика было рассмотрено в исследованиях.2 = свободный / перегруженный, 4 = свободный / легкий / средний / тяжелый, 5 = очень свободный / свободный / легкий / средний / тяжелый
4.2. Поверхностное машинное обучение

Алгоритмы поверхностного машинного обучения (SML) включают в себя традиционные и простые алгоритмы машинного обучения. Эти алгоритмы обычно состоят из нескольких, много раз одного скрытого слоя. Алгоритмы SML не могут извлекать функции из входных данных, и функции должны быть определены заранее. Обучение модели может быть выполнено только после извлечения признаков. Алгоритмы SML и их применение в исследованиях перегрузки трафика обсуждаются в этом разделе и показаны на рисунке 6.


4.2.1. Искусственная нейронная сеть

Была разработана искусственная нейронная сеть (ИНС), имитирующая функцию человеческого мозга для решения различных нелинейных задач. Это математическая или вычислительная модель первого порядка, состоящая из набора взаимосвязанных процессоров или нейронов. На рисунке 7 показана простая структура ИНС. Благодаря простоте реализации и возможности эффективного прогнозирования ИНС стала популярной в области исследований прогнозирования транспортных заторов.Сеть Хопфилда, сеть прямого распространения и обратное распространение — это примеры ИНС. Нейронная сеть с прямой связью (FNN) — это простейшая NN, в которой входные данные переходят в скрытый слой, а оттуда — на выходной уровень. Нейронная сеть с обратным распространением (BPNN) состоит из прямой связи и корректировки веса слоев и является наиболее часто применяемой ИНС в управлении транспортировкой. Xu et al. [31] применили BPNN для прогнозирования потока трафика, таким образом, чтобы оценить фактор перегрузки в своем исследовании. Они предложили метод оценки коэффициента загруженности на основе загруженности (CRO) с тремя другими оцененными факторами загруженности, основанными на соотношении пробок (CMRC), скорости движения (CRS) и плотности транспортных средств (CVD).Они также оценили влияние размера данных на отображение дорожных заторов в реальном времени. Сложная дорожная сеть с большим количеством соединений показала более высокую сложность при моделировании и визуализации. Преимущество предложенной модели состояло в том, что для рендеринга данных с высокой выборкой требовалось мало времени на обработку. Модель может использоваться в качестве общей модели прогнозирования заторов для различных дорожных сетей. Некоторые использовали гибридные сети для прогнозирования перегрузки. Надим и Фоудур [11] предсказали перегрузку в пространственном пространстве, применив комбинацию одного из шести алгоритмов SML с NN.Шесть алгоритмов SML включали скользящее среднее (MA), авторегрессионное интегрированное скользящее среднее (ARIMA), линейную регрессию, полиномиальную регрессию второй и третьей степени и k-ближайший сосед (KNN). Модель, показывающая наименьшее значение RMSE, была объединена с BPNN для образования гибридной NN. В скрытом слое было семь нейронов, что было определено методом проб и ошибок. Однако это была работа на очень предварительном уровне. Он не показал влияния увеличения точности данных.


В отличие от предыдущих исследований, те, которые были сосредоточены на параметрах транспортного потока для проведения исследований по прогнозированию транспортных заторов; Ито и Канеясу [60] проанализировали поведение водителей при прогнозировании заторов.Они показали, что операторы транспортных средств по-разному действуют на разных этапах поездки. Они использовали однослойный BPNN, чтобы изучить поведение женщин-водителей и выделить в соответствии с этим этапы движения. Результаты показали, что средняя эффективность распознавания фазы движения составляет 82%.

ИНС — это полезная модель машинного обучения с гибкой структурой. Нейроны слоя можно адаптировать в соответствии с входными данными. Как упоминалось выше, общая модель может быть разработана и применена для различных типов дорог с использованием преимущества возможности улавливания нелинейности ИНС.Однако ИНС требует больших наборов данных, чем вероятностные модели рассуждений, что приводит к высокой сложности.

ИНС демонстрирует большой потенциал в анализе разнообразных параметров. ИНС — единственная модель, которая в последнее время применялась для анализа поведения водителей в условиях перегрузки на дорогах. ИНС популярна во всех разделах прогнозирования транспортных потоков [61, 62], управления заторами [63], усталости водителя [64] и шума транспортных средств [65, 66].

4.2.2. Модель регрессии

Регрессия — это статистический контролируемый алгоритм машинного обучения.Он моделирует прогнозируемое действительное числовое выходное значение на основе независимой входной числовой переменной. Модели регрессии можно разделить по количеству входных переменных. Простейшая модель регрессии — это линейная регрессия с одним входным признаком. Когда номер функции увеличивается, создается модель множественной регрессии.

Jiwan et al. [27] разработали модель множественного линейного регрессионного анализа (MLRA) с использованием данных о погоде и данных о загруженности дорог после предварительной обработки с помощью Hadoop.Сначала была разработана единая регрессионная модель для всех переменных с использованием R. После 3-кратного сокращения были определены только десять переменных, чтобы сформировать окончательную модель MLRA. Чжан и Цянь [22] применили интересный подход к прогнозированию утренних перегрузок в час пик с использованием моделей потребления электроэнергии в домашних условиях. Они использовали регрессию LASSO для корреляции признаков паттерна, используя преимущество линейно связанной возможности выбора критических признаков.

С другой стороны, Jain et al.[33] разработали модель линейной и экспоненциальной регрессии с использованием программного обеспечения IBM SPSS для поиска соответствующих переменных. Авторы преобразовали разнородные транспортные средства в блок легковых автомобилей (PCU) для упрощения. Для оценки показателей перегрузки на основе происхождения-назначения (O-D-) были рассмотрены три независимые переменные. Они использовали PCC для оценки корреляции между параметрами. Однако простое усреднение параметров узла O-D может не обеспечить реальную ситуацию динамических шаблонов трафика.

Модели регрессии состоят из некоторых скрытых коэффициентов, которые определяются на этапе обучения.Наиболее применяемой регрессионной моделью является интегрированная авторегрессионная скользящая средняя (ARIMA). ARIMA имеет три параметра — p, d и q. «P» — это порядок авторегрессии, который указывает, сколько лагов независимой переменной необходимо учитывать для прогнозирования. Порядок скользящего среднего «q» представляет номера ошибок прогнозирования запаздывания. Наконец, «d» используется для того, чтобы сделать временной ряд стационарным. Альгамди и др. [67] приняли d равным 1, так как один разностный порядок может сделать модель стационарной. Затем они применили функцию автокорреляции (ACF) и функцию частичной автокорреляции (PACF) вместе с матрицей критериев минимальной информации, чтобы определить значения p и q .Учитывались только временные рамки. Однако результаты совпадали с истинной картиной всего за одну неделю и нуждались в корректировке с учетом ошибок прогноза. Кроме того, в исследовании не учитывалось пространственное измерение.

Регрессионные модели полезны для решения задач временных рядов. Следовательно, регрессионные модели подходят для задач прогнозирования трафика. Однако эти модели ненадежны для нелинейных, быстро меняющих многомерный набор данных. Результаты необходимо изменить в соответствии с ошибками прогноза.

Однако, как уже и далее будет обсуждаться в этой статье, в большинстве исследований использовались различные регрессионные модели для проверки предложенной ими модели [6, 11, 25, 68, 69].

С увеличением набора данных и связанной с ним сложности регрессионные модели становятся все менее популярными в прогнозировании заторов трафика. В настоящее время регрессионные модели часто используются путем модификации с помощью других алгоритмов машинного обучения, например, ИНС и функций ядра. Применяются регрессионные модели некоторых других секторов, включая гибридную ARIMA, при прогнозировании скорости движения для конкретного типа транспортного средства (Wang et al.[70], прогнозирование объема трафика [71] и прогнозирование потока с применением модифицированной ARIMA [72].

4.2.3. Дерево решений

Дерево решений — это модель, которая предсказывает выходные данные на основе нескольких входных переменных. Есть два типа деревьев: дерево классификации и дерево регрессии. Когда эти два дерева сливаются, создается новое дерево с именем дерева классификации и регрессии (CART). Дерево решений использует функции, извлеченные из всего набора данных. Случайный лес — это контролируемый алгоритм классификации машинного обучения, который представляет собой среднее значение нескольких результатов дерева решений.Функции случайным образом используются при разработке деревьев решений. Он использует огромное количество деревьев решений CART. Деревья решений голосуют за предсказанный класс в модели случайного леса.

Wang et al. [9] предложили вероятностный метод использования инструментов теории информации, таких как энтропия и неравенство Фано, для прогнозирования характера дорожного движения и связанных с ним заторов на городских участках дороги без предварительного знания O-D транспортного средства. Они включили уровень загруженности дорог во временные ряды для сопоставления состояния транспортного средства с условиями движения.Поскольку интервал влиял на предсказуемость, была найдена оптимальная длина и скорость сегмента. Однако при меньшем количестве доступных данных увеличенное количество сегментов повысило предсказуемость. Другой параметр трафика, время в пути, использовался Лю и Ву для поиска КИ [73]. Они применили алгоритм машинного обучения случайного леса для прогнозирования состояний перегрузки на дорогах. Сначала они извлекли 100 наборов образцов, чтобы построить 100 деревьев решений с помощью бутстрапа. Количество атрибутов объектов было определено как квадратный корень из общего числа объектов.Chen et al. [16] также применили метод CART для прогнозирования и классификации транспортных заторов. Авторы применили метод I Морана для анализа пространственно-временной корреляции между различными транспортными потоками дорожной сети. Модель показала эффективность по сравнению с SVM и алгоритмом K-средних.

Дерево решений — это простая модель решения проблем классификации, которую можно применять для данных с множеством характеристик, например, Лю и Ву [73] применили погодные условия, состояние дороги, период времени и выходные в качестве входных переменных.Знания этой модели могут быть представлены в виде правил IF-THEN, что делает проблему легко интерпретируемой. Также необходимо иметь в виду, что результаты классификации обычно являются двоичными и поэтому не подходят там, где требуется знать уровень перегрузки. Другими секторами транспорта, где применяются модели деревьев решений, являются прогнозирование трафика [74] и оптимизация сигналов трафика с помощью нечеткой логики [75].

4.2.4. Машина опорных векторов

Машина опорных векторов (SVM) — это метод статистического машинного обучения.Основная идея этой модели состоит в том, чтобы отобразить нелинейные данные в линейное пространство более высокой размерности, где данные могут быть линейно классифицированы с помощью гиперплоскости [1]. Следовательно, это может быть очень полезно при идентификации шаблона потока трафика для прогнозирования перегрузки трафика. Ценг и др. [13] определили скорость движения при прогнозировании заторов в реальном времени с помощью SVM. Они использовали Apache Storm для обработки больших данных с помощью носиков и болтов. Трафик, датчики погоды и события, собранные из социальных сетей в непосредственной близости, оценивались системой вместе.Они разделили скорость транспортного средства на классы и назвали их ярлыками. Скорость предыдущих трех интервалов использовалась для обучения предложенной модели. Однако уровень заторов, отнесенный к категории от 0 до 100, не несет в себе конкретных сведений о серьезности уровня, особенно для участников дорожного движения. Увеличение обучающих данных повысило точность и время вычислений. В конечном итоге это может затруднить прогнозирование перегрузки в реальном времени.

Транспортный поток показывает разные шаблоны в зависимости от смеси трафика или времени суток.SVM применяется для определения соответствующего шаблона. В настоящее время модифицированная SVM в основном находит свое применение и в других секторах, например, для прогнозирования объема движения на выезде с автострады [58], прогнозирования транспортного потока [76] и устойчивого развития транспорта и экологии [77].

В большинстве исследований разработанная модель сравнивалась с SVM [22, 78, 79]. Алгоритмы глубокого машинного обучения (DML) показали лучшие результаты по сравнению с SVM. Таблица 2 относится к исследованиям в этом разделе.

Скорость

Модель Датчик Регрессия и др.

Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Искусственная нейронная сеть Дорожная сеть Датчик Занятость Фактор перегрузки 3 Xu et al. [31]
Моделирование Плотность
Коридор автомагистрали Датчик Расстояние Скорость 2 Nadeem and Fowdur [11]

Скорость Состояние затора на дорогах 2 Ито и Канэясу [60]
Открытие дроссельной заслонки
Угол поворота рулевого вала


Температура Оценка загруженности дорог Jiwan et al.[27]
Влажность
Осадки
Скорость движения
Время
Артериальная дорога Камера Объем
и др. Индекс загруженности [33]
Субартериальная дорога Скорость

Дерево решений Кольцевая дорога Probe Средняя скорость Wang et al. [9]
Дорожная сеть Скорость Индекс Морана 5 Chen et al. [16]
Траектория

Машина опорных векторов Коридор шоссе Датчик Скорость Скорость движения Tseng [13]
Плотность
Разница в объеме движения
Количество осадков

4.3. Глубокое машинное обучение

Алгоритмы DML состоят из нескольких скрытых слоев для обработки нелинейных задач. Наиболее значительным преимуществом этих алгоритмов является то, что они могут извлекать функции из входных данных без каких-либо предварительных знаний. В отличие от SML, в этих алгоритмах извлечение признаков и обучение модели выполняются вместе. DML может преобразовывать обширные непрерывные и сложные данные трафика с ограниченным периодом времени сбора в шаблоны или векторы функций. За последние несколько лет DML стал популярным в исследованиях прогнозирования транспортных заторов.Исследования перегрузки трафика, в которых использовались алгоритмы DML, показаны на рисунке 8 и обсуждаются в этом разделе.


4.3.1. Сверточная нейронная сеть

Сверточная нейронная сеть (CNN) — это широко применяемый алгоритм DML в проектировании трафика. Благодаря отличной производительности CNN при обработке изображений, при применении в прогнозировании трафика данные потока трафика преобразуются в двумерную матрицу для обработки. Транспортная структура CNN состоит из пяти основных частей: входной уровень, сверточный уровень, уровень пула, уровень полного соединения и выходной уровень.Как слой свертки, так и слой объединения извлекают важные функции. Глубина этих двух слоев различается в разных исследованиях. В большинстве исследований данные о транспортных потоках были преобразованы в изображение двухмерной матрицы. В исследованиях Ma et al. [80] и Sun et al. [45], каждый компонент матрицы представлял среднюю скорость движения в определенный период времени. При настройке параметров CNN они выбрали размер сверточного фильтра (3 × 3) и максимальное объединение размера (2 × 2) из ​​3 слоев в соответствии с настройками параметров LeNet и AlexNet и измерения потери информации.В то время как Chen et al. [68] использовали пятислойную свертку с размером фильтра (2 × 2) без слоя объединения. Авторы применили новый метод, называемый глубокой нейронной сетью на основе свертки, моделирующей периодические данные трафика (PCNN). В исследовании были свернуты временные ряды для генерации входных данных, объединяющих данные о трафике в реальном времени и исторические данные. Чтобы зафиксировать корреляцию нового временного интервала с недавним прошлым, они продублировали уровень перегрузки последнего интервала в матрице. Zhu et al. [49] также применили пять слоев сверточного пула, а также размеры (3 × 3) и (2 × 2) соответственно.Наряду с временными и пространственными данными авторы также включили данные временного интервала для создания трехмерной входной матрицы. В отличие от этих исследований Zhang et al. [6] предварительно обработали необработанные данные, выполнив пространственно-временной анализ взаимной корреляции данных последовательности потока трафика с помощью PCC. Затем они применили модель под названием алгоритм выбора пространственно-временных характеристик (STFSA) к данным последовательности потока трафика, чтобы выбрать подмножества функций в качестве входной матрицы. Использовалась двухслойная CNN со сверточным размером и размером пула, как и в предыдущих исследованиях.Однако STFSA учитывает свои эвристики, предубеждения и компромиссы и не гарантирует оптимальности.

CNN показывает хорошую производительность там, где доступен большой набор данных. Он имеет отличную способность к обучению функциям с меньшими затратами времени на классификацию. Следовательно, CNN может применяться там, где доступный набор данных может быть преобразован в изображение. CNN применяется для прогнозирования скорости трафика [81], прогнозирования транспортного потока [6], а модифицированная CNN с LSTM также применяется для прогнозирования трафика [82].Однако, как упоминалось выше, отсутствуют стратегии выбора глубины модели и параметров.

4.3.2. Рекуррентная нейронная сеть

Рекуррентная нейронная сеть (RNN) широко используется при последовательной обработке данных трафика с учетом влияния связанного соседа (рисунок 9). Долгая кратковременная память (LSTM) — это ветвь RNN. В скрытом слое LSTM есть блок памяти, который включает четыре уровня NN, в которых хранится и регулируется информационный поток. В последние годы, благодаря различным системам сбора данных с увеличенными интервалами, LSTM стал популярным.Благодаря этому преимуществу Zhao et al. [12] разработали модель LSTM, состоящую из трех скрытых слоев и десяти нейронов с использованием данных с большим интервалом. Они установили адекватную цель и настраивали параметры до тех пор, пока обучающая модель не стабилизировалась. Авторы также применили модель индекса и классификации перегрузки (CI-C) для классификации перегрузки путем вычисления CI на основе выходных данных LSTM. В большинстве исследований для разделения состояний перегрузки используется равный интервал CI. В этом исследовании было проведено еще два интервала естественной точки останова и геометрического интервала, чтобы обнаружить, что последний предоставил наибольшую информацию из информационной энтропии.Ли и др. [69] применили 4 слоя со 100 нейронами LSTM-модель ввода 3D-матрицы. Элемент входной матрицы содержал нормализованную скорость, чтобы сократить время обучения. Устраняя зависимость, авторы обнаружили, что случайное распределение целевой скорости дороги и более чем оптимальное соединение дорог в матрице снижают производительность. Чтобы устранить ограничение временной зависимости, Юань-Юань и др. [79] обучили свою модель подходу пакетного обучения. Экземпляр, найденный в результате классификации тестового набора данных, использовался для обучения модели в онлайн-среде.В некоторых исследованиях были представлены новые слои для модификации модели LSTM для извлечения признаков. Zhang et al. [83] представили уровень механизма внимания между LSTM и уровнем прогнозирования, который позволяет извлекать признаки из последовательности данных потока трафика и фиксировать важность состояния трафика. Di et al. [84] представили свертку, которая предоставляет входные данные для модели LSTM для формирования модели CPM-ConvLSTM. Во всех исследованиях для преобразования входных параметров применялся горячий метод. Адам, стохастический градиентный спуск (SGD) и сеть с интегральным отражением от утечки (LiESN) — это несколько методов оптимизации, применяемых для точной настройки результата.


Несколько исследований объединили RNN с другими алгоритмами, имея дело с обширными параметрами дорожной сети. В связи с этим Ma et al. [85] применили модель RNN и ограниченной машины Больцмана (RNN-RBM) для прогнозирования пространственно-временной перегрузки в масштабе всей сети. Здесь они использовали условную RBM для создания предложенной глубокой архитектуры, которая предназначена для обработки временной последовательности, обеспечивая петлю обратной связи между видимым слоем и скрытым слоем. Состояние перегрузки анализировалось по скорости трафика и было представлено в двоичном формате в виде матрицы в качестве входных данных.Также Sun et al. [45] объединил RNN трех скрытых слоев с двумя другими его вариантами: LSTM и закрытым рекуррентным блоком (GRU). Скрытые слои включали характеристику блока памяти LSTM, а состояние ячейки и скрытое состояние были включены ГРУ.

Поскольку размер выборки значительно увеличивается, RNN становится популярным в качестве текущего способа моделирования. RNN имеет кратковременную память. Эта характеристика RNN помогает моделировать данные нелинейных временных рядов. Обучение RNN также прямолинейно, подобно многослойной FNN.Однако это обучение может стать трудным из-за преобразования в глубокую архитектуру с многослойной долгосрочной зависимостью. В случае долгосрочных проблем с зависимостью LSTM становится более подходящим для применения, поскольку LSTM может запоминать информацию в течение длительного периода времени. RNN находит свое применение и в других секторах транспорта, например, для прогнозирования пассажиропотока [86], модифицированного LSTM в прогнозировании аварий в реальном времени [87] и прогнозирования дорожного движения [88].

4.3.3. Машина экстремального обучения

В последние годы для обучения однослойной нейронной сети с прямой связью (SLFN) был предложен новый алгоритм обучения, называемый машиной экстремального обучения (ELM). В ELM входные веса и скрытые смещения назначаются случайным образом, а не полностью настраиваются. Таким образом, обучение ELM проходит быстро. Поэтому, принимая во внимание это преимущество, Ban et al. [19] применили модель ELM для прогнозирования заторов на дорогах в реальном времени. Они определяют CI, используя среднюю скорость движения.Чтобы избежать шума в необработанных данных, была проведена 4-кратная перекрестная проверка. Модель нашла оптимальное количество скрытых узлов 200 с точки зрения вычислительных затрат в исследовании. Расширение этого исследования было выполнено Шеном и соавт. [78] и Шен и др. [89] путем применения основанной на ядре модели полууправляемой машины с экстремальным обучением (kernel-SSELM). Эта модель может иметь дело с проблемой данных без маркировки ELM и влиянием гетерогенных данных. Модель объединила мелкомасштабные маркированные данные транспортного персонала и крупномасштабные немаркированные данные о дорожном движении для оценки городской транспортной загруженности.ELM ускорил время обработки, а функция ядра оптимизировала точность и надежность всей модели. Однако сбор маркированных данных в реальном времени был довольно дорогостоящим с точки зрения человеческих ресурсов и рабочего времени, и количество экспертов для оценки состояния перегрузки должно было быть больше. Другая модификация EML была применена Yiming et al. [20]. Они применили модель асимметричного кластера машин с экстремальным обучением (S-ELM-кластер) для краткосрочного прогнозирования перегрузки трафика путем определения CI.Авторы разделили область исследования и одновременно реализовали обработку подмоделей для быстрой скорости.

Модель ELM имеет преимущество в обработке крупномасштабных данных с обучением на высокой скорости. ELM лучше работает с помеченными данными. В тех случаях, когда доступны как помеченные, так и немаркированные данные, полууправляемый ELM показал хорошую точность прогнозов, как было показано в исследованиях. Другие сектора, в которых применялся ELM, включали прогнозирование потока воздушного движения [90], прогнозирование потока трафика [91] и прогнозирование интервала объема движения [92].

Помимо уже рассмотренных моделей, Zhang et al. [93] предложили модель нейронной сети на основе глубокого автокодера с симметрией четырех уровней для кодера и декодера для изучения временных корреляций транспортной сети. Первый компонент закодировал векторное представление исторических уровней перегрузки и их корреляции. Затем они декодировали, чтобы построить представление об уровнях перегрузки на будущее. Второй компонент DCPS использует два плотных слоя; те преобразовали выходные данные декодера для вычисления векторного представления уровня перегрузки.Однако процесс потерял информацию, так как уровень перегруженности всех пикселей был усреднен. Этот подход требовал большого количества итераций и требовал больших вычислительных ресурсов, поскольку учитывались все пиксели независимо от дорог. В другом исследовании применялась обобщенная версия рекуррентной нейронной сети, названная рекурсивной нейронной сетью. Разница между ними в том, что в повторяющейся сети NN веса распределяются по последовательности данных. В то время как рекурсивная NN — это модель одного нейрона; следовательно, веса разделяются на каждом узле.Хуанг и др. [94] применили рекурсивный алгоритм NN, названный сетью эхо-состояний (ESN). Эта модель состоит из входного слоя, сети резервуаров и выходного слоя. Слой коллектора конструирует правила, связывающие источник прогноза и горизонт прогнозирования. Поскольку исследование заняло большую область исследования с огромным количеством ссылок, они упростили сложность правил обучения, применяя рекурсивную NN. В таблице 3 приведены некоторые исследования.

9122 Gapsus и Research

Исследования в области прогнозирования транспортных заторов расширяются в геометрической прогрессии.Среди этих двух источников в большинстве исследований использовались данные стационарных датчиков / камер. Хотя данные датчиков не могут фиксировать динамическое изменение трафика, частая смена источника затрудняет оценку структуры потока для данных датчиков [95]. Горизонт сбора данных является важным фактором при изучении загруженности дорог. Небольшой горизонт в несколько дней [3] не может уловить фактическую ситуацию с перегрузкой, поскольку трафик является динамичным. Другие исследования, в которых использовались данные за несколько месяцев, показали ограничение сезонности [22, 67].

Состояние окружающей среды играет важную роль в заторах на дорогах. Несколько исследований были посвящены этим факторам. Два исследования рассматривали вклад социальных сетей во входной параметр [7, 13], а пять — погодные условия [12, 13, 27, 34, 73]. События, например национальное мероприятие, школьные каникулы и популярные спортивные мероприятия, играют большую роль в заторах на дорогах. Например, в Мельбурне, Австралия, два государственных праздника до и во время двух самых популярных спортивных мероприятий страны.Власти закрывают несколько маршрутов движения, чтобы ограничить движение и парад, что приводит к заторам на дорогах. Следовательно, необходимо уделять больше внимания учету этих факторов при прогнозировании.

Работа с отсутствующими данными является сложной задачей при обработке данных. Некоторые полностью исключили соответствующие данные [29], другие применили другие методы для извлечения данных [59, 85], а некоторые заменили другими данными [45]. Вменение отсутствующих данных может быть полезным исследованием в транспортной инженерии.

Алгоритм машинного обучения, особенно модели DML, развивается со временем. Это демонстрирует явное влияние на рост их внедрения в прогнозирование транспортных заторов (рисунок 10).


Вероятностные алгоритмы рассуждений в основном применялись для части модели прогнозирования, например, сопоставление карт и выбор оптимального числа признаков. Нечеткая логика — наиболее широко используемый алгоритм в этом классе алгоритмов. Из других ветвей ANN и RNN являются наиболее применяемыми моделями.Большинство исследований, в которых применялись гибридные или ансамблевые модели, относятся к классу вероятностного и поверхностного обучения. Только в двух исследованиях применялись гибридные модели глубокого обучения при прогнозировании перегрузки в сети. Таблицы 4, 5–6 суммируют преимущества и недостатки алгоритмов различных ветвей.

и др. [83]

Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Сверточные нейронные сети Дорожная сеть Probe Средняя скорость движения Скорость 3 Ma et al. [80]
Средняя скорость движения 5 Sun et al. [45]
Камера Уровень перегрузки Уровень перегрузки 3 Chen et al.[68]
Коридор автомагистрали Датчик Транспортный поток Транспортный поток Zhang et al. [93]
Рекуррентная нейронная сеть Участок дороги Probe Данные о погоде Время перегрузки 5 Zhao et al. [12]
Время перегрузки
Артериальная дорога Онлайн Уровень перегрузки Уровень перегрузки 3 Юань-Юань и др.[79]
Дорожная сеть Камера Элемент пространственного сходства Скорость Lee et al. [69]
Датчик Скорость
Обзор Пиковый час
Коридор шоссе Датчик Скорость Уровень перегрузки 4
Время в пути
Объем
Дорожная сеть Зонд Состояние перегрузки Состояние перегрузки 2 Ma et al.[85]
Машина для экстремального обучения Текущее время Индекс перегрузки Ban et al. [19]
Кластер состояния дорожного движения
Индекс последней загруженности
Тип дороги
Количество прилегающих дорог


Методология Преимущества Отсюда недостатки

Нечеткая логика преобразование состояния перегрузки (i). . (i) Не существует подходящего метода выбора формы функции принадлежности.
(ii) Он может изображать более двух состояний. (ii) Возможность распознавания образов трафика не так надежна, как алгоритмы машинного обучения.
(iii) Поскольку для этого не требуется точный и четкий ввод, он может иметь дело с неопределенностью. (iii) Состояние трафика может не совпадать с фактическим состоянием трафика, поскольку результат не точен.
Скрытая марковская модель (i) Модель может преодолеть зашумленные измерения. (i) Точность снижается из-за нехватки временных данных траектории зонда.
(ii) Может эффективно учиться на необработанных данных. (ii) Не подходит в случае отсутствия набора данных.
(iii) Может одновременно оценивать несколько гипотез фактического отображения.
Модель смеси Гаусса (i) Может выполнять распределение параметров трафика за период в виде смеси независимо от состояния трафика. (i) Алгоритм оптимизации, используемый с GMM, следует выбирать осторожно.
(ii) Может преодолеть ограничение, связанное с невозможностью учитывать многомодальный вывод с помощью одного гауссовского процесса. (ii) Результаты могут показывать неправильные шаблоны трафика из-за локального ограничения оптимизации и недостаточного знания алгоритма оптимизации о пороге перегрузки трафика.
Байесовская сеть (i) Она может понять лежащую в основе взаимосвязь между случайными величинами. (i) В вычислительном отношении дорого.
(ii) Он может моделировать и анализировать параметры движения между соседними дорожными развязками. (ii) Модель плохо работает с приращением данных.
(iii) Модель может работать с неполными данными. (iii) Модель представляет однонаправленную связь только между переменными.


Методология Достоинства Недостатки
Искусственная сеть система, которая может изменять структуру на основе входных данных на этапе обучения [96]. (i) BPNN требует обширных данных для обучения модели из-за сложности параметров, возникающей из-за техники не совместного использования параметров [97].
(ii) Функция FNN, определенная ранее, показывает превосходную эффективность в захвате нелинейной взаимосвязи данных. (ii) Скорость обучающей сходимости модели низкая.
Модель регрессии (i) Модели подходят для задач временных рядов. (i) Линейные модели не могут решить проблему нелинейности, что затрудняет решение сложных задач прогнозирования.
(ii) Проблемы прогнозирования транспортных заторов могут быть легко решены. (ii) Линейные модели чувствительны к выбросам.
(iii) ARIMA может повысить точность, поддерживая минимальные параметры. (iii) В вычислительном отношении дорого.
(iv) Минимальная сложность модели. (iv) ARIMA не может эффективно работать с набором данных с несколькими функциями.
(v) ARIMA не может уловить быстро меняющийся поток трафика [8].
Машина опорных векторов (i) Эффективна при распознавании образов и классификации. (i) Неправильно выбранная функция ядра может привести к неточному результату.
(ii) Универсальный алгоритм обучения, который может уменьшить вероятность ошибки классификации за счет уменьшения структурного риска [1]. (ii) Нестабильный поток трафика требует повышения точности прогнозирования SVM.
(iii) Для этого не требуется большой размер выборки. (iii) Требуется много вычислительного времени и памяти.

9011

из локальных связей и компоновка их в высокоуровневое представление.

Методология Преимущества Недостатки
Недостатки (i) Вычислительно затратно, так как для извлечения функций требуется огромное ядро.
(ii) Классификация занимает меньше времени. (ii) Требуется обширный набор данных.
(iii) Может автоматически извлекать элементы. (iii) Данные о трафике необходимо преобразовать в изображение.
(iv) Нет доступных стратегий для глубины модели CNN и выбора параметров.
Рекуррентная нейронная сеть (i) Показывает отличную производительность при обработке последовательного потока данных. (i) Длительная зависимость приводит к плохой работе.
(ii) Эффективен при классификации последовательностей. (ii) Нет твердого руководства по устранению зависимости.
(iii) Эффективен при обработке временных рядов с длинными интервалами и отсрочками.
Машина для экстремального обучения (i) Высокая скорость обучения (i) Время обучения увеличивается с ростом скрытого узла.
(ii) Можно избежать локальных минимумов. (ii) Проблема с непомеченными данными.
(iii) Доступны модифицированные модели для решения проблемы с данными без маркировки. (iii) Может давать менее точные результаты.

Среди всех моделей DML RNN больше подходит для прогнозирования временных рядов. В нескольких исследованиях RNN показала лучшие результаты, чем CNN, поскольку разрыв между скоростями трафика в разных классах был очень мал [12, 69]. Однако из-за небольшого количества исследований в области пробок на дорогах еще предстоит применить множество новых алгоритмов машинного обучения.

Модели SML показали лучшие результаты, чем DML, при прогнозировании перегрузки трафика в краткосрочной перспективе, поскольку SML может эффективно обрабатывать линейность, а линейные функции в краткосрочной перспективе больше влияют на поток трафика. Все исследования краткосрочного прогнозирования, обсуждаемые в этой статье, с применением SML показали многообещающие результаты. В то же время модели DML показали хорошую точность, поскольку эти модели могут эффективно обрабатывать как линейные, так и нелинейные функции. Кроме того, прогнозирование перегрузки в реальном времени не может позволить себе большое время вычислений.Следовательно, в этом случае более эффективны модели, требующие короткого вычислительного времени.

6. Направление будущего

Пробки на дорогах — многообещающая область исследований. Таким образом, в будущих исследованиях есть несколько направлений.

Многие модели прогнозирования уже применялись при прогнозировании дорожных заторов. Однако с помощью недавно разработанных моделей прогнозирования появляется больше возможностей для более точного прогнозирования перегрузки. Кроме того, в эту эпоху информации использование увеличенных доступных данных о трафике за счет применения недавно разработанных моделей прогнозирования может повысить точность прогнозирования.

Полууправляемая модель применялась только для модели EML. Следует изучить другие алгоритмы машинного обучения для использования как помеченных, так и немаркированных данных для более высокой точности прогнозов. Кроме того, ограниченное количество исследований было сосредоточено на прогнозировании перегрузок в реальном времени. В будущем исследователям стоит обратить внимание на проблему оценки загруженности дорог в реальном времени.

Еще одним направлением будущего может быть сосредоточение внимания на уровне загруженности дорог. Несколько исследований разделили пробки на несколько состояний.Однако для лучшего управления трафиком важно знать степень загруженности. Таким образом, будущие исследования должны сосредоточиться на этом. Кроме того, большинство исследований сосредоточено только на одном параметре трафика для прогнозирования перегрузки. Это может быть отличным направлением в будущем, чтобы уделить внимание более чем одному параметру и объединить результаты во время прогнозирования перегрузки, чтобы сделать прогноз более надежным.

7. Выводы

Прогнозирование заторов на дорогах привлекает все больше внимания в последние несколько десятилетий.С развитием инфраструктуры каждая страна сталкивается с проблемой заторов на дорогах. Таким образом, прогнозирование заторов может позволить властям составить планы и предпринять необходимые действия, чтобы их избежать. Развитие искусственного интеллекта и доступность больших данных побудили исследователей применять различные модели в этой области. В этой статье методологии разделены на три класса. Хотя вероятностные модели в целом просты, они становятся сложными, в то время как различные факторы, влияющие на перегрузку трафика, например.g., учитываются погода, социальные сети и события. В этом случае преимущество имеет машинное обучение, особенно глубокое обучение. Поэтому со временем алгоритмы глубокого обучения стали более популярными, поскольку они могут оценивать большой набор данных. Однако еще предстоит применить широкий спектр алгоритмов машинного обучения. Таким образом, широкие возможности исследований в области прогнозирования транспортных заторов все еще остаются.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают благодарность Университету RMIT и Программе подготовки научных исследований правительства Австралии (RTP) за финансовую поддержку.

Использование машинного обучения для уменьшения загруженности дорог

УНИВЕРСИТЕТ-ПАРК, Пенсильвания — Исследователи из Колледжа информационных наук и технологий Пенсильванского государственного университета продвигают работу, в которой используются методы машинного обучения для улучшения управления сигналами светофора на городских перекрестках по всему миру.

В ходе своей работы исследователи изучают возможность использования обучения с подкреплением — алгоритмов обучения, чтобы узнать, как достичь сложной цели с помощью системы вознаграждений — для изучения шаблонов и связи управления сигналами светофора.

«По сути, мы хотим использовать данные о трафике, чтобы помочь нам оптимизировать функции города», — сказал Чжэньхуэй «Джесси» Ли, доцент информационных наук и технологий.

Ли и ее сотрудники изучили реальные данные о дорожном движении из крупных городов США и Китая, чтобы проанализировать загруженность на перекрестках. Затем, посредством серии исследований, они разработали метод углубленного обучения с подкреплением, который может положительно повлиять на транспортный поток, изучая лучшие стратегии для модели транспортного потока.

Она объяснила, что обучение с подкреплением, например, похоже на использование положительного подкрепления для улучшения поведения ребенка.

«Обучая детей [используя положительное подкрепление], если они хорошо справляются со своей работой, вы даете им некоторую награду», — сказал Ли. «Если они плохо справляются со своей работой, вы просто не даете им награды».

Она продолжила: «Это та же идея. Что касается светофора, если он плохо работает, автомобили могут быть перегружены, и награда будет снижена. Тогда, если он хорошо выполняет свою работу, потому что машины экономят время на перекрестках, он получит некоторую награду.”

В то время как работа Ли сосредоточена на анализе данных и вычислительных аспектах метода, она работает с коллегами в Пенсильвании и других учреждениях по всему миру над междисциплинарными исследованиями.

«Как компьютерные ученые, мы на самом деле не знаем, как разработать эту функцию вознаграждения», — сказал Ли. «Поэтому мы работаем с инженерами-строителями, чтобы убедиться, что мы используем их транспортную теорию, чтобы помочь нам в проектировании данных».

Она добавила: «В наших условиях награда будет заключаться в том, что машинам потребуется меньше времени, чтобы добраться до места назначения.Но это то, что трудно измерить напрямую, потому что время в пути является результатом длинной последовательности сигналов светофора, а также зависит от других факторов, таких как скорость свободного движения ».

Ли сотрудничал с Викашем Гая, доцентом кафедры гражданского строительства, для некоторых исследований Ли по этой теме.

Результаты исследования

Ли были опубликованы на нескольких ведущих конференциях по интеллектуальному анализу данных и искусственному интеллекту в 2019 году. Например, один доклад был представлен на Международной конференции ACM SIGKDD 2019 года по открытию знаний и интеллектуальному анализу данных, состоявшейся в августе этого года.4-8 в Анкоридже, Аляска. Три документа по этой работе были представлены на конференции 2019 года по управлению информацией и знаниями, которая проходила 3–7 ноября в Пекине, Китай. Два других документа были приняты на Тридцать четвертую конференцию AAAI по искусственному интеллекту, которая состоится 7-12 февраля 2020 года в Нью-Йорке.

По словам Чачи Чена, докторанта Колледжа IST и ведущего автора одной из статей, основной вклад в последнюю статью заключается в расширении управления светофором на большее количество перекрестков.

«Раньше мы обычно проводили эксперименты не более чем на 16 перекрестках», — сказал Чен. «Так что метод не нов».

Ли добавил: «Это первый раз, когда мы можем масштабироваться до тысячи перекрестков, когда раньше было меньше 20. Это в 50 раз больше, чем [было] раньше, что делает его по-настоящему общегородским».

Исследователи надеются, что их работа поможет городам во всем мире оптимизировать использование перекрестков в качестве ресурсов.

«По мере того, как урбанизация продолжается, и все больше людей переезжают в город, если вы не максимально используете ресурс дороги, вы, вероятно, в конечном итоге построите больше дорог, чтобы удовлетворить потребности города в движении», — сказал Ли.«Но землю можно было использовать для строительства школы или больницы.

«Таким образом, мотивация нашей работы состоит в том, чтобы изучить, можем ли мы использовать данные как своего рода новый ресурс, который поможет нам оптимизировать использование других ресурсов», — добавила она.

Соавторы в работе: Гуаньцзе Чжэн и Хуа Вэй, докторанты Государственного колледжа Пенсильвании IST; Викаш Гая, доцент кафедры гражданского строительства в Пенсильвании; Хуичу Чжан, Синши Занг, Вэйнань Чжан и Янминь Чжу из Шанхайского университета Цзяо Тонг; Цзе Фэн и Юн Ли из Университета Цинхуа; Юаньхао Сюн из Чжэцзянского университета; и Кай Сюй из Shanghai Tianrang Intelligent Technology Co.ООО

Работа

Ли поддерживается Национальным научным фондом и профессором ранней карьеры семьи Хейли из колледжа IST.

Прогнозирование заторов на основе расчетного времени прибытия

Abstract

С быстрым расширением сенсорных технологий и инфраструктуры беспроводной сети, исследования и разработки приложений, связанных с трафиком, таких как карты трафика в реальном времени, справочная информация о маршрутах по запросу и прогнозирование трафика, привлекают гораздо больше внимания, чем когда-либо прежде.В этом документе мы подробно рассмотрим наше приложение для прогнозирования трафика, которое основано на данных о трафике, собранных с помощью Google Map API. Наше приложение представляет собой настольное приложение, которое прогнозирует состояние перегрузки трафика с использованием расчетного времени прибытия (ETA). Помимо расчетного времени прибытия, система прогнозирования учитывает различные характеристики, такие как погода, период времени, особые условия, праздники и т. Д. Метка классификатора идентифицируется как одно из пяти состояний движения, т.е. ровный, слегка перегруженный, перегруженный, сильно загруженный. перегруженность или засорение.Результаты показывают, что алгоритм классификации случайных лесов имеет наивысшую точность прогнозов — 92 процента, за ним следуют XGBoost и KNN соответственно.

Образец цитирования: Zafar N, Ul Haq I (2020) Прогнозирование загруженности дорог на основе расчетного времени прибытия. PLoS ONE 15 (12): e0238200. https://doi.org/10.1371/journal.pone.0238200

Редактор: Цзиньцзюнь Тан, Центральный Южный университет, КИТАЙ

Поступила: 18.04.2020; Принято к печати: 11 августа 2020 г .; Опубликовано: 16 декабря 2020 г.

Авторские права: © 2020 Zafar, Ul Haq.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в рукописи и вспомогательных информационных файлах.

Финансирование: Эта исследовательская работа финансируется Комиссией высшего образования Пакистанского проекта TDF02-261. 50000 рупий (300 долларов США) будут покрываться HEC, а любая сумма, превышающая это, будет оплачена авторами.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что конкурирующих интересов не существует.

Введение

Пробки на дорогах — обычная проблема любой дорожной сети. Когда количество транспортных средств превышает верхнюю границу проезжей части дороги, возникают пробки разной степени тяжести. Наблюдение и контроль трафика в режиме реального времени, а также долгосрочная оценка желательны как для разработчиков политики, так и для широкой общественности.Растущее население крупных городов, вызывающее все более высокие требования к общественному транспорту, на протяжении многих лет было одним из основных факторов, способствовавших возникновению проблем с дорожным движением [1, 2]. Пассажиры пригородных поездов страдают от более длительного времени в пути и имеют проблемы, связанные с плавным планированием своего путешествия [3, 4]. Пробки на дорогах можно использовать для градостроительства [5]. Развивающиеся страны, несмотря на наличие приемлемой дорожной инфраструктуры в своих крупных городах, страдают от транспортных заторов, прежде всего из-за их высокой плотности населения.Выявление и прогнозирование транспортных заторов играет центральную роль в развитии интеллектуальных транспортных систем. Было проведено интересное исследование по прогнозированию пробок на дорогах, основанное на трафике в реальном времени, полученном с помощью Google Maps API [6–8]. В этой статье мы рассматриваем столицу Пакистана Исламабад в качестве примера и представляем результаты прогнозирования транспортных заторов. Исламабад и Равалпинди — города-побратимы, и тысячи людей ежедневно добираются до Исламабада из Равалпинди. Мы использовали Google Map API для извлечения данных ETA со всех основных дорог Исламабада, а также с дорог, соединяющих Равалпинди и Исламабад.

В этой статье предлагаемая нами система

  • объединяет данные о времени прибытия и погоде,
  • маркирует данные в соответствии с тенденциями ETA,
  • определяет индекс перегрузки с временным интервалом,
  • применяет методы машинного обучения случайного леса, логистической регрессии и наивного байеса, XGBoost, GradientBoost и KNN,
  • и, наконец, предоставляет анализ моделей трафика.

Реализация может способствовать уменьшению перегрузки и может помочь в свободном потоке трафика.Это также может помочь в управлении сигналами светофора. Поскольку в Исламабаде нет организованных наборов данных о дорожном движении, эта исследовательская работа с данными, извлеченными Google, обеспечит основу для прогнозирования заторов на дорогах в Пакистане, особенно в районе Исламабада.

Остальная часть статьи построена следующим образом. В разделе II обсуждается соответствующая работа, в разделе III описывается предлагаемое решение. Раздел IV представляет описание данных, а Раздел V описывает дизайн и реализацию прототипа карты загруженности дорог.Наконец, Раздел VI завершает статью.

Обзор литературы

Различные классические алгоритмы машинного обучения и модели нейронных сетей были применены к данным городского трафика для прогнозирования заторов. Md Maksudur Rahman et al. [9] зафиксировали заторы на дорогах в разные дни и часы недели и выявили факторы, вызывающие заторы в городе Дакка. Авторы исследовали влияние количества перекрестков, рыночных площадей и наличия дорог без рикш на интенсивность движения.Они не работали с интегрированными источниками данных. Они не применяли разные алгоритмы машинного обучения и не сравнивали часы пик и непиковые часы. Юань-юань и др. [10] работали с открытыми онлайн-данными и предсказывали условия дорожного движения. Они использовали многослойную модель долговременной краткосрочной памяти. Авторы использовали методы ансамбля и улучшили производительность на несбалансированном наборе данных, включив в модель прогнозирования информацию о местных испытаниях, социальных сетях и погоде. Авторы не использовали ансамблевые методы и не включали источники данных о погоде и событиях.Описательный анализ набора данных не проводился. Мухаммад Шалихин бин Осман и др. [11] предложили модель линейной регрессии для прогнозирования продолжительности трафика. Для их прогнозирования перегрузки используется многослойная модель глубокого обучения персептрона. Они использовали Weka и TensorFlow от Google для своей системы прогнозирования трафика. Сообщалось о некоторых проблемах, включая нежелательное время загрузки для прогнозирования перегрузки из-за прогнозирования гораздо большего числа кластеров. Результаты исследования набора данных недоступны.Предложенный MLP имеет точность всего 63%. Google Map API использовался [6–8, 12] для извлечения данных из слоя трафика Google для прогнозирования трафика и расчета оптимального маршрута. Viral Kapoor et al. [13] работал локализованным и распределенным образом для построения в реальном времени неофициальных графов блокировок над дорожной сетью и обнаружил сильные случайные связи заторов. Предположения этого документа включают то, что все сообщения, которыми обмениваются такси и RSU, абсолютно синхронны без каких-либо вариантов изменения порядка или потери сообщений.Точность не очень хорошая, и ансамблевые классификаторы не пробовали. Иньсян Лю и др. [14] предложили метод прогнозирования транспортных заторов на основе случайного леса и получили точность 87,5%. Они использовали 1124 экземпляра и пять характеристик, таких как погода, время, праздник, особое состояние и качество дороги. Они оценили модель по индексу точности. Соотношение между прогнозируемым значением модели и его фактическим значением определяет показатель точности. Авторы не применяли несколько классификаторов, поскольку сравнение и статистический анализ набора данных недоступны.Б. Дхивья Бхаратхи и др. [15] предложили последовательную нестационарную модель для прогнозирования времени прибытия автобуса в условиях неоднородного движения. Они работали над набором данных временных рядов автобусов, содержащим в общей сложности 1231 поездку за 34 дня. Производительность измерялась как средняя абсолютная ошибка и средняя абсолютная ошибка в процентах. Авторы работали над линейной моделью, но не пробовали нелинейные модели. Николаос Сервос и др. [16] работали над мультимодальными перевозками с датчиками, оснащенными транспортируемыми товарами.Алгоритм способен обеспечить прогнозирование перегрузки с еще меньшим объемом данных. Они использовали SVR, Extra Trees и AdaBoost. SVR обещал лучшие результаты со средней абсолютной ошибкой 16.91h. Авторы не интегрировали несколько источников данных, а работали только с одним набором данных автобусной службы. Они не предсказали будущий маршрут. Ning Sun et al. [17] предложили модель для прогнозирования состояния дорожного движения на участках дороги на основе исторической информации о дорожном движении и информации о дорожном движении в реальном времени. Они решили проблему балансировки нагрузки, используя алгоритм TPPDP LB, который предложил путь с наименьшим временем прохождения для поддержания глобальной балансировки нагрузки.Они объединили количество параллельных запросов и прогнозируемую информацию для поддержания глобальной балансировки нагрузки. HuachunTan et al. [18] предложили метод пополнения динамического тензора для нахождения подходящего низкого ранга n динамической тензорной модели. Предлагаемое динамическое завершение тензора (DTC) активно использует многорежимные периодические города, такие как пространственная информация, еженедельная и ежедневная периодичность, а также хронологические отклонения потока трафика. Хунцзе Лю и др. [19, 20]. предложить модель прогнозирования на основе ИНС и LSTM и предложить временные характеристики для прогнозирования прибытия на станцию ​​на большие расстояния и пространственные характеристики для прогнозирования прибытия на станцию ​​на короткие расстояния.Haitao Xu et al. [20, 21] предложили динамические дорожные сети с помощью графика участков пути, зависящего от времени. Они предлагают прогнозирование времени прибытия автобуса на основе исторических траекторий GPS и GPS в реальном времени. Варианты распределения времени прохождения участков пути были визуализированы с помощью алгоритма кластеризации. Rafidah Md Noor et al. [22, 23] использовали SVR для прогнозирования времени прибытия автобуса. Атрибуты включают расстояние до дороги, час пик или непиковый час, продолжительность поездки и погоду. Не было обнаружено, что данные о погоде играют существенную роль в модели прогнозирования.Xiqun (Michael) Chen et al. [24] представили подход к ансамблевому обучению в таких компаниях, как Taxi Hailing Service, Private Car Service, Express и Hitch. Характеристики набора данных: время поездки, продолжительность поездки, стоимость поездки, время в пути, надежность отправления и плата за время ожидания. Авторы использовали усиление ансамблевых деревьев вместе с методами SVM, наивного байеса и логистической регрессии. Улучшение деревьев ансамбля показало лучшие результаты. Lijuan Liu et al. [25] предложили модель, которая представляет собой комбинацию контролируемых и неконтролируемых методов обучения.Они содержат три типа функций, таких как функции потока (поток пассажиров в реальном времени и предыдущий средний пассажиропоток и количество), временные функции (праздник, день недели и час дня) и функции сценария (входящие и исходящие билеты. и карты). По словам автора, модель разделена на три фазы. На первом этапе временные характеристики и особенности сценария передаются в составные автокодеры (SAE). Затем предварительно обученный SAE передается в контролируемую DNN в качестве входных данных с функциями потока в качестве выходных.На третьем этапе выполняется прогноз пассажиропотока. Гибридный подход SAE-DNN дал многообещающие результаты. Jiaqiu Wang et al. [26] обобщили модель нейронной сети с пространственно-временной задержкой (STDNN), которая работает с автокорреляцией сети дорожного движения локально и динамически. Модель STDNN состоит из трех этапов, а именно: спецификация, обучение и внедрение. Первый этап включает настройку инициализированных параметров и построение структуры модели. Второй этап включает оптимизацию параметров, а третий этап включает прогноз времени прибытия.Они использовали набор данных, содержащий 1200 дорожных сообщений с интервалом в 5 минут. Информация о времени прибытия и отправления в качестве функции была получена от Transport for London (TfL). STDNN получил лучшие результаты по сравнению с моделями STARIMA, Naïve и ARIMA. Эндрю Мондшайн и др. [27] предложили пространственные отношения между загруженностью дорог и доступностью в региональном и субрегиональном масштабах. Авторы использовали набор данных, а именно: Ассоциацию правительств Южной Калифорнии (SCAG).Авторы определяют, как участие в деятельности колеблется между людьми и пространством в случае скопления. Они применили модели многомерной регрессии к набору данных. Транспортные потоки предсказуемы отдельно для пиковых значений после полудня / вечера в будние дни, вечера, утренние будни, полдень и выходные. Авторы использовали показатель плотности активности для измерения и картирования тенденций в области домохозяйств и транспортных заторов в космосе. Авигдор Гал и др. [28] предложили модель, сочетающую в себе теорию массового обслуживания и методы машинного обучения.Авторы определяют естественную сегментацию данных по промежуточным остановкам. Набор данных разделяется двумя способами: во-первых, он основан на обширном обучающем наборе и тестовом наборе, который состоит из односегментных поездок и, во-вторых, целых поездок с частичным обучающим набором и длинным тестовым набором. Теория массового обслуживания используется для сегментации и обнаружения выбросов. Автор проанализировал и предсказал загруженность дорог с помощью нескольких статистических моделей и моделей машинного обучения. Они спрогнозировали набор данных в нескольких временных интервалах и сравнили часы пик и часы непиковой нагрузки.они использовали SVM, MLP и RNN. В этом документе только прогнозируется скорость движения, но не прогнозируется расчетное время прибытия. Не учитывались дорожные условия, погода и особые события, которые играют важную роль в прогнозировании скорости. Автор не проводил сравнения разнородных наборов данных о скорости [29]. Автор одновременно работает над временными и пространственными зависимостями. Они рекомендуют инновационный метод прогнозирования трафика, который представляет собой комбинацию стробируемого рекуррентного блока (GRU) и сверточной сети графа (GCN) и модели, названной сверточной сетью временного графа (T-GCN). модель.Блокируемый повторяющийся блок используется для изучения динамических изменений трафика для определения временной зависимости, а GCN используется для устранения пространственной зависимости. T-GCN был применен к пространственно-временным данным трафика. В [30] авторы работают над оптимизацией функции ядра для захвата нестационарных характеристик краткосрочных данных скорости трафика. Автор использовал подход устранения шума вейвлетов для удаления шума и кратковременных нерегулярных вариаций из набора данных. Автор предлагает новую гибридную модель для прогнозирования краткосрочной скорости движения.Авторы работали над краткосрочными данными о скорости движения, но не над долгосрочными данными о скорости движения. Погода, дорожные условия, развороты и количество полос движения имеют прямое влияние на прогноз скорости, но они не рассматривались в данной статье [31]. Автор предложил модель многошагового прогнозирования, позволяющую разложить скорость на остаточную и периодическую части. Этот новый подход обеспечивает наилучшие результаты, когда горизонт прогнозирования превышает 30 минут. В [32] авторы выделяют факторы, влияющие на загруженность дорог.Они объединили атрибуты погоды с атрибутами трафика. Чтобы определить факторы, которые имеют прямое влияние на перегрузку трафика, сначала они создали полную регрессионную модель, затем очистили атрибуты и, наконец, применили остаточный анализ. Предложенный подход достиг 84,4%. Предложенный подход достиг 84,4%, что можно улучшить с помощью моделей древовидных семейств. Работа с разнородным набором данных, основанная на скорости и различных моделях машинного обучения, могла бы быть интересной [33].

Сбор данных и методология

Данные были собраны с помощью Google Map API.123 точки охватывают все основные дороги Исламабада, а также Марри-роуд, которая является главной дорогой, проходящей через город Равалпинди. Город Равалпинди — город-побратим Исламабада, и каждый день между двумя городами ходит огромное движение. Мы начали сбор данных вдоль линии метро, ​​которая охватывает Марри-Роуд, Стадион-Роуд, 9-ю авеню и Джинна-авеню, но позже распространилась на всю дорожную сеть Исламабада. Есть почти миллион записей, которые охватывают активность трафика за ноябрь 2019 года, январь 2020 года и февраль 2020 года.Кроме того, существует несколько тысяч записей за июль 2019 года. Данные собирались через 6-8 минут в течение семи дней в неделю и в течение 24 часов. На рис. 1 изображена методология исследования. В дополнение к пространственному положению на карте, дате, времени, праздничным или рабочим дням, особые условия, например события и т. д. и входят ли в список функций. К факторам окружающей среды, влияющим на загруженность дорог, относятся погодные условия, различные периоды времени, особые дорожные условия и качество дороги.Извлеченные данные трафика проходят этап предварительной обработки, на котором выполняются такие задачи, как обработка, преобразование и интеграция данных. Затем выполняется разметка, чтобы сделать данные подходящими для алгоритмов контролируемого обучения. Наконец, модели применяются, и результаты получаются и обсуждаются.

Описание данных

В основном есть четыре типа открытых онлайн-источников данных, которые имеют дело с данными, связанными с трафиком:

  • Карты трафика, например Карты Google и официальные сайты управления дорожным движением и операций.
  • Социальные сети, такие как Twitter, Instagram и т. Д.
  • Местные события.
  • API погоды.

В дополнение к Google Map API мы извлекаем данные из открытого API погоды.

На рис.1 показано, что первый шаг, т.е. входные данные, состоит из погодных условий, периода времени, особых условий и праздников, а также данных ETA в качестве входных переменных модели для создания модели прогнозирования дорожного движения. Модуль извлечения функций используется для извлечения информации из вкладов в модуль ввода и создания гигантского набора данных.Модуль алгоритмов машинного обучения используется для применения различных алгоритмов машинного обучения, например Случайный лес и так далее. В модуле результатов мы проверяем точность алгоритмов машинного обучения.

Предварительная обработка

Фаза предварительной обработки состоит из следующих подэтапов:

Преобразование данных.

Преобразование данных позволяет преобразовать данные из заданного формата в определенный формат. Это включает в себя преобразование значений или нормализацию числовых значений для соответствия минимальным и максимальным значениям.Мы преобразовали местоположение в числовые значения.

Обработка данных.

В таблице 1 приведено описание атрибутов. Иногда упоминаемый как «изменение данных» — это процесс преобразования и построения графика данных из одной «необработанной» формы данных в другой формат. Это может включать дальнейшее изменение, визуализацию данных, агрегирование данных, обучение статистической модели, а также многие другие потенциальные применения. Мы преобразовали дни из строковых в числовые, например, с воскресенья на субботу (от 0 до 6).Дата определяется как день, месяц и год.

Кодирование категориальных признаков.

Часто характеристики задаются не как непрерывные значения, а как категориальные. Например, особое условие, Время и праздник имеют функции [«Да», «НЕТ»], [«Пик_часа», «non_peak_hour»] и [«Да», «НЕТ»]. Такие функции могут быть эффективно закодированы как целые числа, например, специальное условие [«Да», «НЕТ»] может быть выражено как [1, 0], в то время как Время [«Peak_hour», «non_peak_hour»] будет [1, 0] и праздник можно выразить как [1, 0].

Функция бинаризации.

Пороговая обработка числовых функций для получения логических значений называется бинаризацией функций. мы преобразовали уровень состояния перегрузки в числовые значения с помощью label_binarize. Итак, мы обозначили метки перегрузки, например слегка перегруженные, ровные, засоренные, перегруженные и сильно перегруженные от 0 до 4.

Извлечение признаков

Уровень перегрузки, определяемый системной задержкой, может быть выражен с помощью индекса перегрузки (Cl), который представляет собой безразмерную величину, большую или равную нулю.Индекс загруженности, равный единице, означает, что фактическое время в пути в два раза превышает время в пути в свободном режиме. Он не зависит от геометрии пропускной способности дороги, длины маршрута и факторов контроля перекрестков, которые могут охватывать реальные преобразования между двумя участками. Индекс задается состоянием участка дороги и вычисляется из переменной FastestRouteTime по следующей формуле: Где,

t L = текущее время для участка дороги ;

т О = наименьшее время для участка дороги .

В таблице 2 перечислены различные диапазоны CI и соответствующие им метки от плавности до блокировки. Поскольку разные сегменты дорожной сети имеют разное количество полос движения, плавность движения, интенсивность движения и т. Д., Они должны быть помечены отдельно на основе собственных расчетов индекса загруженности. Следующий алгоритм учитывает различные сегменты дороги, составляющие обсуждаемую дорожную сеть, вычисляет их индексы загруженности и соответственно применяет метки загруженности.

На рис. 2 показано распределение данных по меткам.Интересно отметить, что существует большое количество примеров с высокой степенью загруженности. Поскольку данные были собраны с дорог за 24 часа, поэтому на объем бесперебойного движения также влияют данные, полученные в ночные часы.

На рис. 3 показано статистическое описание набора данных. Мы вычислили среднее значение, медианное значение и стандартное отклонение для класса меток. Сегменты дороги имеют разную длину. Индекс заторов также помогает нормализовать дорожную активность на участках дороги разной длины.

Алгоритм 1 : нормализация сегментации CI

Segmentize Распределение записей ;

Отметить записи каждого сегмента ;

для каждого Сегмент S i до

т o = мин ( ET AinS i )

при i < len ( SegmentS i ) до

Вычислить высоту 0.4 пт

применить метку к записи, содержащей t i

возврат УСПЕХ;

Описательно-исследовательский анализ

На рис. 3 представлены среднее, медианное и стандартное отклонение всех пяти меток данных. Расстояние указывается в метрах, а единица времени — секунды. Индекс перегрузки (CI) — это производный атрибут, коэффициент, который используется для маркировки классов. CI также обеспечивает нормализованную перспективу заторов, поскольку участки дороги не совсем одинакового размера.На рис. 4 представлен индекс загруженности в зависимости от времени суток в будние дни. Разные рабочие дни, то есть с понедельника по четверг, показаны разными цветными линиями. Из рисунка 4 можно увидеть, что существует значительное отклонение индекса загруженности в разные часы дня. В утренний час пик (8: 00–9: 00) индекс загруженности составляет 0,6, что выше, чем в среднем в утренние часы. В часы пик (14: 00–15: 00) индекс загруженности составляет 1,2, что выше, чем в любое время дня. В вечерний час пик (примерно с 18:00 до 19:00) индекс загруженности равен 1.1. Поведение индекса перегрузки в различные временные интервалы имеет большое значение для разработки модели, и использование среднего значения индекса перегрузки для каждого временного интервала может быть полезным при прогнозировании перегрузки на основе исторических данных. Временные интервалы с 8:00 до 9:00, с 14:00 до 15:00 и с 18:00 до 19:00 показывают высокую загруженность.

Из рис. 4 можно увидеть, что существует значительное отклонение индекса перегрузки в разные часы дня. Индекс загруженности в пятницу сильно отличается от разных будних дней.В пятницу в утренний час пик (8: 00–9: 00) индекс загруженности составляет 0,5, что выше, чем в среднем в утренние часы. Пятничное движение отличается от других будних дней из-за пятничной молитвы, которая проводится в 14:00. В час пик (12: 00-13: 00) индекс загруженности составляет 0,7, что выше, чем в любое время суток. В вечерний час пик (примерно с 18:00 до 20:00) индекс загруженности составляет 1,0.

На рис. 5 показаны изменения индекса загруженности по выходным. Этот рисунок показывает, что поведение в выходные дни сильно отличается от будних дней.

На рис. 6 показано распределение трафика по разным дорогам. 7-я авеню работает без перебоев с 9:00 до 10:00, загружена с 10:00 до 17:00 и сильно загружена с 17:00 до 19:00. Дорога 9-й авеню загружена с 8 до 9 утра, с 14:00 до 15:00 и с 18 до 19 часов. Дорога IJP, которая обычно заполнена логистическими грузовиками, сильно загружена с 10:00 до 22:00. Jinnah Ave, который проходит через главный деловой район, загружен с 14:00 до 15:00 и с 18:00 до 19:00. Кашмирское шоссе, которое используется в основном офисными работниками, загружено с 17:00 до 19:00.

Выбор модели

На первом этапе, т.е. на входе, используются погодные условия, период времени, особые условия и праздничные дни в качестве входных переменных модели для построения модели прогнозирования дорожного движения. Модуль извлечения функций используется для извлечения информации из вкладов модуля ввода и создания огромного набора данных. Модуль алгоритмов машинного обучения используется для применения различных алгоритмов машинного обучения, например Случайный лес, усиление XG, повышение градиента, KNN SVM и так далее. Мы применили различные алгоритмы машинного обучения и настроили их соответствующие параметры для получения оптимальных результатов.Мы выяснили, что алгоритмы на основе дерева работают лучше, чем другие. Поэтому мы оптимизировали наши результаты для различных древовидных алгоритмов. Следующие алгоритмы на основе дерева решений дали многообещающие результаты:

Случайный лес

Случайные леса или леса случайных решений — это метод обучения ансамбля для классификации, регрессии и других задач, который работает путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов (классификация) или средним прогнозом (регрессия). ) отдельных деревьев.

Псевдокод алгоритма случайного леса имеет следующий вид:

  1. Случайным образом выберите отличительный атрибут «L» из общего количества «n» атрибутов.
  2. Где L меньше n.
  3. Среди отличительного атрибута «L» вычислите узел «m», используя самую точную точку разделения.
  4. Разделите узел на дочерние узлы, используя наилучшее разбиение.
  5. Повторяйте от 1 до 3 шагов, пока не будет достигнуто «l» количество узлов.
  6. Постройте лес, повторяя шаги с 1 по 4 для «k» количество раз, чтобы создать «k» деревьев.

XGBoost

При повышении деревья строятся последовательно, так что каждое последующее дерево стремится уменьшить ошибки предыдущих деревьев. Каждое дерево обновляет остаточные ошибки и учится у своих предшественников. Следовательно, дерево, которое развивается следующим в структуре, будет учиться у реорганизованной версии своих предшественников. XGBoost (eXtreme Gradient Boosting) — это расширенная реализация алгоритма повышения градиента. Это идеальное сочетание методов оптимизации программного и аппаратного обеспечения для получения превосходных результатов с использованием меньших вычислительных ресурсов в кратчайшие сроки.XGBoost используется для обработки отсутствующих значений и обеспечения регуляризации, чтобы избежать переобучения и смещения, а также обеспечивает встроенную перекрестную проверку.

Повышение градиента

Это особый случай повышения, когда ошибки минимизируются алгоритмом градиентного спуска. Он используется для минимизации ошибок в последовательной модели.

Результаты и обсуждения

Набор данных состоит из 9 атрибутов, названных День (день недели), Системное время (текущее время), Погода (погодные условия), Время (часы пик / непиковые часы), Праздник (да / нет), Особые условия (см. любое условие, которое может вызвать увеличение трафика e.грамм. аварии), начальное местоположение, конечное местоположение и имя Fastest_Route_Name. Он состоит из 1 целевой переменной с именем «Состояние» (состояние перегруженности участка дороги, т. Е. Ровная, слегка загруженная, перегруженная, сильно загруженная или заблокированная). Набор данных состоит из 1048576 записей и девяти сегментов. Атрибуты дня и системного времени собираются непосредственно из системы. Информация о погоде собирается через API OpenWeatherMap, а время, выходные и особые условия собираются вручную от пользователя сервера через определенные интервалы.

Данные о трафике извлекаются из API Карт Google, с помощью которого Starting_Location, Destination_Location, Fastest_Route_Name и Fastest_Route_Time (временная переменная) формируются из ответа (JSON) API Карт Google из 123 точек сбора.

В таблице 3 показано, что древовидное семейство дает наиболее многообещающие результаты, а SVM не дает хороших результатов.

Используемая метрика оценки — это перекрестная проверка K-кратности, которая делит данные на кратности, а затем обучает данные для общего минус 1 кратности и прогнозирует для нетренированных кратностей и вычисляет ее оценку точности.Процесс повторяется до тех пор, пока каждая складка не будет оценена. Наконец, оценка точности для каждой складки усредняется в конце для расчета оценки перекрестной проверки. В этой реализации для оценки моделей используются 10 кратных оценок. Оценки нескольких алгоритмов с перекрестной проверкой отображаются в виде столбчатой ​​диаграммы.

На рис. 7 показано, что случайный лес дает наивысшую точность по сравнению с другими моделями древовидных семейств и классическими методами обучения с учителем. Точность различных алгоритмов показана ниже:

Мы также заметили, что погодные условия лишь незначительно влияют на точность алгоритмов.В Исламабаде нет суровой погоды, такой как снегопады. Воздействие погоды, вероятно, усилится, если будут использоваться более точные данные с метеостанций региона. На рис. 8 показано влияние погоды на точность используемых алгоритмов. Мы провели эксперименты с интеграцией источника данных о погоде с источником данных ETA. Благодаря интеграции источников данных о погоде результаты улучшаются, особенно результаты повышения градиента улучшаются с 76 процентов до 83 процентов, тогда как другие модели немного улучшили свою точность.«Случайный лес» может повысить точность с 91 до 92 процентов. Данные о погоде были получены из API OpenWeather, который обеспечивает прогнозирование по городу и не имеет высокого пространственного разрешения. Весьма вероятно, что если бы данные о погоде были получены с метеостанций, размещенных поблизости от дорог, результаты были бы намного лучше.

На рис. 9 показаны метки, распределенные по будням и выходным. Всего у нас 1048575 экземпляров, из которых 235284 экземпляра — выходные, а 813291 — будние дни.В выходные дни 121946 экземпляров относятся к классу плавности, 16880 экземпляров относятся к слегка перегруженным, 14662 — к перегруженным, 79580 — к сильно загруженным и 2216 относятся к примерам с блокировками. С другой стороны, 325419 относится к плавным, 71504 — слегка перегруженным, 69794 — перегруженным, 325027 — сильно перегруженным и 21547 — к классу блокировки в будние дни.

Мы провели эксперименты, чтобы сравнить выходные и будние дни. Результаты, представленные на рис. 10, показывают, что модели дают лучшую точность в выходные дни по сравнению с рабочими днями.Интересно отметить, что Исламабад, являющийся столицей Пакистана, привлекает много трафика через другие города, особенно в пятницу днем ​​и по воскресеньям, поскольку большое количество людей работают в Исламабаде.

Поскольку наш набор данных представляет собой дисбаланс, мы нарисовали кривые PR для анализа производительности. Кривые PR выходных данных для лучших алгоритмов подсчета очков показаны на рис. 11. В этой кривой PR класс 0 означает плавный, класс 1 означает слегка перегруженный, класс 2 означает перегруженный, класс 3 означает сильно перегруженный, а класс 4 означает блокировку.

Случайный лес дает лучшую точность, т.е. 92 процента среди многих классификаторов. В случае Random Forest кривая PR для классов, представляющих гладкость и засорение, почти идеальна, приближаясь к 1. Это указывает на исключительно высокую точность.

Подробная разбивка наиболее эффективного алгоритма Random Forest с точки зрения точности, отзывчивости, оценки F1 и поддержки приведена в таблице 4. KNN дает аналогичные результаты с точностью 91%. Общая производительность KNN практически идентична производительности Random Forest.XGBoost также дает хорошие результаты, но требует гораздо больше времени на обучение по сравнению с Random Forest.

Алгоритм

Gradient Boost в этом случае не очень хорош по сравнению с другими древовидными алгоритмами и может обеспечить точность только 83%. В случае Gradient Boost не имеет возможности динамически оптимизировать параметры производительности. XGBoost, который представляет собой расширенную версию Gradient Boost, с другой стороны, может самостоятельно динамически оптимизировать параметры производительности.

В таблице 5 показаны результаты XGBoost после настройки параметров. Гиперпараметр XGBoost включает цели, количество оценок, скорость обучения и максимальную глубину. XGBoost лучше всего работает с малым числом оценок n и малой глубиной. Функция потерь Binary: logistic, кажется, работает лучше других в сочетании с максимальной глубиной 2, скоростью обучения 1 и n оценками 40. В таблице 6 перечислены результаты Gradient Boost после настройки параметров. Максимальная точность составляет 83 процента, что представляет собой комбинацию скорости обучения, равной 1, максимальной глубины 2 и максимальных характеристик 9.

На рис. 12 показана матрица ошибок наиболее эффективного алгоритма, то есть случайного леса. На этой диагонали рисунка показаны Истинно Положительные элементы. Класс 0, который представляет собой плавный трафик, показывает 0,95 истинных положительных элементов, тогда как класс 1, который представляет собой слегка перегруженный, имеет 0,86, класс 2, который отображает перегруженность, имеет 0,81, класс 3, который представляет собой перегруженный трафик, имеет 0,91, а класс 4, который означает заблокированный, имеет 0,95 истинных положительных элементов. Таким образом средства сглаживания и блокировки показывают высочайшую точность.Мы решили представить матрицу неточностей для наиболее эффективного алгоритма. Второй по эффективности алгоритм XGBoost дает аналогичные результаты.

В таблице 5 показано, как XG Boost динамически оптимизирует параметры. Asit использует подход «один против всех», мы видим, что maxdepth 2 дает наиболее многообещающие результаты. XG Boost содержит гиперпараметры, такие как цель, которая является функцией потерь, n оценок, скорость обучения и Maxdepth. В XG Boost, цель Binary: Logistic, n оценок = 40, скорость обучения 01, максимальная глубина 2 дает точность 91%.

В таблице 6 Gradient Boost содержит гиперпараметры, такие как скорость обучения, максимальная глубина и максимальные характеристики. Скорость обучения гиперпараметров Gradient Boost 01, максимальная глубина = 3 и максимальное количество функций = 9 обеспечивают точность 83%. Мы выбираем максимальную глубину 3, потому что набор данных содержит 9 функций, а поскольку скорость обучения означает размер шага, самый быстрый размер шага равен 1. В случае гиперпараметра максимальное количество функций равно девяти.

В таблице 7 KNN содержит два гиперпараметра, то есть n соседей и весов.Вес — это мера расстояния, которая используется для поиска ближайших соседей. В KNN комбинация гиперпараметров с n соседями = 05 и весами = равномерными обеспечивает точность 91%. Мы выбираем n соседей 5, потому что набор данных содержит 5 меток или классов.

Заключение

Получив набор данных из Google Maps API, в этом исследовании в качестве примера была проведена оценка дорожных заторов и прогнозирование города Исламабад. В этом документе в качестве индикатора оценки состояния дорожной сети используется индекс загруженности, основанный на расчетном времени прибытия, и, таким образом, состояние дорожного движения распределяется по пяти категориям — от плавности до блокировки.Мы интегрировали набор данных о трафике с набором данных о погоде и применили различные алгоритмы машинного обучения. Поскольку алгоритмы, основанные на дереве решений, дали наилучшие результаты, мы дополнительно специализируемся на этом классе алгоритмов. Мы выяснили, что Random Forest и XG Boost обеспечивают лучшие результаты. В будущем мы планируем объединить данные GPS с устройств слежения с данными о времени прибытия движения и изучить результаты.

Ссылки

  1. 1. Чан Н. Д., Шахин С. А. (2012).Райдшеринг в Северной Америке: прошлое, настоящее и будущее. Транспортные обзоры, 32 (1), 93–112.
  2. 2. Кандел А., Пармар В., ЛеДелл Э., Арора А. (2017). Глубокое обучение с h3O (2016).
  3. 3. Гренгс Дж., Левин Дж., Шен К., Шен К. (2010). Сравнение транспортной доступности между мегаполисами: определение мобильности и близости в Сан-Франциско и Вашингтоне. ОКРУГ КОЛУМБИЯ. Журнал планирования образования и исследований, 29 (4), 427–443.
  4. 4. Сладкий М.Н. (2014). Бегут ли фирмы от заторов на дорогах ?. Журнал транспортной географии, 35, 40–49.
  5. 5. Тален Э., Кощинский Я. (2013). Прогулочный район: обзор литературы. Международный журнал устойчивого землепользования и городского планирования, 1 (1).
  6. 6. Мишра С., Бхаттачарья Д., Гупта А. (2018). Адаптивный контроллер времени цикла светофора с использованием микроконтроллеров и данных краудсорсинга Google Apis для развивающихся стран.
  7. 7. Мишра С., Бхаттачарья Д., Гупта А. (2018). Архитектура адаптивного управления светофором и уведомлений при перегрузке с использованием API Карт Google. Данные, 3 (4), 67.
  8. 8. Ван Ф., Сюй Ю. (2011). Оценка матрицы времени в пути O – D с помощью Google Maps API: реализация, преимущества и последствия. Анналы ГИС, 17 (4), 199–209.
  9. 9. Рахман, М. М., Шуво, М. М., Забер, М. И., Али, А. А. (2018, март). Анализ структуры трафика на основе данных GPS: пример города Дакка. В 2018 году Международная конференция IEEE по электронике, вычислительным и коммуникационным технологиям (CONECCT) (стр.1-6). IEEE.
  10. 10. Чен, Ю. Ю., Львов, Ю., Ли, З., Ван, Ф. Ю. (2016, ноябрь). Модель долгосрочной краткосрочной памяти для прогнозирования загруженности дорог с открытыми онлайн-данными. В 2016 г. 19-я Международная конференция IEEE по интеллектуальным транспортным системам (ITSC) (стр. 132–137). IEEE.
  11. 11. Осман, М. С. Б., Кео, С. Л., Тан, Г. (2017, сентябрь). Эффективное планирование поездок и прогнозирование загруженности с помощью глубокого обучения. В 2017 г. на Международной конференции умных городов (ISC2) (стр.1-6). IEEE.
  12. 12. Соэ, Н.С., Тейн, Т.Л.Л. (сентябрь 2018 г.). Эффективный метод оптимальной системы маршрутов для транспортировки (Янгон). В 2018 году 18-й Международный симпозиум по связи и информационным технологиям (ISCIT) (стр. 327-332). IEEE.
  13. 13. Капур, В., Саксена, Д., Райчоудхури, В., Кумар, С. (2018, март). Построение и поддержка графа причинных перегрузок в реальном времени для интеллектуального управления трафиком. В 2018 IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops) (стр.770-775). IEEE.
  14. 14. Лю Ю., Ву Х. (2017, декабрь). Прогнозирование загруженности дорог на основе случайного леса. В 2017 году 10-й Международный симпозиум по вычислительному интеллекту и дизайну (ISCID) (том 2, стр. 361-364). IEEE.
  15. 15. Дхивья Бхарати Б., Анил Кумар Б., Ачар А., Ванаджакши Л. (2020). Прогнозирование времени в пути на автобусе: подход логнормального авторегрессионного (AR) моделирования. Transportmetrica A: Transport Science, 16 (3), 807–839.
  16. 16.Сервос Н., Лю X., Тьюке М., Фрейтаг М. (2020). Прогнозирование времени в пути в мультимодальных грузовых перевозках с использованием алгоритмов машинного обучения. Логистика, 4 (1), 1.
  17. 17. Сунь Н., Ши Х., Хань Г., Ван Б., Шу Л. (2020). Алгоритмы динамического планирования пути с балансировкой нагрузки на основе прогнозирования данных для интеллектуальных транспортных систем. IEEE Access, 8, 15907–15922.
  18. 18. Тан Х., Ву Ю., Шен Б., Джин П. Дж., Ран Б. (2016). Краткосрочное прогнозирование трафика на основе завершения динамического тензора.IEEE Transactions по интеллектуальным транспортным системам, 17 (8), 2123–2133.
  19. 19. Лю Х., Сюй Х., Янь Ю., Цай З., Сунь Т., Ли В. (2020). Прогнозирование времени прибытия автобуса на основе LSTM и пространственно-временного вектора признаков. IEEE Access, 8, 11917–11929.
  20. 20. Сюй Х., Ин Дж. (2017). Прогнозирование времени прибытия автобуса с данными в реальном времени и историческими данными. Кластерные вычисления, 20 (4), 3099–3106.
  21. 21. Мин, В., Винтер, Л. (2015). Патент США № 9 177 473.Вашингтон, округ Колумбия: Бюро по патентам и товарным знакам США.
  22. 22. Нур Р. М., Йик Н. С., Коландаисами Р., Ахмеди И., Хоссейн М. А., Яу К. Л. А. и др. (2020). Прогнозируйте время прибытия с помощью алгоритма машинного обучения для продвижения использования городских интеллектуальных автобусов.
  23. 23. Борхан М. Н., Сямсунур Д., Мохд Ахир Н., Язид М., Разуханафи М., Исмаил А. и др. (2014). Прогнозирование использования общественного транспорта: пример из Путраджайи, Малайзия. Научный мировой журнал, 2014.
  24. 24. Чен X. М., Захири М., Чжан С. (2017). Понимание расщепляющего поведения сервисов поездок по требованию: комплексный подход к обучению. Транспортные исследования, часть C: Новые технологии, 76, 51–70.
  25. 25. Лю Л., Чен Р. С. (2017). Новая модель прогнозирования пассажиропотока с использованием методов глубокого обучения. Транспортные исследования, часть C: Новые технологии, 84, 74–91.
  26. 26. Ван Дж., Цапакис И., Чжун К. (2016). Модель нейронной сети с пространственно-временной задержкой для прогнозирования времени в пути.Инженерные приложения искусственного интеллекта, https://www.overleaf.com/project/5e0473203b158000012c130b 52. 145–160.
  27. 27. Мондшайн А., Тейлор Б. Д. (2017). Переоценена загруженность дорог? Изучение весьма изменчивого воздействия заторов на поездки и доступность. Журнал транспортной географии, 64, 65–76.
  28. 28. Гал А., Мандельбаум А., Шницлер Ф., Сендерович А., Вайдлих М. (2017). Прогнозирование времени в пути при регулярных перевозках с сегментами поездки.Информационные системы, 64, 266–280.
  29. 29. Ян X., Цзоу Ю., Тан Дж., Лян Дж., Иджаз М. (2020). Оценка краткосрочного прогнозирования скорости на автостраде на основе периодического анализа с использованием статистических моделей и моделей машинного обучения. Journal of Advanced Transportation, 2020.
  30. 30. Zhao L., Song Y., Zhang C., Liu Y., Wang P., Lin T. и др. (2019). T-gcn: сверточная сеть с временным графом для прогнозирования трафика. IEEE Transactions по интеллектуальным транспортным системам.
  31. 31. Ван Дж., Ши К. (2013). Гибридная модель краткосрочного прогнозирования скорости движения, основанная на хаос-вейвлет-анализе и теории опорных векторных машин. Транспортные исследования, часть C: Новые технологии, 27, 219–232. Транспортные системы.
  32. 32. Цзоу Ю., Хуа X., Чжан Ю., Ван Ю. (2015). Гибридные краткосрочные методы прогнозирования скорости на автостраде на основе периодического анализа. Канадский журнал гражданского строительства, 42 (8), 570–582.
  33. 33. Ли, Дж., Хонг, Б., Ли, К., Джанг, Ю. Дж. (2015, декабрь). Модель прогнозирования заторов на дорогах с использованием данных о погоде. В 2015 году Международная конференция IEEE по науке о данных и системам обработки данных (стр. 81-88). IEEE.

Как искусственный интеллект и машинное обучение используются для уменьшения заторов на дорогах

Бостонцы в 2018 году провели в среднем 164 часа, сидя в своих транспортных средствах, медленно двигаясь в никуда, потеряв за эту привилегию 2291 доллар личной ценности. В ответ планировщики теперь используют ИИ и машинное обучение.

Трафик не просто плохой. На самом деле становится хуже.

Как вы думаете, там, где вы живете, плохое движение? Попробуйте переехать в Бостон, где пассажиры пригородных поездов страдают от самых сильных заторов на автомагистралях в стране. Жители города Новой Англии в прошлом году проводили в среднем 164 часа, сидя в своих машинах, медленно двигаясь в никуда, потеряв за эту привилегию целых 2291 доллар личной ценности.

И это ничто по сравнению с городом, который оказался проклятым из-за наихудших на планете перекрытий на автомагистралях.Известно, что в прошлом году москвичи теряли в пробках в среднем 210 часов каждый год.

Это согласно данным компании INRIX, предоставляющей услуги по подключению автомобилей, из Киркленда, штат Вашингтон, и ее годовой карты Global Traffic Scorecard. Он основан на исследовании тенденций загруженности и мобильности более чем в 200 городах в 38 странах. Здесь, в Америке, исследование показало, что в прошлом году пассажиры по всей стране в среднем тратили 97 часов в пробках, что в среднем обходилось в 1348 долларов на одного автомобилиста. Это приводит к ошеломляющим потерям 87 миллиардов долларов по всей стране из-за заторов на дорогах.

В ответ планировщики теперь используют искусственный интеллект (AI) и машинное обучение (ML) для уменьшения заторов на дорогах.

Пока не существует единого решения, способного решить проблемы мирового трафика. В каждом городе есть обширный и уникальный набор проблем, которые в совокупности создают заторы и тупик. Чтобы их исправить с помощью ИИ и машинного обучения, требуются целевые решения.

Сегодня

Cities изучают облачные платформы на базе искусственного интеллекта и машинного обучения, которые беспрепятственно соединяют поставщиков мобильных услуг, транспортные средства, водителей и путешественников, чтобы оптимизировать работу автопарка.

Думайте об этих платформах как о диспетчерской вышке для флотов.

Эти платформы позволяют поставщикам услуг мобильной связи предоставлять транспортные услуги, предоставляя большой набор функций планирования, надзора, координации, прогнозирования и бизнес-аналитики для парков гибридных автомобилей.

Это мероприятие потребует надзора со стороны самих городов и муниципалитетов, которые будут использовать сторонние платформы для управления всей системой, а не контролировать ее со стороны частных поставщиков, таких как современные бренды услуг по вызову пассажиров.

Другие решения ориентированы на конкретные проблемы, но все же имеют потенциал для немедленного воздействия. Возьмем, к примеру, непредсказуемые разводные мосты Майами. Подсчитано, что пассажиры останавливаются от 10 до 20 минут, если им посчастливилось застрять в ожидании открытия и сброса одной из них.

Во всем мире появляются решения некоторых из самых серьезных проблем с дорожным движением. И хотя многие люди сами сосредоточились на технологиях самоуправляемых автомобилей, именно платформа на базе искусственного интеллекта и машинного обучения вдохновляет на революцию в транспортных системах.

Эти платформы используются для управления самоуправляемыми, управляемыми людьми, общественными и частными транспортными средствами в связанной системе автопарков. Гениальность системы заключается в способности не только программировать определенные транспортные средства по определенным маршрутам, но и обеспечивать координацию транспортных средств, чтобы они могли работать вместе как единый парк. Эти платформы служат проводником или диспетчерской вышкой для каждого транспортного средства.

В этой связи платформа на базе искусственного интеллекта и машинного обучения позволяет операторам транспортных средств планировать, развертывать и управлять услугами с использованием любого типа или марки транспортного средства.Такое сочетание автопарков позволяет поставщикам услуг мобильности предлагать услуги, которые нужны путешественникам, такие как вызов такси, роботакси, микротранзит и автономные шаттлы — все, чтобы люди могли добраться из пункта A в пункт B наиболее эффективным способом.

Этот способ передвижения выгоден всем водителям. Например, компании общественного транспорта будут использовать платформу вместе с парками автономных и управляемых людьми транспортных средств для предоставления услуг первой и последней мили на железнодорожные и автобусные станции, чтобы сделать повседневный общественный транспорт более удобным.Частные сервисы такси также будут использовать платформу для предложения своих услуг, а услуги автономного шаттла будут перемещать людей по большим запланированным общинам.

В дополнение к использованию технологий искусственного интеллекта и машинного обучения для управления платформой, чтобы она постоянно улучшала свой интеллект и точность, платформа не зависит от транспортных средств, так что она поддерживает как управляемые человеком транспортные средства, так и автономные транспортные средства, которые будут все чаще использоваться. в будущем.

Когда все эти технологии объединятся на одной платформе, города и прилегающие городские районы смогут пользоваться общими услугами по запросу в обстановке, которая не только более удобна, чем личное вождение, но и уменьшит заторы на дорогах в этих районах.

Рафаэль Гиндрат — соучредитель Bestmile. В качестве генерального директора он является исполнительным руководителем деловых и технических групп компании. Он является пионером в мире автономной мобильности, возглавляя проект со Швейцарским федеральным технологическим институтом (EPFL) в Лозанне с соучредителем Анн Меллано по тестированию и эксплуатации некоторых из первых проектов автономных транспортных средств в Европе, после чего организаторы автономной мобильности проекты со всего мира запросили их опыт в определении и управлении испытаниями автономной мобильности.Он активен во многих глобальных отраслевых организациях, включая Tech Pioneers Всемирного экономического форума.

Данные водителей UBER помогают отслеживать и потенциально снижать загруженность городского транспорта — ScienceDaily

Новый алгоритм машинного обучения готов помочь аналитикам в области городского транспорта устранять узкие места и узкие места, которые постоянно мешают городскому движению.

Инструмент под названием TranSEC был разработан в Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США, чтобы помочь инженерам городского транспорта получить доступ к действенной информации о схемах движения в их городах.

В настоящее время общедоступная информация о дорожном движении на уровне улиц является скудной и неполной. Инженеры по дорожному движению обычно полагались на отдельные подсчеты трафика, статистику столкновений и данные о скорости для определения состояния дороги. Новый инструмент использует наборы данных о дорожном движении, собранные от водителей UBER, и другие общедоступные данные датчиков дорожного движения для отображения потоков уличного трафика с течением времени. Он создает общую картину городского движения с использованием инструментов машинного обучения и вычислительных ресурсов, имеющихся в национальной лаборатории.

«Что здесь нового, так это оценка уровня улиц в большом мегаполисе, — сказал Ариф Хан, специалист по информатике из PNNL, который участвовал в разработке TranSEC. «И в отличие от других моделей, которые работают только в одном конкретном районе метро, ​​наш инструмент является портативным и может применяться в любом городском районе, где доступны агрегированные данные о трафике».

UBER-fast анализ трафика

TranSEC (что означает возможность оценки состояния транспорта) отличается от других методов мониторинга трафика своей способностью анализировать разреженную и неполную информацию.Он использует машинное обучение для соединения сегментов с недостающими данными, что позволяет делать оценки уровня улиц почти в реальном времени.

В отличие от этого, функции карты на наших смартфонах могут помочь нам оптимизировать наше путешествие по городскому ландшафту, указывая узкие места и предлагая альтернативные маршруты. Но инструменты для смартфонов работают только с отдельным водителем, пытающимся добраться из пункта А в пункт Б. Инженеры городского движения озабочены тем, как помочь всем транспортным средствам эффективно добраться до места назначения.Иногда маршрут, который кажется эффективным для отдельного водителя, приводит к тому, что слишком много транспортных средств пытаются выехать на дорогу, которая не предназначена для обработки такого объема движения.

Используя общедоступные данные со всей столичной зоны Лос-Анджелеса площадью 1500 квадратных миль, команда сократила время, необходимое для создания модели загруженности дорог, на порядок, с часов до минут. Ускорение, достигаемое за счет высокопроизводительных вычислительных ресурсов в PNNL, делает возможным анализ трафика в режиме, близком к реальному времени.Исследовательская группа недавно представила этот анализ на виртуальном семинаре по городским вычислениям в августе 2020 года в рамках конференции по обнаружению знаний и интеллектуальному анализу данных (SIGKDD), а в сентябре 2020 года они запросили мнение инженеров по дорожному движению на виртуальной встрече на TranSEC.

«TranSEC может инициировать смену парадигмы в том, как специалисты по дорожному движению отслеживают и прогнозируют производительность мобильности системы», — сказал Марк Франц, участник встречи и инженер-исследователь Центра передовых транспортных технологий Университета Мэриленда, Колледж-Парк.«TranSEC преодолевает пробелы, присущие устаревшим методам сбора данных, и обладает огромным потенциалом».

Машинное обучение со временем повышает точность

Функция машинного обучения TranSEC означает, что по мере сбора и обработки большего количества данных они со временем становятся более точными и полезными. Этот вид анализа используется для понимания того, как нарушения распространяются по сети. При наличии достаточного количества данных элемент машинного обучения сможет прогнозировать воздействия, чтобы инженеры по дорожному движению могли создавать корректирующие стратегии.

«Мы используем модель на основе графов вместе с новыми методами выборки и механизмами оптимизации, чтобы узнать как время в пути, так и маршруты», — сказал Арун Сатанур, ученый-компьютерщик PNNL и ведущий исследователь в команде. «Этот метод имеет значительный потенциал для распространения на другие виды транспорта, такие как транзитные и грузовые перевозки. В качестве аналитического инструмента он способен исследовать распространение условий движения».

Благодаря подходу PNNL, основанному на данных, пользователи могут загружать данные в реальном времени и регулярно обновлять TranSEC в центре управления транспортировкой.Инженеры могут использовать краткосрочные прогнозы для поддержки принятия решений для управления проблемами трафика. Подход PNNL также можно расширять, чтобы включить в него данные о погоде или другие данные, влияющие на дорожные условия.

Вычислительная мощность для планировщиков перевозок по всей стране

Точно так же, как ситуационная осведомленность об условиях влияет на решения отдельных водителей, подход TranSEC обеспечивает ситуационную осведомленность на общесистемной основе, что помогает уменьшить загруженность городского транспорта.

«У инженеров по дорожному движению по всей стране не было инструмента, чтобы дать им оценку состояния транспортной сети в реальном времени», — сказал Роберт Ралло, специалист по информатике PNNL и главный исследователь проекта TranSEC.«Возможность предсказать условия на час или более вперед была бы очень ценной, чтобы знать, где будут заторы».

Хотя для запуска полномасштабной модели города по-прежнему требуются высокопроизводительные вычислительные ресурсы, TranSEC масштабируется. Например, дорожная сеть, состоящая только из основных автомагистралей и магистралей, может быть смоделирована на мощном настольном компьютере.

«Мы работаем над тем, чтобы сделать TranSEC доступным для муниципалитетов по всей стране», — сказала Кэтрин Вольф, менеджер проекта TranSEC.

В конце концов, после доработки, TranSEC может быть использован для программирования маршрутов автономных транспортных средств, по мнению исследовательской группы.

Видео: https://www.youtube.com/watch?v=8S4bLv9CtOo

Проект был поддержан Управлением по энергоэффективности и возобновляемым источникам энергии Управления автомобильных технологий Министерства энергетики США, программой Energy Efficient Mobility Systems Program.

Как Google Maps определяет наличие пробок

Если вы используете Google Maps для планирования поездок на работу или других поездок, вы могли заметить, насколько приложение способно прогнозировать загруженность дорог.Вы знаете, что самый быстрый выход из города — это съездить по шоссе, но Google говорит вам, что нужно ехать по грунтовым дорогам. Через несколько минут вы уже в пути, а шоссе забито. Должно быть, авария произошла за полчаса до этого, или дорожный блок был выставлен только для того, чтобы освободить место для проведения инфраструктурных работ. Вы счастливы, но в то же время не можете не задаться вопросом: «Как, черт возьми, им это удалось?»

Один из главных активов Google — это данные. Очень много. Если у вас включены службы определения местоположения (этого достаточно для Android) и открыты Карты Google (для устройств Apple), в Google будет подаваться поток анонимных битов, которые говорят о местоположении, относительной скорости и маршруте.Используя эти данные как от пассажиров автомобилей, так и от пешеходов, Google использует алгоритмы машинного обучения для прогнозирования пробок. Множество машин начали двигаться на 30% медленнее, чем следовало бы? Через пару минут Google предупредит вас об изменении маршрута — маршрута, который Google оптимизировал с учетом постоянно перемещающихся масс транспортных средств в режиме реального времени. Конечно, Google тоже может предсказывать будущее. Множество исторических данных наделяют Google способностью ясновидения. Этот прогноз сделан на основе данных, которые были доступны в тот же день, на прошлой неделе, в прошлом месяце или в прошлом году, в зависимости от того, был ли это государственный праздник, рабочий день или просто обычные выходные.Он даже может сказать, есть ли марафон только по данным о местоположении.

Конечно, данные о трафике поступают из нескольких источников, чтобы их можно было считать надежными. Помимо смартфонов, Google использует интеллектуальные датчики в ключевых местах и ​​данные от местных властей. Он также включает данные о трафике и происшествиях, поступающие от приложения Waze и его сообщества. Приложение для навигации Waze было куплено Google в 2013 году за 1 миллиард долларов.

По мере того, как все больше и больше водителей используют приложение, прогнозы трафика становятся более надежными, поскольку Карты Google могут определять среднюю скорость автомобилей, движущихся по одному и тому же маршруту, не принимая чью-то утреннюю кофейную остановку как пробку.Точно так же, если вы живете в городе или стране, где мало пользователей Google Maps, прогнозирование трафика будет плохим или вообще не будет активировано.

Google не одинок, хотя его приложение «Карты» является наиболее широко используемым. В настоящее время Microsoft работает над проектом прогнозирования трафика с избранными партнерами, чтобы помочь прогнозировать пробки на час вперед. Опять же, все дело в больших данных, обработке всех данных о трафике, включая исторические цифры, если таковые имеются, из транспортных отделов, дорожных камер, карт трафика Microsoft Bing и даже из социальных сетей водителей.

Недавний отчет показывает, что к 2030 году Америка потратит 2,8 триллиона долларов на пробки. Решение? Автомобили с автоматическим управлением (они едут стабильно и постоянно оптимизируют скорость по сравнению с другими автомобилями), решения для пробок, подобные тем, которые предлагают G Maps и Microsoft (пока все автомобили не станут самоуправляемыми) и, подождите, меньше машин. Да, лучшее решение проблемы пробок — отказаться от машины и начать пользоваться общественным транспортом.

(PDF) Обзор прогнозирования дорожных заторов с использованием искусственного интеллекта

[44] Дж.Чжао, «Исследования по прогнозированию состояния перегрузок на дорогах», в материалах

Proceedings of the MATEC Web of Conferences, Les Ulis,

France, 2015.

[45] С. Сан, Дж. Чен и Дж. Сан, «Прогнозирование пробок

на основе данных о траектории GPS», Международный журнал Dis-

tributed Sensor Networks, вып. 15, нет. 5, ID статьи

155014771984744, 2019.

[46] Й. Ци и С. Исхак, «Скрытая марковская модель для краткосрочного прогнозирования

условий движения на автострадах», Транспорт

Исследования, часть C: Новые технологии , т.43, pp. 95–111,

2014.

[47] Б. Цзян и Ю. Фэй, «Прогнозирование скорости движения и транспортного средства с помощью нейронной сети

и скрытой модели Маркова в транспортных сетях

», в Proceedings of симпозиум по интеллектуальным транспортным средствам IEEE

(IV) 2015 г., стр. 1082–1087, IEEE, Сеул, 2015 г.

[48] Г. Чжу, К. Сонг, П. Чжан и Л. Ван, «Транспортный поток» state

Модель перехода для городской дорожной сети на основе модели Маркова Hidden

// Нейрокомпьютинг.214, стр. 567–574,

2016a.

[49] Л. Чжу, Р. Кришнан, Ф. Го, Дж. Полак и А. Сивакумар,

«Раннее выявление повторяющихся заторов в неоднородном городском движении

», в Proceedings of the 2019 IEEE Intelligent

Конференция по транспортным системам (ITSC), стр. 4392–4397,

IEEE, Окленд, Новая Зеландия, октябрь 2019 г.

[50] Я. Се, К. Чжао, Я. Сан и Д. Чен, «Гауссовский процессы для краткосрочного прогнозирования объема перевозок

, Транспортный Re-

поиск Запись: Журнал Совета по исследованиям в области транспорта,

vol.2165, нет. 1, pp. 69–78, 2010.

[51] S. Jin, X. Qu, and D. Wang, «Оценка безопасности скоростного движения

с использованием модели смеси Гаусса на основе времени до столкновения. ”Международный журнал вычислительного интеллекта

Systems, vol. 4, вып. 6, pp. 1122–1130, 2011.

[52] Дж. Джун, «Понимание изменчивости распределения скоростей

в условиях смешанного движения, вызванного праздничным движением»,

Transportation Research Part C: Emerging Technologies,

т.18, нет. 4, pp. 599–610, 2010.

[53] С. Шилян, З. Чаншуй и Ю. Гоцян, «Байесовский сетевой подход

к прогнозированию транспортных потоков», Действия IEEE Trans-

по интеллектуальному транспорту Системы, т. 7, вып. 1,

pp. 124–132, 2006.

[54] Дж. Асенсио-Корт

es, E. Florido, A. Troncoso и F. Mart´

ınez-

´

Alvarez , «Новая методология прогнозирования заторов городского движения

с ансамблевым обучением», Soft Computing, vol.20,

нет. 11, pp. 4205–4216, 2016.

[55] Z. Zhu, B. Peng, C. Xiong, L. Zhang, «Кратковременное прогнозирование потока

с помощью линейной условной гауссовской байесовской сети

. ”Журнал передового транспорта, т. 50, нет. 6,

pp. 1111–1123, 2016.

[56] С. Ван, В. Хуанг и Х. К. Ло, «Расчет параметров дорожного движения

для сигнальных пересечений на основе комбинированного анализа ударных волн

и байесовской сети. , ”Транспорт

Исследование Часть C: Новые технологии, т.104, pp. 22–37,

2019.

[57] С. Ван, В. Хуанг и Х. К. Ло, «Объединение анализа ударной волны

и байесовской сети для оценки параметров движения —

на сигнальных перекрестках с учетом возврат очереди »,

Транспортные исследования. Часть C, Новые технологии,

т. 120, Article ID 102807, 2020.

[58] X. Wang, K. An, L. Tang и X. Chen, «Краткосрочное прогнозирование

объёма съезда с автострады на основе SVM и KNN», Inter-

национальный журнал транспортной науки и технологий,

т.4, вып. 3, pp. 337–352, 2015.

[59] Я. Лю, Х. Фэн, К. Ван, Х. Чжан и Х. Ван, «Прогноз

заторов на городских дорогах с использованием байесовской сети

подход, ”Процедуры — социальные и поведенческие науки, т. 138,

нет. C, pp. 671–678, 2014.

[60] Т. Ито и Р. Канеясу, «Прогнозирование перегрузки трафика с использованием поведения водителя

», в Proceedigs of the International Conference

on Knowledge based and Intelligent Information and Engi —

neering Systems, Марсель, Франция, 2017.

[61] К. Кумар, М. Парида и В. К. Катияр, «Краткосрочное прогнозирование потока

для негородской автомагистрали с использованием искусственной нейронной сети

», «Процедуры — социальные и поведенческие науки», т. 104,

pp. 755–764, 2013.

[62] К. Кумар, М. Парида и В.К. Катияр, «Краткосрочное прогнозирование потока

в гетерогенных условиях с использованием искусственной нейронной сети

», Транспорт. т. 30, нет. 4. С. 397–405, 2013.

[63] R.More, A. Mugal, S. Rajgure, RB Adhao, и

VK Pachghare, «Прогнозирование дорожного движения и управление заторами

с использованием искусственных нейронных сетей», в материалах

2016 International Conference on Computing, Analytics and

Security Trends (CAST), стр. 52–57, IEEE, Пуна, Индия, декабрь

,

, сентябрь 2016 г.

[64] К. Якобе де Науруа, К. Бурден, А. Стратулат, Э. Диас, и

J.-L. Верчер, «Обнаружение и прогнозирование сонливости водителя

с использованием моделей искусственной нейронной сети», Анализ аварий и предотвращение

, том.126, pp. 95–104, 2019.

[65] П. Кумар, С.П. Нигам и Н. Кумар, «Моделирование автомобильного шума

с использованием подхода искусственной нейронной сети», Trans-

, исследование по переносу, часть C: Новые технологии, т. 40,

pp. 111–122, 2014.

[66] В. Нурани, Х. Го

okçekus¸, И.К. Умар и Х. Наджафи, «Эмоциональная искусственная нейронная сеть

для прогнозирования транспортных средств.

дорожный шум, Наука об окружающей среде в целом, т.707,

стр. 136134, 2020.

[67] Т. Альгамди, К. Эльгаззар, М. Байуми, Т. Шараф и С. Шах,

«Прогнозирование загруженности дорог с использованием моделирования арима», в

Proceedings of the 2019 15th International Wireless Commu-

Конференция по коммуникациям и мобильным вычислениям (IWCMC),

стр. 1227–1232, IEEE, Танжер, Марокко, октябрь 2019 г.

[68] М. Чен, Х. Ю и Ю. Лю, » PCNN: глубокие сверточные сети

для краткосрочного прогнозирования транспортных перегрузок, IEEE

Transactions on Intelligent Transportation Systems, vol.19,

нет. 11, pp. 3550–3559, 2018.

[69] К. Ли, Ю. Ким, С. Джин и др., «Система визуальной аналитики для

, исследующих, контролирующих и прогнозирующих дорожное движение Конгес —

ции, IEEE Transactions on Visualization and Computer

Graphics, vol. 26, вып. 11, pp. 3133–3146, 2020.

[70] Х. Ван, Л. Лю, С. Донг, З. Цянь и Х. Вэй, «Новая работа

, кратковременная спецификация типа транспортного средства. прогнозирование скорости движения

Модель

через гибридную структуру EMD-ARIMA »,

Transportmetrica B: Transport Dynamics, vol.4, вып. 3,

pp. 159–186, 2016.

[71] XF Wang, XY Zhang, QY Ding и ZQ Sun,

«Прогнозирование объема трафика с помощью пространственно-временной модели ARIMA»,

Advanced Materials Research, т. 156-157, pp. 979–983, 2010.

[72] Л. Куи-Лин, З. Чун-Цзе и Х. Цзянь-Мин, «Краткосрочный трафик

Прогнозирование потока

с использованием методологии, основанной на ARIMA и

RBF-ANN », в материалах конференции Chinese Automation

Congress (CAC), 2017 г.

Разное

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *