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.

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

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.

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.

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

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

с использованием методологии, основанной на ARIMA и

RBF-ANN », в материалах конференции Chinese Automation

Congress (CAC), 2017 г.