Znanstveniki z umetno inteligenco natančneje napovedujejo obsežne prometne vzorce

Ni skrivnost, da je Los Angeles znan po svojih prometnih zastojih, ki so običajno prvi v raziskavah državnih prometnih žarišč. Ocene kažejo, da Angelinos preživi dodatnih 120 ur na leto v njih. Čeprav je nočna mora za voznike, ima L.A. transportni sistem svoje prednosti, če načrtujete nov sistem za hitro napovedovanje in potencialno preusmeritev prometa.



Raziskovalci iz Nacionalnega laboratorija Argonne pri ameriškem ministrstvu za energijo (DOE) so se lotili prav tega pod okriljem večjega projekta o načrtovanju in načrtovanju sistemov za mobilnost, ki so ga vodili sodelavci iz DOE-jevega nacionalnega laboratorija Lawrence Berkeley (LBNL).


Z uporabo tehnike umetne inteligence (AI), imenovane strojno učenje, je ekipa izkoristila Argonnove superračunalnike za prebavo vzorcev prometa iz skoraj letos vrednih podatkov, pridobljenih s 11.160 senzorji vzdolž velikega kalifornijskega avtocestnega sistema. Te informacije so bile nato uporabljene za usposabljanje modela za napovedovanje prometa z bliskovito hitrimi hitrostmi - zagotovo hitreje kot promet L.A. V milisekundah si lahko model ogleda preteklo uro podatkov in z veliko natančnostjo napove naslednjo uro prometa.


V sodelovanju s člani oddelka za matematiko in računalništvo Argonne (MCS) in Argonne Leadership Computing Facility (ALCF), uporabniškega urada DOE Office of Science, je ekipa dosegla izjemne rezultate pri napovedovanju prometa, nedavno pa je te rezultate objavila v Transport Research Record: Journal odbora za raziskave prometa.


"Zmogljivosti umetne inteligence in superračunalništva, ki so bile uporabljene pri tem delu, nam omogočajo, da se spopademo z res velikimi težavami," je povedala Prasanna Balaprakash, računalniška znanstvenica v MCS s skupnim imenovanjem v ALCF. "Obseg tega projekta je velik in za to količino podatkov je potreben enako velik računalniški vir."


Z uporabo računalniških virov svetovnega razreda ALCF so znanstveniki drastično zmanjšali število računalniških ur, potrebnih za urjenje modela. Na primer, kadar bi za usposabljanje modela napovedovanja prometa morda potreboval vrhunski namizni računalnik na teden, lahko isti postopek v treh urah izvedemo na superračunalniku.


Izkoristi moč globokega učenja na osnovi grafov - zapletene oblike strojnega učenja, ki lahko skoraj samodejno sprejema odločitve in izboljša napovedi modela - njihov model uporablja zgodovinske podatke za napovedovanje vzorcev prometa, hkrati pa napoveduje hitrost in pretok hkrati. To je pomembno, ker so prometni tokovi na enem območju v določenem trenutku odvisni od hitrosti in pretoka prometa v bližini.


"Pristopi za napovedovanje prometa so ključnega pomena za razvoj prilagodljivih strategij prevoza," je povedal Eric Rask, nekdanji glavni raziskovalni inženir iz Argonnovega centra za raziskave prometa in eden od znanstvenikov, vključenih v študijo. "Prometni vzorci imajo zapletene prostorske in časovne odvisnosti, zaradi katerih je natančno napovedovanje velikih avtocestnih omrežij zahtevna naloga."


Ekipa ni zajela le te dinamike, temveč jo je dosegla v omrežju z dramatično več senzorji in lokacijami predvidevanja kot prejšnji modeli napovedovanja prometa, je opozoril Rask. In z razdelitvijo velikega omrežja na več manjših, so lahko vsak del mreže usposobili samostojno, kar je močno povečalo hitrost in učinkovitost modela.


Prejšnji modeli so lahko obdelovali podatke s samo 200-300 lokacij senzorjev; toda s to novo metodo razdeljevanja grafov je ekipa lahko obdelala podatke z več kot 11.000 lokacij, hkrati pa je za čas velikosti zmanjšala čas treninga modela. Ta metoda ni bila le hitra, lahko je natančno napovedala hitrost prometa eno uro v prihodnost, običajno znotraj 6 mph od opažene hitrosti na katerem koli mestu v omrežju.


"Obseg in natančnost tehnik napovedovanja lahko omogočita boljše odločanje," je povedala Tanwi Mallick, podoktorska imenovanka v MCS in prva avtorica projekta.


Mallick in njeni sodelavci verjamejo, da je model mogoče zlahka vključiti v centre za upravljanje prometa in tako zagotoviti nadzornikom prometa boljše sredstvo za odzivanje na prometne zastoje in njihovo preusmeritev. 

Share:

0 Comments:

Post a Comment