一種新的機器學習算法已經準備就緒，可以幫助城市交通分析人員緩解經常困擾城市交通的瓶頸和瓶頸。該工具名為TranSEC，是由美國能源部太平洋西北國家實驗室開發(fā)的，旨在幫助城市交通工程師獲得有關其城市交通模式的可行信息。

當前，街道上可公開獲得的交通信息稀疏且不完整。交通工程師通常依靠孤立的交通流量，碰撞統(tǒng)計數據和速度數據來確定道路狀況。新工具使用從UBER驅動程序收集的交通數據集和其他公共可用的交通傳感器數據來繪制一段時間內的街道交通流量圖。它使用機器學習工具和國家實驗室提供的計算資源來繪制城市交通的全景圖。

PNNL計算機科學家Arif Khan說，“這里的新穎之處在于對大城市區(qū)域的街道水平估計。” “與僅在一個特定都市區(qū)域中工作的其他模型不同，我們的工具是便攜式的，可以應用于可提供匯總交通數據的任何市區(qū)。”

UBER快速流量分析

TranSEC(代表運輸狀態(tài)估計功能)通過分析稀疏和不完整信息的能力而與其他交通監(jiān)控方法區(qū)分開來。它使用機器學習來將缺失的數據與路段聯系起來，從而使其能夠進行接近實時的街道水平估計。

相比之下，智能手機上的地圖功能可以幫助我們優(yōu)化穿越城市景觀的旅程，指出關鍵點并建議替代路線。但是，智能電話工具僅適用于試圖從A點到達B點的單個駕駛員。城市交通工程師關心如何幫助所有車輛有效地到達目的地。有時，對于單個駕駛員而言似乎有效的路線會導致過多的車輛試圖駛入并非旨在處理這種交通量的道路。

利用來自整個1500平方英里洛杉磯都會區(qū)的公共數據，該團隊將創(chuàng)建交通擁堵模型所需的時間減少了一個數量級，從數小時減少到數分鐘。通過PNNL的高性能計算資源實現的提速使近實時流量分析變得可行。研究團隊最近在2020年8月虛擬城市計算研討會上作為知識發(fā)現和數據挖掘(SIGKDD)會議的一部分介紹了該分析，并在2020年9月的TranSEC虛擬會議上尋求交通工程師的意見。

馬里蘭大學學院高級交通技術中心的與會者兼研究工程師Mark Franz表示：“ TranSEC可能會引發(fā)交通專業(yè)人員如何監(jiān)視和預測系統(tǒng)移動性能的范式轉變。” “ TranSEC克服了傳統(tǒng)數據收集方法中固有的數據空白，并具有巨大的潛力。”

圖片提供：Graham Bourque提供的視頻| 太平洋西北國家實驗室

機器學習可隨著時間的推移提高準確性

TranSEC的機器學習功能意味著隨著時間的推移，隨著越來越多的數據被獲取和處理，它變得更加精致和有用。這種分析用于了解干擾如何在網絡中傳播。如果有足夠的數據，則機器學習元素將能夠預測影響，以便交通工程師可以制定糾正策略。

PNNL計算機科學家，研究團隊的首席研究員Arun Sathanur說：“我們將基于圖的模型與新穎的采樣方法和優(yōu)化引擎一起使用，以學習行駛時間和路線。” “該方法具有很大的潛力，可以擴展到其他運輸方式，例如過境和貨運。作為一種分析工具，它能夠研究交通狀況如何擴散。”

利用PNNL的數據驅動方法，用戶可以在運輸控制中心定期上傳實時數據并定期更新TranSEC。工程師可以將短期預測用于決策支持，以管理交通問題。PNNL的方法還可擴展為包括天氣或其他影響道路狀況的數據。

全國交通規(guī)劃者的計算能力

正如情況的狀況感知可以告知每個駕駛員的決定一樣，TranSEC的方法也可以在整個系統(tǒng)范圍內提供狀況感知，以幫助減少城市交通擁堵。

PNNL計算機科學家，TranSEC項目的首席研究員羅伯特·拉洛(Robert Rallo)說：“全國的交通工程師還沒有一種工具可以使他們接近交通網絡狀態(tài)的實時估計。” “能夠預測一個小時或更長時間的情況將非常有價值，因為它可以知道阻塞將在何處發(fā)生。”

盡管運行全尺寸城市模型仍需要高性能的計算資源，但TranSEC具有可擴展性。例如，可以在功能強大的臺式計算機上對只有主要公路和主干道的道路網絡進行建模。

TranSEC項目經理凱瑟琳·沃爾夫(Katherine Wolf)表示：“我們正在努力使TranSEC在全國范圍內提供給市政當局。

根據研究團隊的說法，最終，在進一步開發(fā)之后，TranSEC可以用于幫助對自動駕駛車輛路線進行編程。

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯系刪除！