پیچیدگی پیش بینی ترافیک مدرن

پیش بینی ترافیک از میانگین های ساده تاریخی به یک رشته تکامل یافته است که باید یک آرایه گیج کننده از متغیرهای پویا را در نظر بگیرد. الگوهای تحریک نه تنها با زمان روز بلکه با حوادث آب و هوایی، حوادث، مناطق ساخت و ساز، رویدادهای ورزشی و حتی رسانه های اجتماعی تغییر می کنند، مدل های سنتی مانند ARIMA یا Kalman فیلتر برای ضبط این غیر خطی، وابستگی های یادگیری مبتنی بر زمان، به طور مستقیم با تغییر داده ها سازگار می شوند:

معماری های یادگیری عمیق مرکزی برای پیش بینی ترافیک

شبکه های عصبی و LSTM

شبکه های عصبی در حال حاضر (RNNs) برای رسیدگی به داده های متوالی طراحی شده اند، و آنها را به یک مناسب طبیعی برای داده های ترافیک زمان- سری تبدیل می کنند، با این حال، وانیل RNN ها از گرادیان های از بین رفته رنج می برند، محدود کردن توانایی آنها برای یادگیری وابستگی های طولانی مدت ترافیک (LSTM) این محدودیت را از طریق سلول های حافظه درب که می توانند اطلاعات را برای صدها مرحله پیش بینی معمول ذخیره کنند، به طور معمول در دسترس قرار می دهد.

شبکه های عصبی تکامل یافته برای الگوهای فضایی

داده های ترافیکی صرفاً متوالی نیستند؛ همچنین دارای ابعاد فضایی است.سرعت در یک تقاطع با سرعت در تقاطع های مجاور ارتباط دارد.شبکه های عصبی کانولوی (CNNs)، که در ابتدا برای تصاویر توسعه یافته است، می تواند با استفاده از تصاویر، به شبکه های ترافیک با استفاده از تصاویر چند عکس شبکه شهری، به عنوان 2D matrices، استفاده از ادبیات سریع در حال رشد است که آموزش های سازگار با دقت مکرر برای دسترسی به شبکه های شهری، می تواند پیش بینی شود.

مدل های تبدیل شده و مکانیسم های توجه

اخیرا، معماری های ترانسفورماتور - که در ابتدا برای پردازش زبان طبیعی توسعه یافته اند - برای پیش بینی ترافیک سازگار شده اند. مکانیسم خود-تتوجه به مدل اجازه می دهد تا اهمیت تمام مراحل زمان و تمام مکان های فضایی را در هنگام پیش بینی، بدون محدودیت پردازش متوالی از RLT 2: 2، این تبدیل کننده ها به ویژه برای گرفتن وابستگی های بلند مدت و حوادث ناگهانی مبتنی بر خطا (F1) به دست آورد.

ساخت یک خط لوله داده قوی برای پیش بینی های زمان واقعی

یک مدل یادگیری عمیق تنها به اندازه داده هایی که مصرف می کند خوب است. ساخت یک سیستم پیش بینی ترافیک در زمان واقعی نیازمند یک خط لوله است که مصرف می کند، تمیز می کند و داده های جریان را از منابع ناهمگن تبدیل می کند:

  • ] داده های گران قیمت - حلقه های القا، رادار و لنر شمارش و سرعت خودرو را در نقاط ثابت ارائه می دهند.
  • ]GPS کاوشگرها - داده های شناور از برنامه های ناوبری و وسایل نقلیه ناوگان زمان سفر مداوم را ارائه می دهند.
  • [[۱] [۱۰] [[۱۰]] [[۱۰]]] [۱]]] - پیش بینی، دید و دمای مستقیم بر رفتار رانندگی تأثیر می گذارد.
  • [[۱] [۱۰] تقویم های متنوع [[۱۰] [۱۰] - کنسرت ها، بازی های ورزشی و تعطیلات افزایش قابل پیش بینی ایجاد می کنند.

پیش پردازش داده ها ضروری است.ارزش های از دست رفته باید با استفاده از تداخل یا فاکتور ماتریسی، خارج از آن (به عنوان مثال، یک سنسور گزارش 200 مایل در ساعت) باید شناسایی و پرچم گذاری شود، مهندسی ویژگی های زمان بسته به کدگذاری روزانه 60، نوار های روزانه Apache، و متغیرهای مسدود شده برای مدل های یادگیری عمیق، ورودی های خام (به عنوان مثال پردازش سریع شبکه) اغلب به طور مستقیم به استفاده از یک چارچوب پردازش نمونه های شبکه پردازش دقیق در مورد زمان انتقال داده های شبکه های پردازش فایل های شبکه های پردازش شده در 60 ثانیه ای که به طور منظم پردازش شده است.

آموزش و ارزیابی مدل های پیش بینی ترافیک

آموزش مدل با تقسیم داده های تاریخی به آموزش، اعتبار و مجموعه های آزمون در حالی که حفظ نظم زمان - پیچ و خم تصادفی اطلاعات آینده را افشا می کند. توابع از دست دادن استاندارد شامل خطای مطلق (MAE) و خطای مربعی (RMSE)، اگرچه چندین معیار ترافیک نیز به معنای خطای مطلق (MAPE) برای تفسیر قابلیت تفسیر است.

تنظیم Hyperparameter را می توان با بهینه سازی zi یا جستجوی شبکه انجام داد. Key Hyperparameters شامل تعداد لایه های LSTM، تعداد فیلترهای موجود در سی ان، نرخ یادگیری و طول توالی است.یک تمرین مشترک استفاده از توقف اولیه در کاهش اعتبار سنجی برای جلوگیری از بیش از حد - مدل های عمیق با میلیون ها پارامتر مستعد به منقرض کردن الگوهای تاریخی اگر آموزش دیده برای بسیاری از آموزش دیده می شود.

استراتژی های زمان واقعی و استقرار

انتقال یک مدل آموزش دیده به تولید نیازمند معماری استقرار است که تأخیر، وقفه و هزینه را متعادل می کند. بسیاری از سازمان ها مدل های را با استفاده از Docker ترکیب می کنند و از طریق REST API ها با استفاده از چارچوب هایی مانند TensorFlow، TorchServe یا NVIDIA Triton Inference Server، برای پیش بینی ترافیک واقعی، در یک صد ثانیه برای مدیریت ترافیک و یا بخش های متعدد، تکمیل می کنند.

چالش دیگر حرکت مفهوم است: الگوهای ترافیکی در طول ماه تغییر می کند (به عنوان مثال، باز کردن جاده جدید، تغییر در عادت های حرکت) یک سیستم قوی نظارت مداوم با معیارهایی مانند پیش بینی خطا را اجرا می کند و باعث می شود تمرین اتوماتیک مجدد زمانی که عملکرد فراتر از یک آستانه یادگیری آنلاین است - که در آن مدل به طور فزاینده ای با هر دسته از داده های جدید به روز رسانی می شود - به دست آوردن برنامه های کشش برای جلوگیری از یک روش فشرده سازی دقیق نیاز دارند.

تاثیر بر تحرک شهری و روند آینده

پیش بینی ترافیک مبتنی بر یادگیری در حال حاضر کاهش زمان سفر توسط 10-20٪ در شهرهای خلبان با فعال کردن کنترل سیگنال ترافیک هوشمند و توصیه های مسیر پویا است. پیش بینی های زمان واقعی اجازه می دهد تا خدمات اضطراری برای بازگرداندن آمبولانس ها و موتورهای آتش در اطراف تراکم، به طور بالقوه صرفه جویی در زندگی به عنوان FLT:0 وسایل نقلیه خودکار [FLT 1 شایع تر می شود، این مدل ها به طور مستقیم به بهبود وسایل نقلیه امنیتی و یا سیستم های سرعت در حال حرکت می کنند.

تحقیقات آینده در حال بررسی ادغام شبکه های عصبی گراف (GNNs) است که شبکه های جاده را به عنوان گراف ها درمان می کند، اجازه می دهد تا مدیریت بالای توپولوژی های نامنظم در مقایسه با مدل های مبتنی بر شبکه CNN. Multi-modal که تغذیه دوربین های ویدئویی را با داده های سنسور با استفاده از مکانیزم های توجه نیز در حال ظهور، ارائه زمینه استاندارد مانند T] ابتکارات یادگیری استاندارد پردازش اطلاعات عمیق و پردازش اطلاعات با سرعت عملیات های هوشمند است.