Nykyaikaisen liikenteen ennustuksen monimutkaisuus

Liikenneennusteet ovat kehittyneet yksinkertaisista historiallisista keskiarvoista kurinalaisuuteen, jonka on otettava huomioon pyörryttävä joukko dynaamisia muuttujia. Ruuhkautumismallit muuttuvat paitsi vuorokaudenajan myös säätapahtumien, onnettomuuksien, rakennusalueiden, urheilutapahtumien ja jopa sosiaalisen median suuntausten myötä. Perinteiset tilastolliset mallit, kuten ARIMA tai Kalman, ovat suodattimia, jotka kamppailevat näiden epälineaaristen, ajallaan vaeltavien riippuvuuksien kaappaamiseksi. Haastetta pahentaa tarve [reaaliaika[] -ennustukset. Malli, joka kestää minuutteja rekomppeerata, on hyödytön, kun liikenneolosuhteet muuttuvat sekunnissa. Syvä oppiminen käsittelee näitä ongelmia oppimalla hierarkkisia malleja suoraan raaka- tai minimaalisesti käsitellyistä tiedoista, jolloin mallit yleistyvät näkymättömissä olosuhteissa ja mukautuvat nopeammin kuin niiden sääntöpohjaiset vastakohdat.

Syväoppimisen perusarkkitehtuurit liikenneennusteisiin

Toistuvat hermoverkot ja LSTM-verkot

Toistuvat hermoverkot (RNN) on suunniteltu käsittelemään peräkkäisiä tietoja, mikä tekee niistä luonnollisen sopivan aikasarjaliikennedatalle. Kuitenkin vanilja RNN kärsii katoavista kaltevuuksista, mikä rajoittaa niiden kykyä oppia pitkän kantaman riippuvuuksia. Pitkät lyhyen aikavälin muistiverkot (LSTM) voivat voittaa tämän rajoituksen gated muistisoluilla, jotka voivat tallentaa tietoja satojen aikavaiheiden ajan. Liikenteen ennustusjärjestelmät käyttävät yleisesti pinottuja LSTM-kerroksia kaapatakseen kuvioita moniajoasteikoilla . Esimerkiksi alempi kerros voisi oppia päivittäin syklit, kun korkeampi kerros oppii viikoittain tai kausittaisia suuntauksia. Tutkimus Ma et al.[] osoitti, että LSTMs voi ylittää perinteisiä malleja Pekingin liikennedatassa, saavuttaa 12.....

Spatiaalisten kuvioiden konvolutionaaliset hermoverkot

Liikennetiedot eivät ole pelkästään peräkkäisiä; niillä on myös alueellinen ulottuvuus. Nopeus yhdessä risteyskohdassa korreloi nopeuksien kanssa naapuriristeyksissä. Alun perin kuvia varten kehitettyjä konvolutionaalisia neuroverkkoja (CNN) voidaan soveltaa liikenneverkkoihin käsittelemällä tieverkon kuvakuvia 2D-matriiseina. Nopeasti kasvavassa kirjallisuudessa käytetään spatiotemporaalisia CNN-verkkoja, joissa yhdistyvät konvoluutiot avaruudessa ja toistuvat kerrokset eri aikoina. Esimerkiksi ST-ResNet-arkkitehtuurissa käytetään konvolutionaalisia blokkeja ennustamaan kaupunginlaajuisia väkivirtoja, saavuttamaan huipputarkkuuden ja lähes reaaliaikaisiin päivityksiin sopivina koulutusaioina. Kun näitä malleja käytetään kunnallisissa sensoriverkoissa, ne voivat tuottaa ennusteita tuhansille tieosuuksille muutaman minuutin välein.

Muuntajamallit ja huomiomekanismit

Viime aikoina, muuntaja arkkitehtuurit . alun perin kehitetty luonnon kielen käsittelyyn . . ovat mukautetut liikenteen ennustamiseen. Itse-huomiomekanismi mahdollistaa mallin punnitsemaan kaikkien aikavaiheiden ja kaikkien paikkakuntien merkitystä ennustuksen yhteydessä ilman RRN:ien peräkkäisiä käsittelyrajoituksia. Tämä tekee muunnoksista erityisen tehokkaita pitkän kantaman riippuvuuksia ja äkillisiä poikkeavia tapahtumia varten. [Autoformer[] ja ]Ennakko[] muuntajapohjaiset mallit vähensivät quadratic monimutkaisuutta itse-huomion suhteen alle 50 millisekuntia erässä.

Reaaliaika-ennusteiden vankan dataputken rakentaminen

Syväoppiminen on vain yhtä hyvä kuin data, jota se kuluttaa. Reaaliaikaisen liikenteen ennustejärjestelmän rakentaminen edellyttää putkistoa, joka syö, puhdistaa ja muuntaa striimausdataa heterogeenisista lähteistä:

  • Anturitiedot [ . Induktiosilmukka, tutka ja lidar antavat ajoneuvon lukemia ja nopeuksia kiinteissä kohdissa.
  • GPS-anturit[ ... .......................................................................................................................................................................................................................................
  • Sääsyötteet[ . Sade, näkyvyys ja lämpötila vaikuttavat suoraan ajokäyttäytymiseen.
  • Tapahtumakalenterit[ ... Konsertit, urheilupelit ja lomat luovat ennustettavia aaltoja.

Data preprocessing on kriittinen. Puuttuvat arvot on laskettava käyttäen interpolointia tai matriisin faktorisointia; Outliers (esim., anturin raportointi 200 mph) on usein syötettävä suoraan convolutionaalisiin tai toistuviin kerroksiin, jolloin verkko voi oppia merkityksellisiä ominaisuuksia. Tuotantoputken olisi käytettävä stream käsittelykehyksiä kuten Apache Kafka tai Apache Flink käsitellä tietoja sekunnin sub-latency, syöttö eriä ennustemoottoriin säännöllisin väliajoin . Yleensä joka 5-15 minuuttia riippuen käyttötapavaatimuksista.

Koulutus ja liikenteen ennustemallien arviointi

Mallikoulutus alkaa jakamalla historiallisia tietoja koulutukseen, validointiin ja testisarjoihin ajallisen järjestyksen säilyttäen . Satunnaiset shuffling-toiminnot vuotaisivat tulevaisuudessa tietoa. Vakiohäviötoimintoihin kuuluvat keskimääräinen absoluuttinen virhe (MAE) ja juurikeskinkertainen virhe (RSE), vaikka useat liikenteen vertailuarvot raportoivat myös absoluuttisen virheprosentin (MAPE) tulkinnan kannalta. Koska liikennetiedot ovat usein raskaasti tai yksityiskohtaisia (satunnaisesti äärimmäinen ruuhkautuminen), suositellaan vahvoja tappiotoimintoja kuten Huber-hävikki. Validoinnin aikana toimijoiden tulisi kiinnittää huomiota harvinaisiin tapahtumiin (onnettomuudet, sulkemiset) ja käyttää metriä saastepainotettu MEE[] tai kynnyksen perusteella laskettua tarkkuutta [.] ruuhkien ennustamiseen.

Hyperparametrin viritys voidaan suorittaa Bayesian optimointi tai ruuduston haku. Avain hyperparametreihin kuuluvat LSTM kerrosten määrä, suodattimien määrä CNNs, oppimisnopeus ja sekvenssi pituus. Yleinen käytäntö on käyttää varhaisessa pysäytyksessä validointihäviö estää yliasennuksen . Syvät mallit miljoonilla parametreilla ovat alttiita muistaa historiallisia kuvioita, jos koulutettu liian monta aikakautta. Siirto ennalta koulutettu malli suuri kaupunki tietoja voi vähentää koulutusaikaa pienempien kuntien, kuten osoittaa työssä Zhang et al.[]

Reaaliaikaiset kehittämis- ja käyttöönottostrategiat

Koulutetun mallin siirtäminen tuotantoon edellyttää käyttöönottoarkkitehtuuria, joka tasapainottaa latenssia, läpimenoa ja kustannuksia. Monet organisaatiot kontissa mallinsa käyttäen Dockeria ja palvelevat niitä REST-rajapinta-aPI:n kautta käyttäen kehyksiä kuten TensorFlow Serving, TorchServe tai NVIDIA Triton Interference Server. Reaaliaikaisten liikenneennusteiden osalta inferencen on oltava muutaman sadan millisekunnin sisällä toimiavissa liikenteenhallintajärjestelmissä. Erän johtopäätös . Useiden tiesegmenttien käsittely tai aikaaskeleet yhdessä .

Toinen haaste on käsite drifting: liikennemallit muuttuvat kuukausia (esim. uudet tiet, työmatkatottumusten muutokset). Vankka järjestelmä toteuttaa jatkuvaa seurantaa metrien kuten ennustevirheen driftaukset, ja käynnistää automaattisen uudelleenkoulutuksen, kun suorituskyky heikkenee yli kynnyksen. Online-oppimistekniikat ... jossa mallia päivitetään asteittain jokaisen erän uusia tietoja ... .. ne ovat saamassa vetoa liikennesovelluksiin, vaikka ne vaativat huolellista hallintaa välttääkseen katastrofaalisen unohtaminen. Hybridi lähestymistapa uudelleen kouluttaa koko mallin joka viikko samalla kevyt adaptiivinen kerros päivittäiseen säätöihin.

Vaikutukset kaupunkiliikenteeseen ja tulevaisuuden kehityssuuntiin

Syväoppinen liikenneennuste vähentää jo 10.20% matka-aikoja pilottikaupungeissa mahdollistamalla älykkään liikenteen signaalinohjauksen ja dynaamiset reittisuositukset. Reaaliaikaiset ennusteet mahdollistavat hätäpalvelujen ohjaamisen uudelleen ambulanssien ja palomoottoreiden ympärille ruuhkien ympäri, mikä voi pelastaa ihmishenkiä. Koska [autonomiset ajoneuvot[] tulevat yleisemmiksi, nämä mallit syöttävät ennustuksia suoraan ajoneuvon reittisuunnittelijoihin, parantavat turvallisuutta ja tehokkuutta. Edge käyttöönotto on lupaava suunta: kevyiden mallien käyttäminen tienvarsiyksiköissä tai jopa ajoneuvojen sisällä vähentää pilviriippuvuutta ja mahdollistavat latenssikriittiset reaktiot.

Tulevaisuudessa tutkitaan myös sellaisten graafisten neuroverkkojen (GNN) integrointia, jotka käsittelevät tieverkkoja kaavioina ja mahdollistavat epäsäännöllisten teptologioiden paremman käsittelyn verrattuna verkkopohjaisiin CNN-verkkoihin. Myös monimuotomallit, jotka yhdistävät videokamerasyötteitä sensoritiedoilla käyttäen huomiomekanismeja, tarjoavat rikkaamman kontekstin. []Traffic Flow Benchmark -järjestelmän kaltaisten standardivertailuarvojen käyttöönotto auttaa kenttää kiihdyttämään. IoT-infrastruktuurin ja avoimen datan jatkuvan laajentamisen myötä syväoppimiseen perustuvasta liikenteen ennakoinnista tulee maailmanlaajuisen älykkään kaupunkitoiminnan standardikomponentti.