המורכבות של חיזוי תעבורה מודרני

תחזית התנועה התפתחה מממוצעים היסטוריים פשוטים למשמעת שצריכה לקחת בחשבון עבור מערך מסחרר של משתנים דינמיים. דפוסי הזיעה משתנים לא רק עם הזמן של היום, אלא גם עם אירועי מזג אוויר, תאונות, אזורי בנייה, אירועי ספורט, ואפילו מגמות מדיה חברתית.מודלים סטטיסטיים מסורתיים כמו ARIMA או Kalman נאבקים ללכוד את אלה ללא לינארי, זמן תלוי בחיזוי מורכב על ידי שיטות למידה לא יעילות.

אדריכלות למידה עמוקה לתחזיות תנועה

רשתות נילי ו-LSTMs

Recurrent Networks (RNNs) נועדו לטפל בנתונים של הסתברותיים, מה שהופך אותם להתאמה טבעית עבור נתוני התנועה של זמן-סדרה.עם זאת, וניל RNs סובלים מ ⁇ להיעלם, להגביל את יכולתם ללמוד תלות ארוכת טווח בדגמים לטווח ארוך של 12 נקודות זיכרון קצר-טווח (LS) להתגבר על הגבלה זו באמצעות תאי זיכרון שער שיכולים לאחסן מידע עבור מאות שלבים חיזוי זמן, לדוגמה, ערימה של טמפרטורות גבוהות יותר של 15 שעות.

רשתות ערפיליות אבולוציה לתבניות ספאטליות

נתוני התנועה אינם רק הכרחיים; יש לו גם ממד מרחבי.המהירות בצומת אחד תואמים עם מהירויות בצומת צומת שכנים. Convolutional Neural Networks (CNN), שפותח במקור עבור תמונות, ניתן ליישם על רשתות תנועה על ידי טיפול בזרימות רשת כביש כמו 2D matrics. a fast-gro-growing Literatures רשת אשר משלבת אבולוציה לאורך זמן קצר של שכבות זמן, החל מ-Standal, החל מ-reples-reples-retials.

מודלים של Transformer ותשומת לב מכניזם

לאחרונה, אדריכלות משנה - שפותחה במקור לעיבוד שפה טבעית - מותאמים לחיזוי התנועה.מנגנון הכוונות העצמי מאפשר לדגם לשקול את החשיבות של כל השלבים והמיקומים המרחביים בעת ביצוע חיזוי, ללא מגבלות עיבוד המשתנים של RNNs. זה הופך את הגרסאות המבוססות על עיבוד נתונים באופן טבעי עבור לכידת תלות לטווח ארוך ואירועי אטום פתאומיים.

בניית קו נתונים של רובוסט לתחזיות בזמן אמת

מודל למידה עמוק הוא רק טוב כמו הנתונים שהוא צור.בבנייה של מערכת חיזוי תנועה בזמן אמת דורש צינור כי ingests, נקי, והופך נתונים זורם ממקורות heterogeneous:

  • (ב) ,0) ,Sensor DataFLT:1 - הלולאות אינדוקציה, מכ"ם, ו-Ledar מספקים ספירות רכב ומהירויות בנקודות קבועות.
  • (FLT:0GPS TestingsFLT:1) - נתוני רכב מאפליקציות ניווט וכלי רכב צי מציעים זמני נסיעה רצופים.
  • (ב) ,0) אכילת Weather FeedsFLT:1 - הריון, חשיפה וטמפרטורה משפיעים ישירות על התנהגות הנהיגה.
  • (ב) ,0) , אפילו לוחות שנה של קלאברט 1 - קונצרטים, משחקי ספורט, וחגים יוצרים גלימות צפויות.

עיבוד נתונים הוא קריטי.ערכים חסרים חייב להיות מוטבע באמצעות אינטרפולציה או מגרות; מחוץ לדירות (למשל, חיישן דיווח 200 קמ"ש) צריך להיות מזוהה ו flagged. Feature הנדסה יכול לכלול זמן של יום קידוד, יום-שבוע של דוממים, ומשתנה מלוטש.עבור מודלים למידה עמוקה, קלטות (למשל, מהירות קריאה מעל פני 60 דקות שימוש ישירות לתוך צינורות זמן) בדרך כלל לתוך צינורות סטנדרטיים של שימוש במנועי זמן (או צינורות).

מודלים של חיזוי תעבורה וחיזוי השקעות

(האימון במודל מתחיל בפיצול נתונים היסטוריים לאימון, אימות ומבחן תוך שמירה על הסדר זמני - ייבוש אקראי ידלף מידע עתידי.תפקודי אובדן סטנדרטי כוללים טעות מוחלטת (MAE) ו- Root Meand Error (RMSE), אם כי כמה מדדי תנועה גם מדווחים על טעות מוחלטת (MAPE) לפירוש, כי נתונים הם לעתים קרובות תחזיות חמורות (מפרקות) כגון הפחתה של תקפים (MAFlowt) למקרים נדירים (מדבקות) להפחתה של תקפים (MALT) להפחתה) לתפקודים נדירים (MALTC) להפחתה של תקפים (MALT) תקפים) עבור ביצוע תקפים (MALTD) עבור תקפים חמורים (MALT) עבור תקפים חמורים (MALT) עבור תקפים) עבור תקפים חמורים (MALTD) עבור תקפים).

(התכווצות Hyperparameter ניתן לבצע עם אופטימיזציה Bayesian או חיפוש רשת.היפרפרפרמטר מפתח כוללים את מספר שכבות LSTM, מספר המסננים ב- CNN, שיעור הלמידה, ואת אורך הרצף.פרקטיקה נפוצה היא להשתמש בעצירה מוקדמת על אובדן אימות כדי למנוע התאמה יתר - מודלים עמוקים עם מיליוני פרמטרים נוטים להזכר דפוסים היסטוריים אם לזמנים רבים מדי יכול להפחתת זמן של למידה: 0 מ- 1F על ידי אימון עירוני על ידי אימון מוקדם של נתונים מ- 10 חודשים על ידי אימון עירוני קטן יותר מ- 10.

אסטרטגיות בזמן אמת וחלוקת

העברת מודל מאומן לייצור דורש ארכיטקטורה פריסה כי מאזן של עצלות, דרך חישוב, ועלות. ארגונים רבים המיכלים מודלים באמצעות Docker לשרת אותם באמצעות REST APIs באמצעות מסגרות כמו TensorFlow, Torch Serve, או NVIDIA Triton Inference Server. for בזמן אמת תחזיות התנועה, השוויון חייב להשלים בתוך כמה מאות מ"ח שניות כדי להיות פעילות עבור מערכות ניהול מרובות או עיבוד GKerticiency.

אתגר נוסף הוא סחף מושג: דפוסי תנועה משתנים בחודשים (למשל, פתיחת דרכים חדשה, שינויים הרגלי נסיעה) מערכת חזקה מיישמת ניטור רציף עם מדדים כמו סחף שגיאה חיזוי, וגורם להחלמה אוטומטית כאשר הביצועים מתפוגגים מעבר לסף.טכניקות למידה מקוונות - שבו המודל מעודכנת באופן מצטבר עם כל קבוצה של נתונים חדשים - צוברים עבור יישומים, אם כי הם דורשים גישה אוטומטית כדי להתאים מחדש של ניהול יומיומית באמצעות מודל אוטומטי.

השפעה על ניידות עירונית ומגמות עתידיות

תחזית תנועה מבוססת למידה עמוקה כבר מצמצם את זמני הנסיעה ב -10-20% בערים הטייסות על ידי מתן אפשרות שליטה על אותות תנועה אינטליגנטיים והמלצות נתיב דינמיות. תחזיות בזמן אמת מאפשרות שירותי חירום לנתב מחדש אמבולנסים ומנועי אש סביב גודש, פוטנציאל לחסוך חיים. asFLT:0autonomous מכוניות FLT:1 להיות יותר נפוץ, מודלים אלה יאכילו תחזיות ישירות לתוך נתיבים, שיפור יעילות אבטחה ולהגדיל את עצמם.

מחקר עתידי בוחן את השילוב של רשתות עצביות גרפיות (GNN) שמתייחסות לרשתות דרכים כגרפים, ומאפשרות טיפול מעולה של תנצלויות לא סדירות בהשוואה למודלים מבוססי רשת CNN. Multi-modal שממזגים מצלמות וידאו עם נתוני חיישן באמצעות מנגנוני תשומת לב מתעוררים, המציעים גם קשר עשיר יותר.האימוץ של סטנדרטים כמו FLT:0Traffic BenchmarkFLT, מסייע לחיזוי שדה:1 ו-IoT מתקדם.