दीप लर्निंग का उपयोग करके रियल टाइम ट्रैफिक भविष्यवाणी मॉडल का विकास करना

रियल टाइम भविष्यवाणियों के लिए एक मजबूत डेटा पाइपलाइन का निर्माण

एक गहरी सीखने का मॉडल केवल उतना अच्छा है जितना कि वह डेटा उपभोग करता है। एक वास्तविक समय में यातायात भविष्यवाणी प्रणाली का निर्माण एक पाइपलाइन की आवश्यकता होती है जो ingests, cleans और विषम स्रोतों से स्ट्रीमिंग डेटा को बदल देती है:

• Sensor data - प्रेरण loops, रडार, और लिडार निश्चित बिंदुओं पर वाहन की गिनती और गति प्रदान करते हैं।
• GPS जांच - नेविगेशन ऐप और बेड़े वाहनों से फ्लोटिंग कार डेटा निरंतर यात्रा समय प्रदान करते हैं।
• ]Weather feeds - वर्षा, दृश्यता, और तापमान सीधे ड्राइविंग व्यवहार को प्रभावित करते हैं।
• Event calendar — कॉन्सर्ट, खेल खेल, और छुट्टियां पूर्वानुमानित वृद्धि पैदा करती हैं।

डेटा प्रीप्रोसेसिंग महत्वपूर्ण है। मिसिंग मूल्यों को इंटरपोलेशन या मैट्रिक्स फैक्टराइजेशन का उपयोग करके उतारा जाना चाहिए; बाहरी (जैसे, एक सेंसर रिपोर्टिंग 200 मील) को पहचान और ध्वजांकित करने की आवश्यकता होती है। फ़ीचर इंजीनियरिंग में टाइम ऑफ डे एन्कोडिंग, डे-ऑफ- वीक डेमी और लैग्ड वेरिएबल्स शामिल हो सकते हैं। गहरे सीखने के मॉडल के लिए, कच्चे इनपुट (जैसे, पिछले 60 मिनट में ग्रिड पर नियमित रूप से डेटा-संतुलन के लिए) को अक्सर समवर्ती परतों में सीधे खिलाया जाता है, जिससे नेटवर्क को प्रासंगिक सुविधाओं को सीखने की अनुमति मिलती है। एक उत्पादन पाइपलाइन को आम तौर पर एपाचेफ्का या एपंकडेंसी इंटरलाइन के अंतराल पर 15 पर एक दूसरे बैच के साथ एक उप-दूसरे के अंतराल पर डेटा-संतुलन के लिए एक इंटरलाइन के लिए एक इंटरलाइनिंग के लिए एक इंटरलाइन का उपयोग करना चाहिए।

प्रशिक्षण और यातायात भविष्यवाणी मॉडल का मूल्यांकन

मॉडल प्रशिक्षण ऐतिहासिक डेटा को प्रशिक्षण, सत्यापन और परीक्षण सेट में विभाजित करने के साथ शुरू होता है जबकि अस्थायी आदेश को संरक्षित करते हुए - यादृच्छिक झुंड भविष्य की जानकारी को लीक करेगा। मानक हानि कार्यों में मीन एब्सलूट त्रुटि (MAE) और रूट मीन स्क्वायर त्रुटि (RMSE) शामिल हैं, हालांकि कई यातायात बेंचमार्क भी अर्थ एब्सलूट प्रतिशत त्रुटि (MAPE) की व्याख्या के लिए रिपोर्ट करते हैं। क्योंकि यातायात डेटा अक्सर भारी पूंछ वाले (ओकैसियन चरम भीड़) की भविष्यवाणी होती है, हबर हानि की तरह मजबूत नुकसान कार्यों की सिफारिश की जाती है। सत्यापन के दौरान, चिकित्सकों को दुर्लभ घटनाओं (संवेदक, बंद करने) पर ध्यान देना चाहिए। [FLT:

हाइपरपरोमीटर ट्यूनिंग को बायेसियन अनुकूलन या ग्रिड खोज के साथ किया जा सकता है। प्रमुख हाइपरपरोमीटर में एलएसटीएम परतों की संख्या, सीएनएन में फिल्टर की संख्या, सीखने की दर और अनुक्रम की लंबाई शामिल है। एक सामान्य अभ्यास है कि वे सत्यापन को रोकने के लिए सत्यापन हानि पर जल्दी रोक का उपयोग करें - लाखों मापदंडों के साथ गहरे मॉडल ऐतिहासिक पैटर्न को याद करने के लिए प्रवण हैं यदि बहुत सारे epochs के लिए प्रशिक्षित किया जाता है। एक बड़े शहर के डेटा पर पूर्व प्रशिक्षित मॉडल से सीखने को स्थानांतरित करने से छोटे नगरपालिकाओं के लिए प्रशिक्षण समय को कम किया जा सकता है, जैसा कि Zhang एट अल द्वारा काम में दिखाया गया है। ]]]]

रियल टाइम इन्फ़िएशन और तैनाती रणनीति

एक प्रशिक्षित मॉडल को उत्पादन में ले जाने के लिए एक तैनाती आर्किटेक्चर की आवश्यकता होती है जो विलंबता, थ्रूपुट और लागत को संतुलित करती है। कई संगठन डॉकर का उपयोग करके मॉडल को कंटेनर करते हैं और उन्हें REST APIs के माध्यम से TensorFlow सर्विंग, मशालसर्वे, या NVIDIA Triton Inference Server जैसे ढांचे का उपयोग करते हैं। वास्तविक समय के यातायात भविष्यवाणियों के लिए, कुछ सौ मिलीसेकेंडों के भीतर यातायात प्रबंधन प्रणालियों के लिए कार्रवाई करने योग्य होना चाहिए। बैच की सुविधा - एकाधिक सड़क खंडों या समय चरणों को एक साथ संसाधित करना - GPU उपयोग में सुधार कर सकते हैं और प्रति-अनुमान विलंबता को कम कर सकते हैं।

एक अन्य चुनौती अवधारणा बहाव है: यातायात पैटर्न महीनों में बदल जाते हैं (उदाहरण के लिए, नए सड़क के उद्घाटन, कम्यूटिंग आदतों में बदलाव)। एक मजबूत प्रणाली भविष्यवाणी त्रुटि बहाव जैसे मीट्रिक के साथ निरंतर निगरानी को लागू करती है, और जब प्रदर्शन एक सीमा से परे गिरावट आती है तो स्वचालित पुनर्प्रशिक्षण को ट्रिगर करती है। ऑनलाइन लर्निंग तकनीक - जहां मॉडल को नए डेटा के प्रत्येक बैच के साथ वृद्धि से अद्यतन किया जाता है - यातायात अनुप्रयोगों के लिए कर्षण प्राप्त कर रहे हैं, हालांकि उन्हें उत्प्रेरक भूल से बचने के लिए सावधानीपूर्वक प्रबंधन की आवश्यकता होती है। एक हाइब्रिड दृष्टिकोण हर सप्ताह एक पूर्ण मॉडल को फिर से प्रशिक्षित करता है जबकि दैनिक समायोजन के लिए एक हल्के अनुकूल परत का उपयोग करता है।

शहरी गतिशीलता और भविष्य के रुझान पर प्रभाव

दीप लर्निंग-चालित यातायात भविष्यवाणी पहले से ही बुद्धिमान यातायात संकेत नियंत्रण और गतिशील मार्ग सिफारिशों को सक्षम करके पायलट शहरों में यात्रा के समय को 10-20% कम कर रही है। रीयल-टाइम भविष्यवाणियां आपातकालीन सेवाओं को भीड़ के आसपास एम्बुलेंस और फायर इंजन को फिर से शुरू करने की अनुमति देती हैं, संभावित रूप से जीवन की बचत करती है। जैसा कि स्वायत्त वाहन अधिक प्रचलित हो जाते हैं, ये मॉडल सीधे वाहन पथ प्लानर में भविष्यवाणियों को खिलाएगा, सुरक्षा और दक्षता में सुधार करेंगे। एज तैनाती एक आशाजनक दिशा है: सड़क के किनारे इकाइयों पर हल्के मॉडल चला रहा है या यहां तक कि खुद ही क्लाउड निर्भरता को कम कर देता है और विलंबता को सीमित करने में सक्षम बनाता है।

भविष्य के शोध में ग्राफ़ न्यूरल नेटवर्क (GNNs) के एकीकरण की खोज की गई है जो सड़क नेटवर्क को ग्राफ़ के रूप में मानते हैं, जिससे ग्रिड आधारित CNNs की तुलना में अनियमित शीर्षता से बेहतर निपटने की अनुमति मिलती है। मल्टी मोडल मॉडल जो फ्यूज वीडियो कैमरा सेंसर डेटा के साथ ध्यान तंत्र का उपयोग करते हुए फीड करता है, अमीर संदर्भ प्रदान करता है। मानक बेंचमार्क जैसे ] ट्राफिक फ्लो बेंचमार्क क्षेत्र में तेजी लाने में मदद कर रहा है। आईओटी बुनियादी ढांचे और खुले डेटा पहल के निरंतर विस्तार के साथ, गहरी सीखने आधारित यातायात भविष्यवाणी वैश्विक स्तर पर स्मार्ट सिटी ऑपरेशन का एक मानक घटक बन जाएगा।