ディープラーニングを用いたリアルタイムトラフィック予測モデルの開発

現代の交通予測の複雑さ

トラフィック予測は、単純な歴史平均から、動的変数のめまい配列を考慮しなければならない規律に進化しました。混雑パターンは、日だけでなく、気象イベント、事故、建設ゾーン、スポーツイベント、さらにはソーシャルメディアの傾向と変化するだけでなく、日頃の時間をシフトします。従来の統計モデルは、ARIMAやKalmanフィルタなどの伝統的な統計モデルは、これらの非線形、時間変動の依存性をキャプチャするのに苦労しています。課題は、[FLT条件:0]を直接、実際の課題を解決するために、必要な範囲で構成されます。トラフィックは、特定のモデルを正確に予測する必要です。

交通予測のためのコアディープラーニングアーキテクチャ

再発ニューラルネットワークとLSTM

再発ニューラルネットワーク(RNN)は、シーケンシャルデータを処理し、時間系列のトラフィックデータに自然なフィット感を生むように設計されています。しかし、バニラRNNは、耐久性を低下させ、長期の依存性を学習する能力を制限する、驚くべき勾配に苦しんでいます。長期のメモリ(LSTM)ネットワークは、数百回のステップで情報を格納できるゲートされたメモリセルを通して、この制限を克服します。トラフィック予測システムは、一般的に、複数の温度範囲でパターンをキャプチャするために積み重ねられたLSTM層を使用して、従来の1〜15%の傾向を予測します。

空間パターンの関連ネラルネットワーク

トラフィックデータは純粋にシーケンシャルではありません。また、空間次元を持っています。1つの交差点の速度は、隣接する交差点で速度と相関しています。もともと画像のために開発された、構造ニューラルネットワーク(CNN)は、2Dのマトリクスとして道路ネットワークのスナップショットを扱うことによって、トラフィックグリッドに適用することができます。急速に成長する文献は、空間を組み合わせる空間と、再稼働層を組み合わせる空間を組み合わせるCNNを使用します。例えば、STRE-RE-RE-ARCHITECは、各都市の予測を予測するのに最適な速度を予測することができます。

トランスモデルと保持機構

最近では、トランスアーキテクチャーは、自然言語処理のために開発されました。トラフィック予測のために適応されています。自己保持メカニズムは、モデルが予測を行うときに、すべての時間ステップとすべての空間の場所の重要性を量ることを可能にし、RNNの順次処理制約なしで、予測を行います。これは、変圧器は、長距離依存性や突然の異常なイベントをキャプチャするために特に効果的です。 []オートフォーマイザーと[FLT]を変換し、それらを変換するバッチの変形を最大化します。 [FLT] および、バッチは、変形する変形を変形させる] 変形します。 [FLT] 変形は、変形は、変形は、変形する変形を変形します。 [FATF] 変形する変形する変形は、変形する変形は、変形は、変形する変形は、変形する変形する変形を変形する変形を変形する変形する変形は、変形は、変形する変形を変形を変形する変形する変形する変形する変形する変形する変形

リアルタイム予測のための強力なデータパイプラインの構築

ディープラーニングモデルは、消費するデータと同じくらい良いことです。リアルタイムのトラフィック予測システムを構築するには、ヘテロ遺伝子のソースからストリーミングデータを摂取、洗浄、変換するパイプラインが必要です。

[センサーデータ] — 誘導ループ、レーダー、およびライダーは、車両のカウントと速度を固定ポイントで提供します。
GPSプローブ — ナビゲーションアプリや車両から浮動小数のデータが連続した走行時間を提供します。
[] ウェザーフィード[] — 降水、可視性、温度は直接運転動作に影響を及ぼします。
[イベントカレンダー] — コンサート、スポーツゲーム、休日は予測可能なサージを作成します。

データの処理は重要なことです。値が不足しているのは、補間または行列のファクチャリゼーションを使用して妨げられる必要があります。アウトリア(例えば、センサーレポート200 mph)は識別され、フラグを立てる必要があります。機能エンジニアリングは、時間の経過日エンコーディング、曜日単位のデュミ、および遅延変数を含むことができます。ディープラーニングモデルでは、生の入力(例えば、グリッド全体で最後の60分を超える速度読み込み)は、多くの場合、アパッチの間隔や、および関連するフレームワークを正確に調整したり、Apacheの動作を把握したり、または関連する機能を予測したりすることができます。

交通予測モデルの訓練と評価

モデルは、履歴データを訓練、検証、テストセットに分割し、仮説の順序を維持しながら開始します。ランダムなシャッフルは将来の情報を漏洩させます。標準的な損失機能には、平均絶対誤差(MAE)とルート平均平方誤差(RMSE)が含まれますが、いくつかのトラフィックベンチマークは、解釈性のための平均絶対パーセンテージエラー(MAPE)を報告します。トラフィックデータは、多くの場合、重荷(時折極端な混雑)、堅牢な損失機能が、Huberは、欠陥のチェックを防止するために推奨されます。[F] [F] 注意: [F] 決定]

Hyperparameter チューニングは、Bayesian の最適化またはグリッド検索で実行できます。キーハイパーパラメータには、LSTM レイヤーの数、CNN のフィルタ数、学習率、およびシーケンス長さが含まれます。一般的な練習は、検証損失を早期に停止して、過度の予防に使用します。数百万人のパラメータを持つディープモデルは、あまりにも多くのエポックのために訓練された場合、歴史的なパターンを記憶する傾向があります。大規模な都市の事前訓練されたモデルから学習を転送するには、LTF がより小さい作業をすることができます。[F]

リアルタイムの推論と展開戦略

訓練されたモデルを生産に移すには、遅延、スループット、およびコストのバランスをとるデプロイアーキテクチャが必要です。多くの組織は、Dockerを使用してモデルをコンテナ化し、TensorFlowのサービング、トーチサーブ、またはNVIDIA Triton Inference Serverなどのフレームワークを使用してREST APIを介してそれらにサービスを提供しています。リアルタイムのトラフィック予測のために、インフェレンスはトラフィック管理システムのために実用的なものでなければなりません。バッチインフェレンス - 複数の道路セグメントまたは時間を処理する - 一緒にGulit-PUレイテンシブルを向上し、利用率を向上することができます。

もうひとつの課題は、コンセプトドリフトです。トラフィックパターンは数か月間変化します(例、新しいロードの開口部、通勤習慣の変化)。堅牢なシステムでは、予測エラードリフトなどのメトリックで継続的な監視を実施し、閾値を超えたパフォーマンス劣化時に自動再訓練をトリガーします。オンライン学習技術 — モデルは、新しいデータの各バッチで増分的に更新される場所 — トラフィックアプリケーションのための牽引を得るには、彼らは、すべてのハイブリッドレイトモデルを毎回回調整するのを忘れるときに、十分な制御が必要であるが、。

都市モビリティと未来のトレンドへの影響

ディープラーニング主導のトラフィック予測は、すでにインテリジェントなトラフィック信号制御と動的ルートの推奨事項を有効にすることにより、パイロット都市の10〜20%の走行時間を削減しています。リアルタイム予測により、緊急サービスは、混雑状況を直進し、混雑状況を悪化させ、潜在的に命を救うことができます。 ]]自動運転車両がより普及し、これらのモデルは車両の経路プランナーに直接予測をフィードし、安全と効率を向上させることができます。エッジの配置は、車両の方向性を低下させることを可能にします。

将来の研究は、道路ネットワークをグラフとして扱うグラフニューラルネットワーク(GNN)の統合を模索しています。これにより、グリッドベースのCNNと比較して、不規則なトポロジーの優れた処理が可能になります。ビデオカメラがセンサーデータをフィードするマルチモーダルモデルが、注目のメカニズムを使用して新興国で供給し、より豊かなコンテキストを提供します。のような標準ベンチマークの採用は、フィールドが加速するのを助けます。世界的なトラフィックとIoTの拡大によって、スマート化が期待されるように、IoTのさまざまな機能が向上します。