Modern Trafik Kompleksi Prediction
Trafik tahminleri basit tarihsel ortalamalardan, bir dizzying dizi dinamik değişkenleri dikkate almalıdır. Congestion kalıpları sadece gün boyunca değil, hava olayları, kazalar, inşaat bölgeleri, spor etkinlikleri ve hatta sosyal medya trendleri ile de gelişti. ARIMA veya Kalman filtreleri gibi geleneksel istatistik modelleri bu doğrusal olmayan, zaman-varying bağımlıları ile doğrudan doğrulayıcı adreslerden gelen bu olumsuzlama sorunları çözmek için işe yaramaz.
Trafik Tahminleri için Temel Derin Öğrenme Mimarileri
Mevcut Neural Networks ve LSTMs
Mevcut Neural Networks (RNNs), uzun vadeli verileri işlemek için tasarlanmıştır, bunları zaman trafik verileri için doğal bir uyum sağlar. Ancak, vanishing gradyans'tan muzdarip olan LSTM katmanlarından muzdariptir, uzun vadeli bağımlılıklarını öğrenme yeteneği kısıtlayabilir. Uzun Kısa süreli bir bellek (LSTM) ağlar, bu sınırlamayı yüzlerce zaman boyunca gösteren hafızalı bellek hücreleri aracılığıyla aşabilir.
Spasal Desenler için Geleneksel Neural Ağlar
Trafik verileri tamamen açık değildir; aynı zamanda uzaysal bir boyuta sahiptir. Bir kesişimdeki hız komşuluk kesişimlerinde hızlarla ilişkilendirilir. Convolutional Neural Networks (CNNs), başlangıçta görüntüler için gelişmiştir, otoyol ağ anlıklarını 2D matriksleri tedavi ederek trafik ağ görüntülerini tedavi etmek için uygulanabilir. Hızlı büyüyen bir literatür, zaman boyunca uzaydaki yeniden eşlemeleri bir araya getiren binlerce kez, gerçek zamanlı eğitim için uygun zamanlardaki tüm zamanların en uygun zamanlarını mümkün kılar.
Transformer Modeller ve Dikkat Mechanisms
Daha yakın zamanda dönüştürücü mimariler - başlangıçta doğal dil işleme için gelişmiş - trafik tahminine adapte edilmiştir. Kendi kendine özgü olaylar için modele izin verir[Dönemli konumlar ve tahminler yaparken, RNN'lerin eşdeğer işlem kısıtlamaları olmadan, tahmin edilen tüm mekansal konumsal konumlar.[Döneticileri ve ani olmayan 2.5) Bu, büyük dağıtım için pratik olarak bunları kullanarak, yüksek çözünürlükte ölçümler için pratik olarak kullanır.
Gerçek Zaman Tahminleri için Robust Data Borusu inşa edin
Derin bir öğrenme modeli, tükettiği veriler kadar iyidir. Gerçek zamanlı bir trafik tahmini sistemi, enjekte olan, temiz ve heterojen kaynaklardan gelen verileri dönüştürmeli bir boru hattı gerektirir:
- [FONT:0]Sensor verileri[[Dönetici: 1 ) – İndüksiyon döngüleri, radar ve kapaklar sabit noktalarda araç sayıları ve hızları sağlar.
- [FONTS Prodüksiyonları[Dönetici:0)GPS Prodüksiyonlar[Dönetici:0)[Dönder: ADRS Prodüksiyonlar[Dönder:0).
- [FONT:0]Weather feeds[[[Dönetici: 1)) – Precipitation, görünürlük ve sıcaklık doğrudan sürüş davranışını etkiler.
- [FONT:0]Asla takvimler[Dönem: 1)[Dönemli: 1) Konserler, spor oyunları ve tatiller öngörülebilir dalgalanmalar yaratır.
Veri işlemesi kritik. Eksik değerler, ara sıralma veya matris faktörizasyonu kullanarak anlaşılmalıdır; outliers (e.g., bir sensör raporlama 200 mph) tespit edilmesi ve bayraklı. Özel mühendislik genellikle zaman-günleme katmanlarına dahil edilebilir, ağın ilgili özellikleri öğrenmesine izin verir. Derin öğrenme modelleri için, ham girişler (örneğin, Apache F’nin son 60 dakika boyunca ağ geçidine bağlı olarak son 60 dakika boyunca hız okumaları) genellikle doğrudan belaya veya yeniden kullanım sağlar.
Eğitim ve Evaluating Traffic Prediction Modeller
Model eğitimi, tarihsel verileri eğitim, doğrulama ve test setlerini zaman zaman zaman zamanlayıcı olarak bölmeye başlar - rastgele shuffling gelecekteki bilgileri sızdırırdı. Standart kayıp fonksiyonları, Huber kaybı gibi kayıp fonksiyonlarının tavsiye edildiği gibi, birçok trafik kriteri de raporlanabilirlik için mutlak Percentage Hatası (MAE) için dikkat etmelidir. çünkü trafik verileri genellikle ağırlaştırılmış (kahkahalarca aşırı derecede yüksek çözünürlükte):
Hiperparametre ayar Bayesian optimizasyon veya ağ arama ile yapılabilir. Anahtar hiperparametreler, CNN'deki filtre sayısı, öğrenme oranı ve dizi uzunluğu ile ilgili olarak, geçerlilik kaybının erken durdurulması için kullanılabilir - milyonlarca parametre ile ilgili derin model çok fazla sayıda zaman için eğitilmiş tarihi kalıpları ezberlemeye eğilimlidir. büyük bir şehirdeki verilerinden öğrenme süresine kadar eğitim süresi azaltılabilir.
Gerçek Zamanlı İnferans ve Deployment Strategies
Üretime eğitimli bir model taşımak, TensorFlow servisi, TorchServe veya NVIDIA Triton Inference Server gibi çerçeveler kullanarak modelleme modelleri ve maliyeti birkaç yüz milisaniye içinde, trafik yönetimi sistemleri için harekete geçmek için bir araya gelmek gerekir. Batch inference - birlikte birden fazla yol segmentleri veya zaman adımlarını işlemek - kullanım ve azaltmak - per-request.
Başka bir meydan okuma şu ki: trafik modelleri aylarca değişir (örneğin, yeni yol açmaları, yeni verilerin her bir toplula artan şekilde değiştiği gibi), tahminleri unutmak için sürekli izleme gerektirir.Bir hibrit yaklaşım, performans degradları kullanarak her türlü değişkenleme tekniğini tetikler.
Kentsel Hareketlilik ve Future Trendleri Üzerine Etkisi
Derin öğrenme odaklı trafik tahminleri zaten pilot şehirlerde 10-20% ile seyahat süresini azaltır, akıllı trafik sinyali kontrol ve dinamik rota önerileri sağlar. Gerçek zamanlı tahminler acil servislerin rotadaki ambulansları ve yangın motor motorlarını geri yüklemesine izin verir: Arabaların içinde tasarruf etmek, bulut bağımlılığını azaltır ve geç kritik tepkileri sağlayacaktır.
Gelecek araştırma, video kanallarını kullanarak algılamanın ve açık veri girişimleriyle karşılaştırıldığında, standart karşılaştırmaların benimsenmesi, D-based CNNs ile karşılaştırıldığında düzensiz topolojilerin üst düzey kullanımına izin vermektir. Video kameranın dikkat mekanizmaları kullanarak kullanımı ile ilgili çok yönlü modeller ortaya çıkmaktadır, zenginleştirme bağlamı sunar.The accept of standard values like the correct Flow Benchmark