Комплексність сучасного прогнозування трафіку

Прогнозування трафіку розвивався з простих історичних середів до дисципліни, яка повинна враховуватися для запаморочення масиву динамічних змін. Розмітки зрушують не тільки з часом, але і з погодними подіями, нещасними випадокми, будівельними зонами, спортивними подіями, і навіть соціальними медіа тенденціями. Традиційні статистичні моделі, як ARIMA або Kalman фільтри, які борються, щоб захопити ці нелінійні, часові залежності. Завдання з'єднуються потребою real-time] прогнозування — модель, яка дозволяє переходити, ніж у секундах. Глибоке вивчення даних, що містяться в основному, використовуючи ці проблеми, використовуючи мінімальні.

Основні глибокі навчальні архітектури для прогнозування руху

Рекурентні неуралні мережі та LSTMs

Рекурентні Неуралні мережі (RNNs) призначені для обробки послідовних даних, що робить їх природним придатним для даних про часовий трафік. Однак ванільні РН страждають від ванільних градієнтів, обмежуючи їх здатність вчитися довгострокових залежностей. Довгі короткочасні пам'яті (LSTM) мережі подолають це обмеження через клітинки пам'яті, які можуть зберігати інформацію для сотень часових кроків. Системи прогнозування трафіку зазвичай використовують укладаються LSTM моделі для захоплення візерунки на декількох часових вагах — наприклад, нижній шар може вивчати щоденні цикли, а більш високий шар дізнається щотижневі або сезонні тенденції. Дослідження [[F:0M]

Конвоювати Неуралні мережі для просторових візерунків

Дані трафіку не є абсолютно послідовними; він також має просторовий вимір. Швидкість на одному перетині корелюється зі швидкістю на сусідніх перехрестях. Конвоульовані Неуралні мережі (CNNs), спочатку розроблені для зображень, можуть застосовуватися до рухомих мереж шляхом обробки дорожньої мережі знімків як 2D-матчами. Швидкозростаюча література використовує спатіотемічні CNN, які поєднують зв'язки по простору з рецидивами через час. Наприклад, Архітектура ST-ResNet стосується залишкових конвюнктурних блоків для прогнозування містових потоків, досягнення точності державного рівня з оновленнями може бути застосовані в наступних просторих приміщеннях.

Трансформаторні моделі та механіки уваги

Останнім часом, трансформери архітектури — спочатку розроблені для обробки природної мови — адаптовані до прогнозування руху. Механізм самовлаштування дозволяє моделі зважити важливість всіх часових кроків і всіх просторових місць при виготовленні прогнозу, без послідовних обмежень обробки РН. Це робить трансформатори особливо ефективні для захоплення довготонічних залежностей і раптових аномальних подій. Автоформер і ]Інформатор датчики зменшення квадрекції нижче самозабезпечення, що робить їх практичними бенчами для великих помилок.

Створення системи Robust Data для прогнозування реального часу

Модель глибокого навчання є тільки такими, як і дані, які споживають. Будуємо систему прогнозування трафіку в режимі реального часу вимагає трубопроводу, який інгест, очищення, перетворення потокових даних з гетерогенних джерел:

  • Сенсорні дані — Індукційні петлі, радіолокатори та лідар забезпечують кількість автомобілів та швидкості на фіксованих точках.
  • GPS-пробес — Завантаження даних автомобілів з навігаційних додатків та автотранспортних засобів, які пропонують безперервні часи поїздки.
  • Попередня подача — Посадка, видимість та температура безпосередньо впливають на поведінку водіння.
  • Севен календарі — Концерти, спортивні ігри, святкові дні створюють передбачувані перепади.

Передпроцесорами даних є критичним. Значення пропуску повинні бути в змозі вдаватися до використання міжполяризації або факторизації матриці; зовнішні речовини (наприклад, сенсорна звітність 200 миль / год) повинні бути ідентифіковані і позначені. Особлива інженерія може включати часове кодування, добове-всеочні думи, і відставні змінні. Для глибоких моделей навчання, сирі вводи (наприклад, швидкості читання через останні 60 хвилин через сітку) часто подаються безпосередньо в конв'юнкі або рецидивні шари, що дозволяють мережі вчитися відповідні функції. Виробничий трубопровод повинен використовувати рамки обробки потоку, такі як двигун Apache Kafka або Apache Flink, як правило, залежно від затримувати вимоги до пакету, залежно від за допомогою субти, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, що вимагаються, що вимагаються до постійного струму, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, щоб обробляти робочі інтервали, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, що вимагають, щоб обробляти, як правило

Моделі прогнозування та оцінки трафіку

Модельний тренінг починається з розщеплення історичних даних на навчання, перевірки та тестів при збереженні часового замовлення — випадковий шаплінг буде витікати майбутній інформацію. Стандартні функції втрати включають в себе Меан Абсолют (MAE) та Кореневу Квадратну помилку (RMSE), хоча кілька бендиктів трафіку також повідомляють Меан Абсолютна заступна помилка (MAPE) для інтерпретації. Оскільки дані трафіку часто великогабаритні (окшпаровані екстремальні застібки), рекомендовані функції втрати надійності [Мефсія[Мефредство]

Гіперпараметрове тюнінг може бути виконано з Байєсянською оптимізацією або пошуком сітки. Ключові гіперпараметри включають число шарів LSTM, кількість фільтрів в CNN, курс навчання та довжину послідовності. Поширена практика полягає в використанні ранньої зупинки на втраті перевірки, щоб запобігти перенаряддя — глибокі моделі з мільйонами параметрів схильні до запам'ятовування історичних закономірностей, якщо навчаються занадто багато епох. Передача навчання з попередньо підготовленої моделі на великих даних міста може зменшити час тренувань для менших муніципалітетів, як показано в роботі Zhang та ін

Стратегія реального часу та розгортання

Переміщення підготовленої моделі в виробництво вимагає архітектуру розгортання, яка балансує надійність, пропускну здатність та вартість. Багато організацій контейнеризовані моделі з використанням Docker та служать їх через REST API, використовуючи такі основи, як TensorFlow Serving, TorchServe або NVIDIA Triton Inference Server. Для реального часу прогнозування трафіку, інференці повинні завершитися протягом декількох сотень мілісекундів, щоб бути ефективним для систем управління трафіком. Інфункція Batch - обробка декількох сегментів доріг або часових кроків разом - може покращити використання GPU та зменшити завоювання.

Ще одним завданням є поняття drift: зміни шаблонів трафіку протягом декількох місяців (наприклад, нові отвори доріг, зміни в комутаційні звички). Надійна система реалізує безперервний моніторинг з метричними показниками, такими як прогнозування помилок дрифтів, і викликає автоматичне перенапруження при виконанні деградів за межами порога. Технології онлайн навчання — де модель оновлюється внутрішньо з кожною частиною нових даних — набирає тяги для додатків трафіку, хоча вони вимагають ретельного управління, щоб уникнути катастрофічних забудь. Гібридний підхід перенапружує повну модель щотижня, використовуючи легкий адаптивний шар для щоденних коригувань.

Вплив на тенденції міського мобільності та майбутнього

Глибоке прогнозування руху в навчанні вже скорочує час руху на 10-20% у пілотних містах, що дозволяє інтелектуальний контроль сигналу трафіку та динамічні рекомендації по маршруту. Прогнози реального часу дозволяють екстрені послуги перепрогностувати амбулаторні засоби та пожежні двигуни навколо завантажувального, потенційно економити життя. Як autonomous транспортних засобів стають більш поширеними, ці моделі будуть живити прогнози безпосередньо в планувальники транспортних засобів, поліпшення безпеки та ефективності. Розгортання краю є перспективним напрямком: бігти легкі моделі на придорожніх агрегатах або навіть всередині транспортних засобів, що самі знижує хмарну залежність і дозволяє підтримувати затримки-криті реакції.

Дослідження майбутнього дослідження є дослідження інтеграції графічних нейромереж (GNNs), які лікують дорожні мережі як графіки, що дозволяють отримати перевагу використанню нерегулярних топологій порівняно з мережними CNN. Багатомодальні моделі, які використовують відеокамеру, живлять з сенсорними даними, використовуючи механізми уваги, пропонують більш насичений контекст. Прийнято стандартні бенчмарки, такі як Traffic Flow Benchmark] допомагає поле прискорити. З продовженням розширення інфраструктури Інтернету речей та відкритих даних, глибоке прогнозування руху на основі глибоких знань стане стандартним компонентом смарт-марних операцій по всьому світу.