Sự phức tạp của dự đoán giao thông hiện đại

Dự báo giao thông đã tiến hóa từ trung bình lịch sử đơn giản đến một quy luật phải tính toán một loạt biến động. Các mẫu thời gian thay đổi không chỉ với thời gian trong ngày mà còn với các sự kiện thời tiết, tai nạn, khu vực xây dựng, các sự kiện thể thao, và thậm chí các xu hướng truyền thông xã hội. Các mô hình thống kê truyền thống như ARIMA hoặc Kalman phải đấu tranh để ghi nhớ các phụ thuộc không tuyến tính, thời gian. Sự thử thách được phối hợp với các điều kiện [FL: 0] [FL: 0] [FL: 1], các dự đoán [FT] — một mô hình cần phải nhanh hơn các điều kiện giao thông không có ích trong các giây khi thay đổi địa chỉ học sâu trong các địa chỉ địa chỉ máy tính toán.

Những kiến trúc sâu sắc để dự báo trước giao thông

Mạng thần kinh và LSTM hiện thời

Mạng thần kinh hiện thời (RNNs) được thiết kế để xử lý dữ liệu định sẵn, làm cho chúng phù hợp tự nhiên với dữ liệu thời gian. Tuy nhiên, mạng giao thông bán thời gian. Tuy nhiên, các hệ thống dự đoán va-ni thường bị mất dần, hạn chế khả năng học các quan hệ phụ thuộc tầm xa. Mạng định niên ngắn (LSTM) vượt qua giới hạn này qua các tế bào bộ nhớ có thể lưu trữ thông tin hàng trăm bước. Các hệ thống dự đoán giao thông thường dùng các lớp LSTM để thu các mẫu thời gian ở nhiều cấp thời gian khác nhau — thí dụ, một lớp thấp hơn trong khi lớp học các lớp học theo xu hướng hàng tuần. [FT] [F] [F] [F] [F] [F] Các dự đoán thời gian]

Mạng thần kinh tiến hóa cho mẫu thư viện

Dữ liệu giao thông không chỉ là tạm thời; nó còn có một không gian không gian; nó cũng có thể được áp dụng cho mạng giao thông bằng cách xử lý các hình ảnh chụp mạng đường phố như ma trận 2 chiều. Một văn bản phát triển nhanh tương quan với các giao điểm giao nhau. Mạng lưới thần kinh (CNNN) kết hợp các sự tiến hóa qua không gian với các lớp lặp lại. Lấy thí dụ, cấu trúc ST-ReNet áp dụng cho các khối liên tục để dự đoán các dòng chảy rộng của thành phố, đạt được độ chính xác của các công nghệ cao với sự huấn luyện gần thời gian để cập nhật các mô hình công cụ hàng ngàn phút.

Mô hình chuyển đổi và cơ khí chú ý

Gần đây hơn, cấu trúc biến đổi — ban đầu được phát triển để xử lý ngôn ngữ tự nhiên — đã được điều chỉnh cho dự đoán giao thông. Thiết bị tự lưu ý cho phép mô hình cân nhắc tầm quan trọng của mọi bước và mọi địa điểm không gian [FL1] và [FL:] Trong khi [FL: 2] Inform [FT: T] [T] biến đổi] làm giảm sự phức tạp của sự phức tạp về tính chất tầm xa và tính chất bất ngờ. [FT: 0] [FL: 0] [FL: 0] [FL:] Trình chuyển đổi kích thước] trong vòng 20 phần trăm giây] trong khi chuyển đổi tập tin âm thanh đọc tập tin mới, có thể cảm biến đổi 50 phần trăm thành dữ liệu.

Xây dựng một ống ống dẫn dữ liệu Robust cho dự đoán thời gian thực

Một mô hình học sâu chỉ tốt như dữ liệu nó có thể tiêu thụ. và chuyển dữ liệu từ các nguồn khác nhau:

  • Dữ liệu trợ giúp — Vòng thu, radar và nắp đậy cung cấp số lượng phương tiện và tốc độ cho các điểm cố định.
  • Máy dò ) — nổi dữ liệu xe hơi từ ứng dụng định vị và phương tiện điều khiển tàu bè cho chúng ta những chuyến đi liên tục.
  • Nguồn cấp — Độ mưa, tầm nhìn và nhiệt độ trực tiếp ảnh hưởng đến hành vi lái xe.
  • Lịch chào — Các chương trình thể thao, các trò chơi thể thao và các ngày lễ tạo ra những sự gia tăng có thể đoán trước được.

Tiến trình xử lý dữ liệu là quan trọng. Thiếu giá trị cần phải được tính bằng cách sử dụng độ phân giải hay yếu tố hoá ma trận; yếu tố học tập (v. d., bộ nhạy báo cáo 200 mph) cần được xác định và đánh dấu. Kỹ thuật tính năng có thể bao gồm mã hóa thời gian trong ngày và ngày trong ngày, cho phép mạng xử lý các tính năng cần thiết. Một đường cong sản xuất nên xử lý các khuôn khổ Apache hoặc các biến số phụ (v. d., tốc độ đọc hơn 60 phút cuối cùng qua mạng lưới) thường được cung cấp trực tiếp vào các trường hợp tiến bộ hoặc các lớp lặp lại. Một đường dẫn sản xuất nên xử lý các khuôn khổ Apache hoặc các dữ liệu phụ (v. d., trong vòng 15 phút, thông thường dùng các trường hợp máy tính năng lượng thông thường trong vòng 15 phút, để xử lý dữ liệu cho phép sử dụng các trường hợp tương ứng với các trường hợp tương ứng với các trường hợp tương ứng với các trường hợp tương ứng với các trường hợp tương tự.

Việc huấn luyện và đánh giá mô hình dự báo giao thông

Việc huấn luyện mô hình bắt đầu với việc chia dữ liệu lịch sử thành đào tạo, hợp lệ và kiểm tra bộ trong khi bảo tồn trật tự thời gian — việc giật ngẫu nhiên sẽ tiết lộ thông tin trong tương lai. Chức năng mất tiêu chuẩn bao gồm Lỗi nghiêm trọng (MAE) và Root Ý Gồm lỗi hình vuông (RMSE), mặc dù nhiều dấu băng tải giao thông cũng báo cáo lỗi thời hạn nghiêm trọng (MAPE) để giải thích thông tin tương lai. Vì dữ liệu giao thông thường bị lỗi nghiêm trọng (t quãng thời gian quá lớn), các chức năng mất tích mạnh như lỗi dây thường được khuyến khích. Trong khi các nhà điều hành nên chú ý đến hiệu suất hiếm về sự kiện (sự kiện, đóng gói) bằng cách sử dụng tôi [FT/BAR: [FT/ T/ T/K] [FT] để cập nhật].

Tính toán độ điều chỉnh siêu chiều cao có thể thực hiện với việc tối ưu hóa Bayesian hoặc tìm kiếm mạng lưới. Khóa siêu chuẩn hóa bao gồm số lớp LSTM, số bộ lọc trong CNNs, tỷ lệ học tập và độ dài chuỗi. Một thực hành phổ biến là dừng lại sớm để ngăn chặn sự mất đi hợp lệ — mô hình sâu với hàng triệu dữ liệu có khả năng ghi nhớ nếu được đào tạo quá nhiều mẫu lịch sử. Chuyển đổi từ một mô hình trước đào tạo trên dữ liệu thành phố lớn có thể giảm thời gian đào tạo cho các đô thị nhỏ hơn, như được trình bày bởi [T: 0] [F: bản] [F].

Comment

Để có thể sử dụng mô hình truyền tải và phục vụ chúng qua hệ thống quản lý giao thông, hãy suy luận về các bước xử lý giao thông.

Một thách thức khác là sự trôi dạt của khái niệm: mô hình giao thông thay đổi qua tháng (v.g., những đường mới mở ra, thay đổi theo thói quen giao tiếp). Một hệ thống mạnh mẽ thực hiện liên tục theo dõi với các số lượng như lỗi dự đoán trôi dạt, và kích hoạt tự động điều khiển khi hiệu suất bị giảm dần.

Ảnh hưởng đến sự di chuyển đô thị và các cuộc chiến tương lai

Dự đoán về giao thông học tập sâu đang giảm thời gian đi lại bằng 10–20% trong các thành phố thí điểm bằng cách cho phép sự điều khiển thông minh tín hiệu giao thông và sự tiến bộ động. Các dự đoán thời gian thực cho phép dịch vụ cấp cứu để chuyển hướng xe cứu thương và động cơ cứu hỏa xung quanh tắc nghẽn, có khả năng cứu sống. Vì [FLT: 0] phương tiện tự động [FLT: 1] trở nên phổ biến hơn, những mô hình này sẽ đưa dự đoán trực tiếp vào các thiết bị điều khiển xe cộ, tăng tốc độ an toàn và hiệu quả. Việc bật chạy chỉ dẫn đầy hứa hẹn: chạy mô hình nhỏ trên các đơn vị hoặc thậm chí trong các đơn vị các xe hơi bị hạn chế, các đám mây và hiệu quả.

Nghiên cứu tương lai đang khám phá sự kết hợp của mạng lưới thần kinh đồ thị (GNNs) mà coi mạng lưới đường như đồ thị, cho phép vượt trội xử lý các hệ thống cao cấp bất thường so với các kênh CNN dựa trên mạng lưới. Mô hình đa mô hình kết hợp video với dữ liệu cảm biến bằng cách sử dụng cơ chế tập trung cũng đang nổi lên, cung cấp các bối cảnh phong phú hơn. Việc tiếp nhận thông tin chuẩn như thành phố thông minh [FL: 0] [FL: 0] [FL: 1] đang giúp tăng tốc. Với sự mở rộng của các cơ sở hạ tầng và các dữ liệu mở, việc nghiên cứu dự đoán về giao thông tin về giao thông, sẽ trở thành thành phố thông thông minh.