机器学习算法有助于预测交通头痛

城市交通大致遵循与典型的“ 9至5”工作时间表相关的周期性模式。但是机器，当发生事故时，学习交通模式将被中断。算法对于事故工程师而言，有助于预设计准确的测交交通流模型是交通工程师面临的主要挑战，他们必须实时适应不可预见的通头痛交通情况。

劳伦斯伯克利实验室的机器一组计算机科学家正在与加利福尼亚交通运输部(Caltrans)合作，使用高性能计算(HPC)和机器学习来帮助改进Caltrans在事件发生时的学习实时决策能力。这项研究是算法与加州大学伯克利分校交通研究所(ITS)的加利福尼亚高级交通技术合作伙伴(PATH)和互联走廊(一项研究，开发和测试综合走廊管理方法来管理)的协作计划共同完成的加利福尼亚的交通走廊。

加州交通运输公司和互联走廊正在通过I-210飞行员在洛杉矶县试用该系统。利用加利福尼亚州南部城市，县和州各级合作伙伴的实时数据，目标是通过执行协调的多辖区交通事故响应计划来限制这些事件的负面影响，从而改善Caltrans的实时决策。该系统的第一版将在2020年部署在阿卡迪亚，杜阿尔特，蒙罗维亚和帕萨迪纳等城市，并计划在全州范围内进行未来部署。

伯克利实验室计算研究部(CRD)的数学家Sherry Li说：

“存在许多交通流量预测方法，每种方法在正确的情况下都可能是有利的。[…]为了减轻依赖有时有时盲目地信任一个特定模型的操作员的痛苦，我们的目标是集成多个模型，以产生更稳定，更准确的交通量预测。为此，我们设计了一种集成了不同子模型的集成学习算法。”

集成学习是一种将各种各样的学习者(个体模型)组合在一起以实时改善模型的稳定性和预测能力的艺术。长期以来，机器学习研究人员一直在探索这一想法。交通流的特殊之处在于时间特征。交通流量的测量值与时间相关，不同模型的预测结果也是如此。

在伯克利实验室(Berkeley Lab-Caltrans)合作中，集成模型考虑了子模型的相互依赖性，并分配了“投票份额”以平衡其个人绩效与相互依赖性。与过去的历史表现相比，集成模型还更重视最近的预测表现。最后，在预测准确性和稳定性方面，组合模型都优于测试中使用的任何单个模型。

该项目始于伯克利实验室的实验室指导研究与开发(LDRD)计划的资金。目标是建立一个计算框架，以使特定于运输的HPC应用程序得以实现，例如交通平衡的优化和控制。系统开发团队由PATH系统开发经理Brian Peterson领导，该经理管理Connected Corridors的系统开发团队。詹宏远是宾州州立大学伯克利分校计算机科学系的前暑期学生，他是这项研究的连通走廊工作的主要贡献者。

实时数据，实时决策

利用从加州高速公路上的Caltrans传感器收集的数据，该项目得出了新颖的算法，可在15分钟的滚动基础上实现准确的预测。然后，该团队使用通过Connected Corridors系统收集的实时交通数据验证并集成了新算法：基于流的实时交通数据中心，Spark MLlib(可扩展的机器学习库)在其中提供机器学习模型可以在建议的集成学习框架中使用。这项工作的具体实现是产生预测的客流量的点，其中感测存在在高速公路上流动。这反过来又可以用来在高速公路出入口预测交通需求和交通在高速公路出口流向。

整体学习部分解决了交通中不同类型车辆的问题;但是，它不能解决因施工或事故引起的突然变化。该研究小组应用了在线(实时)学习技术，以使该算法不仅可以学习过去的信息，还可以实时适应新的交通状况。

该算法可以与这些技术结合使用，以更准确，及时地进行交通预测，并有助于实时交通控制，例如重新路由交通，更改交通灯配置以及其他纠正措施。

彼得森说：“互联走廊计划的首次部署旨在验证这一概念并量化在现实条件下的出行时间，交通流量和延误的改善。”“交通模型表明，随着交通管理策略的发展，可能会有重大改进。未来的部署处于计划阶段，将有机会进行持续的系统改进和新方法。”

除Li，Peterson和Zhan外，该项目的其他贡献者还包括伯克利实验室研究员John Wu和ITS的Gabriel Gomes。

最新评论