您的位置:首頁 >新聞 >

Caltrans和Connected Corridors正在洛杉磯縣I-210試點實施該系統

據外媒報道,城市交通大致會遵循一個與“朝九晚五”工作時間表相關的周期性模式。不過,如果有事故發生,該交通模式就會被打亂。對于交通工程師來說,設計一個準確的交通流量模型,以在發生事故時使用是一個很大的挑戰,因為必須要實時適應不可預見的交通場景。

現在,美國能源部的勞倫斯伯克利國家實驗室(Lawrence Berkeley National Lab)的一組計算機科學家與加利福尼亞州運輸部(California Department of Transportation,Caltrans)合作,采用高性能計算和機器學習技術,在發生事故時,幫助Caltrans實時做出決策。該研究是與加利福尼亞高級運輸和公路合作伙伴(PATH)、加州伯克利大學的交通研究(ITS)合作進行的,是Connected Corridors項目的一部分,Connected Corridors旨在研究、開發和測試一個綜合走廊管理方法(Integrated Corridor Management approach),用于管理加州的交通走廊。

Caltrans和Connected Corridors正在洛杉磯縣I-210試點實施該系統。研究人員采用南加州市、縣和州的實時數據,目標是通過執行經過協調的多司法管轄區交通事故響應計劃,以限制交通事故的負面影響,提高Caltrans的實時決策能力。該系統的首個版本將于2020年部署于阿卡迪亞、杜阿爾特、蒙羅維亞和帕薩迪納等城市,并計劃部署到該州的各地。

伯克利大學計算研究部(CRD)數學家Sherry Li表示:“其實有很多種交通流量預測方法,而且每一種在適當的情況下都可發揮作用。為了減輕人工操作員(有些人有時會盲目信任某個特定模型)的負擔,我們的目標是整合多個模型,以更穩定、準確地預測交通流量。為此,我們設計了一個結合不同子模型的集成學習(ensemble-learning)算法。”

集成學習是一種將不同的學習者(單個模型)組合在一起,以提高該模型的穩定性和預測能力的技術。長期以來,機器學習研究人員一直在研究該技術。交通流量的特殊之處在于具備時間性;交通流量的測量值會隨著時間變化而變化,不同的單個模型的預測結果也是如此。

在伯克利大學實驗室與Caltrans的合作項目中,該集成模型考慮了各個子模型之間的相互依賴性,并且分配了“投票份額”以平衡個體的性能和相互依賴性。相對于對較老歷史的預測性能,該模型更看重對最近時間段的預測性能。最后,該合成模型在預測精度和穩定性方面優于測試中使用的任何單一模型。

該項目利用Caltrans傳感器從加州高速公路上收集而來的數據,產生了新穎的算法,能夠在15分鐘的循環制基礎上,進行準確預測。然后,該團隊利用Connected Corridors系統收集的實時交通數據,驗證并集成了該新算法。Connected Corridors系統是一個實時交通數據中心,可擴展機器學習庫Spark Mllib,Spark Mllib會提供機器學習模型,可以在集成學習框架中使用此類模型。該研究的具體成果是在高速公路上安裝傳感器的地方預測了交通流量,進而能夠預測高速公路入口的交通流量需求以及高速出口的交通流量。

集成學習部分解決了交通中有不同類型車輛的問題,但是沒有解決因施工或事故突然導致的交通變化問題。該研究小組利用在線(實時)學習技術,使該算法不僅能夠學習過去的情況,還能夠沿路實時適應新的交通狀況。

該算法還可以與上述技術相結合,以更準確、更及時地預測交通,并有助于實時控制交通,如改變交通路線、改變交通燈配置等糾正措施。

鄭重聲明:本文版權歸原作者所有,轉載文章僅為傳播更多信息之目的,如作者信息標記有誤,請第一時間聯系我們修改或刪除,多謝。
水寒赚钱 云南星悦麻将下载安装苹果版 网络炒股平台 加拿大快乐8技巧 如何在网上赚钱 赛车动漫 快乐彩开奖号码 天天彩选4开奖走势图 十一选五胆码拖码什么意思 华东15选5走势图 财神捕鱼为什么一直输