[ad_1]

یک الگوریتم جدید یادگیری ماشین آماده شده است تا به تحلیلگران حمل و نقل شهری کمک کند تا از تنگناها و نقاط دشواری که به طور معمول در ترافیک شهری غرق می شوند ، تخفیف پیدا کنند.

این ابزار با نام TranSEC در آزمایشگاه ملی اقیانوس آرام در وزارت انرژی ایالات متحده برای کمک به مهندسان ترافیک شهری برای دستیابی به اطلاعات فعلی در مورد الگوهای ترافیکی در شهرهایشان ساخته شده است.

در حال حاضر ، اطلاعات در دسترس عموم در مورد ترافیک خیابان کم و ناقص است. مهندسان راهنمایی و رانندگی معمولاً برای تعیین شرایط جاده به شماره های جدا شده ترافیک ، آمار برخورد و داده های سرعت متکی هستند. این ابزار جدید از مجموعه داده های ترافیک جمع آوری شده از رانندگان UBER و سایر داده های موجود در دسترس عموم از سنسور ترافیک برای ترسیم جریان ترافیک خیابان در طول زمان استفاده می کند. با کمک ابزارهای یادگیری ماشین و منابع محاسباتی موجود در یک آزمایشگاه ملی ، تصویری بزرگ از ترافیک شهری ایجاد می کند.

عارف خان ، دانشمند کامپیوتر در PNNL که به توسعه TranSEC کمک کرد ، گفت: “آنچه در اینجا جدید است ارزیابی سطح خیابان در یک منطقه بزرگ شهری است.” “و برخلاف مدلهای دیگر که فقط در یک منطقه خاص مترو کار می کنند ، ابزار ما قابل حمل است و می تواند در هر منطقه شهری که داده های ترافیکی جمع شده در آن موجود است قابل استفاده باشد.”

تجزیه و تحلیل سریع UBER سریع

TranSEC (به معنای توانایی ارزیابی وضعیت حمل و نقل) با سایر روش های نظارت بر ترافیک با توانایی تجزیه و تحلیل اطلاعات کمیاب و ناقص متفاوت است. این از یادگیری ماشین برای اتصال بخشها با داده های از دست رفته استفاده می کند و این امکان را برای شما فراهم می کند تا در سطح خیابان برآورد واقعی داشته باشد.

در مقابل ، ویژگی های نقشه تلفن های هوشمند ما می توانند با اشاره به نقاط خفگی و ارائه مسیرهای جایگزین ، به ما در بهینه سازی سفر خود در منظره شهر کمک کنند. اما ابزارهای تلفن هوشمند فقط برای یک راننده کار می کند که سعی دارد از نقطه A به نقطه B برسد. مهندسان ترافیک شهری در حال کار بر روی چگونگی کمک به همه وسایل نقلیه برای رسیدن به مقصد موثر هستند. بعضی اوقات مسیری که از نظر شخصی راننده م effectiveثر به نظر می رسد منجر به تعداد زیادی وسیله نقلیه می شود که می توانند به جاده ای برسند که برای کنترل این میزان ترافیک طراحی نشده باشد.

با استفاده از داده های عمومی از کل کلانشهر لس آنجلس با مساحت 1500 مایل مربع ، تیم زمان لازم برای ایجاد یک مدل از ترافیک را به ترتیب ساعت ها در دقیقه کاهش داد. شتابی که با استفاده از منابع محاسباتی با عملکرد بالا در PNNL حاصل می شود ، تجزیه و تحلیل ترافیک را تقریباً در زمان واقعی عملی می کند. تیم تحقیقاتی اخیراً این تحلیل را در کارگاه آموزشی محاسبه شهری مجازی در آگوست سال 2020 به عنوان بخشی از کنفرانس دانش و استخراج داده (SIGKDD) ارائه دادند و در سپتامبر 2020 آنها در یک جلسه مجازی از مهندسان ترافیک استفاده کردند TranSEC.

مارک فرانتس ، یکی از شرکت کنندگان در جلسه و پژوهشگر مرکز فناوری حمل و نقل پیشرفته ، دانشگاه مریلند ، کالج پارک ، گفت: “TranSEC این پتانسیل را دارد که یک تغییر الگوی در نحوه نظارت و پیش بینی اثربخشی تحرک سیستم را ایجاد کند.” TranSEC از شکافهای ذاتی در روشهای جمع آوری داده های قدیمی خلاص می شود و از پتانسیل زیادی برخوردار است. “

یادگیری ماشینی دقت را با گذشت زمان بهبود می بخشد

ویژگی یادگیری ماشین TranSEC به این معنی است که با دریافت و پردازش داده های بیشتر ، با گذشت زمان پیچیده تر و مفیدتر می شوند. این نوع تحلیل برای درک چگونگی انتشار تداخل در شبکه ها استفاده می شود. با داشتن اطلاعات کافی ، عنصر یادگیری ماشین قادر به پیش بینی تأثیرات خواهد بود تا مهندسان ترافیک بتوانند استراتژی های اصلاحی ایجاد کنند.

آرون Satanur ، دانشمند کامپیوتر PNNL و محقق ارشد تیم گفت: “ما از یک مدل گرافیکی همراه با روش های جدید نمونه گیری و موتورهای بهینه سازی برای یادگیری زمان سفر و مسیرها استفاده می کنیم.” “این روش قابل توجهی است که می تواند به سایر روش های حمل و نقل مانند حمل و نقل و ترافیک حمل و نقل نیز تعمیم یابد. به عنوان یک ابزار تحلیلی ، قادر به بررسی نحوه گسترش وضعیت ترافیک است.”

با رویکرد PNNL مبتنی بر داده ، کاربران می توانند داده های زمان واقعی را بارگذاری کرده و TranSEC را به طور مرتب در مرکز کنترل حمل و نقل به روز کنند. مهندسان می توانند از پیش بینی های کوتاه مدت برای پشتیبانی از راه حل های مدیریت ترافیک استفاده کنند. رویکرد PNNL همچنین می تواند شامل داده های هواشناسی یا سایر داده ها باشد که بر شرایط جاده تأثیر می گذارد.

قدرت محاسبات برای سازمان دهندگان حمل و نقل در سراسر کشور

درست همانطور که آگاهی موقعیتی از شرایط ، تصمیمات فردی راننده را آگاه می کند ، رویکرد TranSEC نیز آگاهی از موقعیت را به صورت گسترده در سیستم فراهم می کند تا به کاهش ازدحام در ترافیک شهری کمک کند.

رابرت رالو ، دانشمند کامپیوتر در PNNL و محقق ارشد پروژه TranSEC ، گفت: “مهندسان راهنمایی و رانندگی در سراسر کشور ابزاری برای تخمین وضعیت شبکه حمل و نقل در زمان واقعی ندارند.” “اینکه بتوانیم شرایط را یک ساعت یا بیشتر پیش بینی کنیم ، دانستن محل انسداد بسیار ارزشمند خواهد بود.”

اگرچه مدیریت یک مدل شهری در مقیاس کامل هنوز به منابع محاسباتی با عملکرد بالا نیاز دارد ، TranSEC مقیاس پذیر است. به عنوان مثال ، یک شبکه جاده ای که فقط دارای بزرگراه ها و شریان های اصلی است می تواند از طریق یک رایانه رومیزی قدرتمند مدل شود.

کاترین ولف ، مدیر پروژه TranSEC ، گفت: “ما در تلاشیم TranSEC را در دسترس شهرداری های سراسر کشور قرار دهیم.”

به گفته تیم تحقیق ، در نهایت ، پس از توسعه بیشتر ، می توان از TranSEC برای پشتیبانی از برنامه نویسی مسیرهای وسایل نقلیه مستقل استفاده کرد.

فیلم: https://www.youtube.com/watch؟v=8S4bLv9CtOo

این پروژه توسط وزارت فناوری اتومبیل وزارت انرژی ایالات متحده ، برنامه سیستم های سیار با بهره وری انرژی پشتیبانی شد.

[ad_2]

منبع: khabar-erfan.ir