Maskinlæringsalgoritmer hjælper med at forudsige trafikhovedpine

Bytrafik følger nogenlunde et periodisk mønster forbundet med den typiske 9-til-5 arbejdstidsplan. Imidlertid, når der sker en ulykke, trafikmønstre forstyrres. Design af nøjagtige trafikstrømsmodeller, til brug ved ulykker, er en stor udfordring for trafikingeniører, som skal tilpasse sig uforudsete trafikscenarier i realtid.

Et team af Lawrence Berkeley National Lab dataloger arbejder sammen med California Department of Transportation (Caltrans) for at bruge high performance computing (HPC) og maskinlæring til at hjælpe med at forbedre Caltrans' beslutningstagning i realtid, når der opstår hændelser. Forskningen blev udført i samarbejde med California Partners for Advanced Transportation Technology (PATH), del af UC Berkeley's Institute for Transportation Studies (ITS), og forbundne korridorer, et samarbejdsprogram til forskning, udvikle, og test en Integrated Corridor Management tilgang til administration af transportkorridorer i Californien.

Caltrans og Connected Corridors implementerer systemet på prøvebasis i Los Angeles County gennem I-210-piloten. Ved at bruge realtidsdata fra partnere i det sydlige Californien i byen, amt, og statsniveau, målet er at forbedre Caltrans' beslutningstagning i realtid ved at udføre koordinerede multijurisdiktionelle reaktionsplaner for trafikhændelser for at begrænse de negative virkninger af disse hændelser. Den første iteration af dette system vil blive implementeret i byerne Arcadia, Duarte, Monrovia, og Pasadena i 2020, med planer for fremtidige indsættelser rundt om i staten.

"Der findes mange metoder til forudsigelse af trafikstrømme, og hver enkelt kan være fordelagtig i den rigtige situation, "sagde Sherry Li, en matematiker i Berkeley Labs Computational Research Division (CRD). "For at lindre smerten ved at stole på menneskelige operatører, som nogle gange blindt stoler på en bestemt model, vores mål var at integrere flere modeller, der producerer mere stabile og nøjagtige trafikforudsigelser. Det gjorde vi ved at designe en ensemble-læringsalgoritme, der kombinerer forskellige undermodeller.

Ensemblelæring er kunsten at kombinere et forskelligartet sæt elever (individuelle modeller) for at forbedre, i farten, modellens stabilitet og forudsigelsesevne. Denne idé er blevet udforsket af maskinlæringsforskere i lang tid. Det særlige ved trafikafviklingen er den tidsmæssige karakteristik; trafikstrømsmålinger er korrelerede over tid, ligesom forudsigelsesresultaterne fra forskellige individuelle modeller.

I Berkeley Lab-Caltrans-samarbejdet, ensemblemodellen tager hensyn til undermodellernes gensidige afhængighed og tildeler "stemmeandele" for at balancere deres individuelle præstation med deres medafhængighed. Ensemblemodellen værdsætter også nyere forudsigelsespræstation mere end ældre historisk præstation. I slutningen, den kombinerede model er bedre end nogen af ​​de enkelte modeller, der bruges i test, både hvad angår forudsigelsesnøjagtighed og stabilitet.

Projektet startede med finansiering fra Berkeley Labs Laboratory Directed Research and Development (LDRD) program. Målet var at bygge en beregningsramme, der ville muliggøre HPC-applikationer, der er specifikke for transport, såsom optimering og kontrol af trafikligevægt. Systemudviklingsteamet ledes af Brian Peterson, en systemudviklingschef på PATH, der leder Connected Corridors systemudviklingsteam. Hongyuan Zhan, en tidligere Berkeley Lab Computing Sciences sommerstuderende fra Penn State, var en væsentlig bidragyder til Connected Corridors-arbejdet til denne forskning.

Realtidsdata, beslutningstagning i realtid

Ved at bruge data indsamlet fra Caltrans-sensorer på Californiens motorveje, projektet gav nye algoritmer, der opnåede nøjagtig forudsigelse på en 15-minutters rullende basis. Holdet validerede og integrerede derefter de nye algoritmer ved hjælp af trafikdata i realtid indsamlet ved hjælp af Connected Corridors-systemet:en streaming-baseret, realtids transportdatahub, hvor Spark MLlib – et skalerbart maskinlæringsbibliotek – leverer maskinlæringsmodeller, der kan bruges inden for den foreslåede ensemblelæringsramme. Den specifikke implementering af dette arbejde var at generere forudsagte trafikstrømme på steder, hvor sensing var til stede på motorvejen. Dette kan igen bruges til at forudsige trafikkrav ved motorvejstilkørsler og trafikstrømme ved motorvejsafkørsler.

Ensemble -læring tager dels fat på spørgsmålet om forskellige typer køretøjer i trafikken; imidlertid, den behandler ikke pludselige ændringer forårsaget af byggeri eller hændelser. Forskerholdet anvendte online (realtids) læringsteknikker for at gøre det muligt for algoritmen at lære ikke kun fra fortiden, men at tilpasse sig nye trafikforhold undervejs i realtid.

Algoritmen kan bruges i kombination med disse teknologier til mere nøjagtig og rettidig trafikforudsigelse og til at hjælpe med trafikkontrol i realtid, såsom omdirigering af trafik, ændring af trafiklyskonfigurationer, og andre korrigerende foranstaltninger.

"Den første implementering af Connected Corridors-programmet er beregnet til at validere konceptet og kvantificere forbedringer i rejsetider, Trafikstrøm, og forsinkelser under virkelige forhold, " sagde Peterson. "Trafikmodellering har vist, at betydelige forbedringer er mulige med de trafikstyringsstrategier, der udvikles. Fremtidige implementeringer er i planlægningsfasen med muligheder for løbende systemforbedringer og nye tilgange. "

Ud over Li, Peterson, og Zhan, andre bidragydere til dette projekt omfatter Berkeley Lab-forsker John Wu og ITS' Gabriel Gomes.