Maskinlæringsprogram forudsiger brug af offentlig transport i Singapore

Fra skoler og butikker til hospitaler og hoteller, en moderne by består af mange forskellige dele. Byplanlæggere skal tage højde for, hvor disse tjenester er placeret, når de udformer effektive transitnet. A*STAR-forskere har udviklet et maskinlæringsprogram til nøjagtigt at genskabe og forudsige offentlig transportbrug, eller 'ridership', baseret på fordelingen af ​​arealanvendelse og faciliteter i Singapore.

Traditionelle byer omfatter et indre centralt forretningsdistrikt (CBD), hvor de fleste arbejder, omgivet af ydre bolig- og industrizoner. Desværre for pendlere, det store antal mennesker, der rejser til og fra CBD, kan forårsage problemer i myldretiden. For at lindre noget af denne frustration, den singaporeanske regering arbejder på at skabe regionale centre inden år 2030. Planlæggerne håber at tilskynde virksomhedsejere til at åbne i bestemte regionale centre rundt om bystaten, lette spidsbelastningspresset og tilskynde til brug af offentlig transport.

"Vi sigter efter at forstå opskriften på en smart by, " forklarer Christopher Monterola ved A*STAR Institute of High Performance Computing, der ledede projektet i samarbejde med forskere på tværs af Singapore. "Singapore har brug for et effektivt transportsystem til at understøtte folks aktiviteter givet den eksisterende og planlagte infrastruktur. For at vejlede planlæggere, vi havde brug for en model, der kunne forudsige ryttertallet under planen for regionale centre."

Holdet indsamlede data fra byens smartcard-system om folk, der tappede ind og ud af individuelle bus- og metrostationer i løbet af en uge - mere end 20 millioner rejser i alt.

Smartcard-dataene blev kombineret med information i hele byen om, hvordan jorden blev brugt - til erhvervslivet, industri, bopæl, vand eller grønt - og højopløselige kort, der identificerede individuelle faciliteter inden for en bestemt radius af hver station. Monterolas team prøvede tre forskellige maskinlæringsmodeller - computerprogrammer, der træner sig selv gennem gentagne simuleringer - for at finde en, der først blev nøjagtigt gengivet, og så forudsagt, transportere på tværs af byen.

"Vi fandt ud af, at en beslutningstræmodel fungerede bedst, med god nøjagtighed, beregningseffektivitet og et let-at-følge brugerdisplay, " siger Monterola. "Resultater indikerede, at en stigning i faciliteter på op til 55 procent i hele byen ville øge passagertallet. Ud over dette punkt, ryttertallet begynder at falde; dette er logisk, for hvis faciliteter er tilgængelige lokalt, folk går i stedet for."

De højopløselige bekvemmelighedsdata viste sig at være en meget stærkere forudsigelse for ryttere end generelle detaljer om arealanvendelse; et nyttigt resultat til at informere fremtidig byplanlægning og overvågning af Singapores regionale centre, efterhånden som de udvikler sig. Modellen kan anvendes til enhver by med adgang til lignende højopløsningsdata, bemærker Monterola.