Alat pembelajaran mesin baru melacak kemacetan lalu lintas perkotaan
Auto

Alat pembelajaran mesin baru melacak kemacetan lalu lintas perkotaan


Tampilan perkiraan keadaan lalu lintas yang mendekati real-time TranSEC di seluruh Area Metro Los Angeles pada pukul 6 sore pada hari kerja. Tampilan ini dihitung dalam waktu kurang dari satu jam. Area hijau menunjukkan lalu lintas mengalir dengan bebas dan area kuning dan merah menunjukkan kemacetan. Kredit: Gambar milik Arun Sathanur, Laboratorium Nasional Pacific Northwest

Algoritme pembelajaran mesin baru siap membantu analis transportasi perkotaan meredakan kemacetan dan hambatan yang secara rutin mengganggu lalu lintas kota.

Alat, yang disebut TranSEC, dikembangkan di Laboratorium Nasional Pacific Northwest Departemen Energi AS untuk membantu insinyur lalu lintas perkotaan mendapatkan akses ke informasi yang dapat ditindaklanjuti tentang pola lalu lintas di kota mereka.

Saat ini, informasi lalu lintas yang tersedia untuk umum di tingkat jalan masih jarang dan tidak lengkap. Insinyur lalu lintas umumnya mengandalkan hitungan lalu lintas yang terisolasi, statistik tabrakan, dan data kecepatan untuk menentukan kondisi jalan raya. Alat baru ini menggunakan kumpulan data lalu lintas yang dikumpulkan dari pengemudi UBER dan data sensor lalu lintas lainnya yang tersedia untuk umum untuk memetakan arus lalu lintas tingkat jalan dari waktu ke waktu. Ini menciptakan gambaran besar lalu lintas kota menggunakan alat pembelajaran mesin dan sumber daya komputasi yang tersedia di laboratorium nasional.

“Yang baru di sini adalah perkiraan tingkat jalan di wilayah metropolitan yang luas,” kata Arif Khan, ilmuwan komputer PNNL yang membantu mengembangkan TranSEC. “Dan tidak seperti model lain yang hanya bekerja di satu area metro tertentu, alat kami portabel dan dapat diterapkan ke area perkotaan mana pun di mana data lalu lintas gabungan tersedia.”

Analisis lalu lintas cepat UBER

TranSEC (yang merupakan singkatan dari kemampuan estimasi status transportasi) membedakan dirinya dari metode pemantauan lalu lintas lainnya dengan kemampuannya untuk menganalisis informasi yang jarang dan tidak lengkap. Ini menggunakan pembelajaran mesin untuk menghubungkan segmen dengan data yang hilang, dan yang memungkinkannya membuat estimasi tingkat jalan yang mendekati waktu nyata.

Sebaliknya, fitur peta di ponsel pintar kami dapat membantu kami mengoptimalkan perjalanan kami melalui lanskap kota, menunjukkan chokepoint dan menyarankan rute alternatif. Tetapi alat ponsel pintar hanya bekerja untuk pengemudi individu yang mencoba untuk pergi dari titik A ke titik B. Insinyur lalu lintas kota prihatin dengan cara membantu semua kendaraan mencapai tujuan mereka secara efisien. Kadang-kadang rute yang tampaknya efisien bagi seorang pengemudi menyebabkan terlalu banyak kendaraan yang mencoba mengakses jalan yang tidak dirancang untuk menangani volume lalu lintas tersebut.

Dengan menggunakan data publik dari seluruh area metropolitan Los Angeles seluas 1.500 mil persegi, tim mengurangi waktu yang dibutuhkan untuk membuat model kemacetan lalu lintas berdasarkan urutan besarnya, dari jam ke menit. Percepatan, yang dicapai dengan sumber daya komputasi berkinerja tinggi di PNNL, membuat analisis lalu lintas yang hampir seketika menjadi mungkin. Tim peneliti baru-baru ini mempresentasikan analisis tersebut pada Virtual Urban Computing Workshop pada Agustus 2020 sebagai bagian dari konferensi Knowledge Discovery and Data Mining (SIGKDD), dan pada September 2020 mereka meminta masukan dari insinyur lalu lintas pada pertemuan virtual di TranSEC.

“TranSEC memiliki potensi untuk memulai perubahan paradigma dalam cara profesional lalu lintas memantau dan memprediksi kinerja mobilitas sistem,” kata Mark Franz, peserta pertemuan dan insinyur penelitian di Pusat Teknologi Transportasi Lanjutan, Universitas Maryland, College Park. “TranSEC mengatasi kesenjangan data yang melekat dalam metode pengumpulan data lama dan memiliki potensi yang luar biasa.”

Kredit: Video oleh Graham Bourque | Laboratorium Nasional Pacific Northwest

Pembelajaran mesin meningkatkan akurasi dari waktu ke waktu

Fitur pembelajaran mesin dari TranSEC berarti semakin banyak data yang diperoleh dan diproses, hal itu menjadi lebih disempurnakan dan berguna dari waktu ke waktu. Analisis semacam ini digunakan untuk memahami bagaimana gangguan menyebar ke seluruh jaringan. Dengan data yang cukup, elemen pembelajaran mesin akan dapat memprediksi dampak sehingga teknisi lalu lintas dapat membuat strategi korektif.

“Kami menggunakan model berbasis grafik bersama dengan metode pengambilan sampel baru dan mesin pengoptimalan, untuk mempelajari waktu perjalanan dan rute,” kata Arun Sathanur, ilmuwan komputer PNNL dan peneliti utama dalam tim. “Metode ini berpotensi besar untuk dikembangkan ke moda transportasi lain, seperti lalu lintas transit dan angkutan barang. Sebagai alat analisis, metode ini mampu menyelidiki bagaimana suatu kondisi lalu lintas menyebar.”

Dengan pendekatan berbasis data PNNL, pengguna dapat mengunggah data waktu nyata dan memperbarui TranSEC secara teratur di pusat kendali transportasi. Insinyur dapat menggunakan perkiraan jangka pendek untuk mendukung keputusan guna mengelola masalah lalu lintas. Pendekatan PNNL juga dapat diperluas dengan memasukkan data cuaca atau data lain yang mempengaruhi kondisi di jalan raya.

Menghitung daya untuk perencana transportasi nasional

Sama seperti kesadaran situasional tentang kondisi yang menginformasikan keputusan pengemudi individu, pendekatan TranSEC memberikan kesadaran situasional pada seluruh sistem untuk membantu mengurangi kemacetan lalu lintas perkotaan.

“Insinyur lalu lintas di seluruh negeri belum memiliki alat untuk memberi mereka perkiraan waktu nyata yang mendekati keadaan jaringan transportasi,” kata Robert Rallo, ilmuwan komputer PNNL dan peneliti utama proyek TranSEC. “Mampu memprediksi kondisi satu jam atau lebih ke depan akan sangat berharga, untuk mengetahui di mana penyumbatan akan terjadi.”

Saat menjalankan model kota skala penuh masih membutuhkan sumber daya komputasi berkinerja tinggi, TranSEC dapat diskalakan. Misalnya, jaringan jalan raya dengan hanya jalan raya dan arteri utama dapat dimodelkan pada komputer desktop yang canggih.

“Kami sedang bekerja untuk membuat TranSEC tersedia untuk kota-kota di seluruh negeri,” kata Katherine Wolf, manajer proyek untuk TranSEC.

Akhirnya, setelah pengembangan lebih lanjut, TranSEC dapat digunakan untuk membantu program rute kendaraan otonom, menurut tim peneliti.


Perilaku pengemudi mempengaruhi pola lalu lintas seperti halnya desain jalan raya, laporan studi


Disediakan oleh Laboratorium Nasional Pacific Northwest

Kutipan: Alat pembelajaran mesin baru melacak kemacetan lalu lintas perkotaan (2020, 2 Desember), diakses pada 2 Desember 2020 dari https://techxplore.com/news/2020-12-machine-tool-tracks-urban-traffic.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : https://totohk.co/