Ilmuwan menggunakan kecerdasan buatan untuk memperkirakan pola lalu lintas skala besar dengan lebih akurat
Auto

Ilmuwan menggunakan kecerdasan buatan untuk memperkirakan pola lalu lintas skala besar dengan lebih akurat


Kredit: TierneyMJ / Shutterstock

Bukan rahasia lagi bahwa Los Angeles terkenal dengan kemacetan lalu lintasnya, biasanya menempati peringkat pertama dalam studi tentang hot spot lalu lintas negara. Perkiraan menunjukkan bahwa Angelinos menghabiskan 120 jam ekstra setahun terjebak di dalamnya. Meskipun merupakan mimpi buruk bagi pengemudi, sistem transportasi LA memang memiliki keuntungan jika Anda merancang sistem baru untuk memprediksi dengan cepat dan berpotensi mengarahkan lalu lintas tersebut.

Para peneliti dari seluruh Laboratorium Nasional Argonne Departemen Energi AS (DOE) mulai melakukan hal itu di bawah payung proyek yang lebih besar tentang desain dan perencanaan sistem mobilitas yang dipimpin oleh kolaborator di Laboratorium Nasional Lawrence Berkeley (LBNL) DOE.

Dengan menggunakan teknik kecerdasan buatan (AI) yang disebut pembelajaran mesin, tim tersebut memanfaatkan superkomputer Argonne untuk mencerna pola lalu lintas dari data hampir setahun yang diambil dari 11.160 sensor di sepanjang sistem jalan raya California yang besar. Informasi tersebut kemudian digunakan untuk melatih model untuk meramalkan lalu lintas dengan kecepatan kilat — tentu saja lebih cepat daripada lalu lintas LA. Dalam milidetik, model dapat melihat data satu jam terakhir dan memprediksi jam lalu lintas berikutnya dengan sangat akurat.

Bekerja dengan anggota divisi Matematika dan Ilmu Komputer (MCS) Argonne dan Fasilitas Komputasi Kepemimpinan Argonne (ALCF), Fasilitas Pengguna Kantor Sains DOE, tim mencapai hasil luar biasa dalam peramalan lalu lintas, baru-baru ini menerbitkan hasil tersebut di Catatan Riset Transportasi: Jurnal Badan Riset Transportasi.

“AI dan kapabilitas superkomputer yang telah digunakan dalam pekerjaan ini memungkinkan kami untuk menangani masalah yang sangat besar,” kata Prasanna Balaprakash, seorang ilmuwan komputer di MCS dengan penunjukan bersama di ALCF. “Skala proyek ini besar, dan jumlah data ini membutuhkan sumber daya komputasi yang sama besarnya untuk menanganinya.”

Dengan menggunakan sumber daya komputasi kelas dunia ALCF, para ilmuwan secara drastis mengurangi jumlah jam komputer yang dibutuhkan untuk melatih model tersebut. Misalnya, jika diperlukan komputer desktop paling mutakhir dalam seminggu untuk melatih model perkiraan lalu lintas, proses yang sama dapat dilakukan dalam tiga jam di superkomputer.

Memanfaatkan kekuatan deep learning berbasis grafik — bentuk pembelajaran mesin kompleks yang dapat membuat keputusan dan meningkatkan prediksi model hampir secara otomatis — model mereka menggunakan data historis untuk memprediksi pola lalu lintas, sekaligus memperkirakan kecepatan dan aliran pada saat yang sama. Ini penting karena arus lalu lintas di satu area pada waktu tertentu bergantung pada kecepatan dan arus lalu lintas di sekitarnya.

“Pendekatan prakiraan lalu lintas sangat penting untuk mengembangkan strategi adaptif untuk transportasi,” kata Eric Rask, mantan insinyur peneliti utama di Pusat Penelitian Transportasi Argonne dan salah satu ilmuwan yang terlibat dalam penelitian tersebut. “Pola lalu lintas memiliki ketergantungan spasial dan temporal yang kompleks yang membuat peramalan yang akurat pada jaringan jalan raya besar menjadi tugas yang menantang.”

Tidak hanya tim menangkap dinamika tersebut, mereka melakukannya di jaringan dengan lebih banyak sensor dan lokasi prediksi secara dramatis daripada model prakiraan lalu lintas sebelumnya, catat Rask. Dan dengan memecah jaringan besar menjadi beberapa jaringan yang lebih kecil, mereka dapat melatih setiap bagian jaringan secara mandiri, sehingga sangat meningkatkan kecepatan dan efektivitas model.

Model sebelumnya hanya dapat menangani data dari 200-300 lokasi sensor; namun dengan metode partisi grafik baru ini, tim dapat memproses data dari lebih dari 11.000 lokasi sekaligus mengurangi waktu pelatihan model dengan urutan besarnya. Metode ini tidak hanya cepat, tetapi juga dapat secara akurat memprediksi kecepatan lalu lintas satu jam ke depan, biasanya dalam 6 mph dari kecepatan yang diamati di lokasi mana pun di seluruh jaringan.

“Skala dan akurasi teknik peramalan berpotensi untuk memungkinkan pengambilan keputusan yang lebih baik,” kata Tanwi Mallick, seorang postdoctoral yang ditunjuk di MCS dan penulis pertama proyek tersebut.

Mallick dan rekan-rekannya percaya bahwa model tersebut dapat dengan mudah diintegrasikan ke dalam pusat manajemen lalu lintas, memberikan pengontrol lalu lintas sarana yang lebih baik untuk bereaksi dan mengatasi kemacetan lalu lintas dan mengubah rute lalu lintas yang sesuai.


Kontrol jelajah cerdas mengarahkan pengemudi ke arah keputusan yang lebih baik


Informasi lebih lanjut:
Tanwi Mallick dkk. Graph-Partitioning-Based Diffusion Convolutional Recurrent Neural Network untuk Peramalan Lalu Lintas Skala Besar, Catatan Riset Transportasi: Jurnal Badan Riset Transportasi (2020). DOI: 10.1177 / 0361198120930010

Disediakan oleh Laboratorium Nasional Argonne

Kutipan: Ilmuwan menggunakan kecerdasan buatan untuk memperkirakan pola lalu lintas skala besar dengan lebih akurat (2020, 13 November), diakses 27 November 2020 dari https://techxplore.com/news/2020-11-scientists-artificial-intelligence-large-scale-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/