劳伦斯伯克利国家实验室利用集成学习算法 实时准确预测交通流量

据外媒报道，城市交通总体上遵循与“朝九晚五”工作时间表相关的周期性模式。然而，如果发生事故，交通模式将被中断。对于交通工程师来说，设计一个准确的交通流模型以在发生事故时使用是一个重大挑战，因为它必须实时适应不可预见的交通场景。

现在，美国能源部劳伦斯伯克利国家实验室的一组计算机科学家与加州交通部合作，使用高性能计算和机器学习技术，帮助加州交通运输局在发生事故时做出实时决策。这项研究是与加州先进的交通和公路合作伙伴以及加州大学伯克利分校的交通研究合作进行的。它是互联走廊项目的一部分，该项目旨在研究、开发和测试一种用于管理加州交通走廊的综合走廊管理方法。加州交通运输局和互联走廊正在洛杉矶县试行I-210系统。研究人员使用了来自南加州城市、县和州的实时数据，目的是通过实施协调的多管辖区交通事故应对计划，限制交通事故的负面影响，提高加州交通运输局的实时决策能力。该系统的第一个版本将于2020年在阿卡迪亚、杜阿尔特、蒙罗维亚和帕萨迪纳等城市部署，并计划在全州部署。伯克利大学计算研究系的数学家Sherry Li说， “实际上有很多交通流量预测方法，每种方法都可以在适当的情况下发挥作用。为了减轻人工操作员的负担，我们的目标是集成多个模型，以更稳定、更准确地预测交通流量。为了实现这一目标，我们设计了一种组合不同子模型的集成学习算法集成学习是一种将不同的学习者来提高模型的稳定性和预测能力。机器学习研究人员已经研究这项技术很长时间了。交通流的独特性在于它的及时性；交通流量的测量值会随着时间的推移而变化，这同样适用于不同单个模型的预测结果。在伯克利大学实验室和加州交通运输局的合作项目中，这种集成模型考虑了各种子模型之间的相互依赖性，并分配“投票份额”来平衡个人表现和相互依赖性。与较旧历史的预测性能相比，该模型更加强调最近一段时间的预测性能。最后，综合模型在预测精度和稳定性方面优于测试中使用的任何单个模型。实时数据，实时决策该项目利用加州交通运输局传感器从加州高速公路收集的数据，生成新的算法，可以在15分钟的周期内做出准确的预测。然后，该团队使用Connected Corridors系统收集的实时交通数据来验证和集成新算法。Connected Corridors系统是一个实时交通数据中心，具有可扩展的机器学习库Spark Mlib，该库提供可用于集成学习框架的机器学习模型。这项研究的具体结果是对高速公路上安装传感器的位置的交通流量进行预测，从而可以预测高速公路入口处的交通流量需求和高速公路出口的交通流量。集成学习部分解决了不同类型车辆在交通中的问题，但没有解决由于施工或事故导致的交通突然变化的问题。研究团队利用在线学习技术，使算法不仅能从过去的情况中学习，还能实时适应道路沿线的新交通条件。该算法还可以与上述技术相结合，更准确、及时地预测交通，并有助于实时控制交通，例如改变交通路线、改变红绿灯配置和其他纠正措施。

标签：阿尔特

汽车资讯热门资讯