PNNL研发出全新机器学习算法

据外媒报道,能源部太平洋西北国家实验室(PNNL)开发出一种全新的机器学习算法,名叫TranSEC(transportation state estimation capability,即交通状况估算能力),有望帮助城市交通工程师获取城市交通模式的可操作信息(actionable information),缓解城市交通拥堵。此外,该算法还可用于自动驾驶汽车。

目前,街道级公开的交通信息是稀疏和不完整的,交通工程师通常依靠孤立的交通计数、碰撞和速度数据来确定道路状况。TranSEC使用从UBER驾驶员处收集的交通数据集和其他公开的交通传感器数据,绘制一段时间内的街道交通流量图。它利用机器学习工具和国家实验室可用的计算资源,绘制出一幅城市交通的大图。

协助开发TranSEC的PNNL计算机科学家Arif Khan指出,“(TranSEC的)新奇之处在于,对大城市区域进行街道层面的估算。与其它只能在特定地区工作的模型不同,我们的工具可以应用到任何有聚集交通数据的城市区域。”

智能手机上的地图功能可以帮助优化驾驶路线,告知交通阻塞点,并建议替代路线。但是,智能手机工具只适用于单个车辆,而城市交通工程师关心的是如何帮助所有车辆有效到达目的地。比如,一条对单个车辆很有效的道路,会导致太多车辆试图进入并造成拥堵。

与其它交通监控方法不同,TranSEC能够分析稀疏和不完整信息。该方法采用机器学习连接片段与丢失的数据,并使用整个洛杉矶市区的公共数据,将创建交通拥堵模型所需的时间从几个小时缩短到几分钟。利用PNNL的高性能计算资源实现的加速,使得近实时流量分析成为可能。

TranSEC的机器学习特征意味着,随着获取和处理的数据更多,时间越久,数据会变得更加精细和有用。采用这种分析方法,可以理解交通网络是如何出现中断。如果拥有足够的数据,机器学习元素将能预测影响,以便交通工程师制定纠正策略。

PNNL的计算机科学家、该团队的首席研究员Arun Sathanur表示,“我们使用基于图的模型,结合新的采样方法和优化引擎,了解行驶时间和路线。这一方法有很大的潜力扩展到其他运输方式,如过境和货运。”

通过PNNL的数据驱动方法,用户可以在运输控制中心定期上传实时数据并更新TranSEC。工程师可以使用短期预测作为决策支持来管理交通问题。PNNL的方法也是可扩展的,可以包括天气或其他影响道路状况的数据。就像情境感知可以帮助驾驶员做出决策一样,TranSEC的方法在系统范围内提供情境感知,以帮助减少城市交通拥堵。

TranSEC是可扩展的。比如,可以再一台功能强大的电脑上建模只有主要公路和干线的公路网。TranSEC项目经理Katherine Wolf表示,“我们正在努力,希望全国所有城市都能使用TranSEC。”

此外,研究团队还指出,在进一步研发之后,TranSEC可被用来帮助自动驾驶车辆规划路线。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

相关文章