科學家使用人工智能來更準確地預測大規模交通模式

眾所周知，洛杉磯因交通擁堵而臭名昭著，通常在全國交通熱點研究中排名第一。估計表明，安吉利諾斯人一年要多呆120個小時。對于駕駛員來說，這是一場噩夢，但如果您要設計一個新系統來快速預測并可能重定向該交通，則LA交通系統確實具有其優勢。

來自美國能源部(DOE)阿爾貢國家實驗室(Argonne National Laboratory)的研究人員著手在由能源部勞倫斯·伯克利國家實驗室(LBNL)的合作者牽頭的一項有關移動系統設計和規劃的大型項目的框架下開展這項工作。

該團隊使用一種稱為機器學習的人工智能(AI)技術，利用Argonne的超級計算機從大型加利福尼亞高速公路系統上從11160個傳感器獲取的近一年的數據中提取交通模式。然后，該信息用于訓練模型，以閃電般的速度預測流量，該速度肯定比洛杉磯的流量快。該模型可以在幾毫秒內查看過去一小時的數據，并可以非常準確地預測下一小時的流量。

該團隊與美國能源部科學用戶設施辦公室Argonne的數學和計算機科學(MCS)部門以及Argonne領導力計算設施(ALCF)的成員合作，在交通流量預測方面取得了出色的成績，最近將這些結果發布在Transportation Research Record：Journal上交通研究委員會。

MCS的計算機科學家Prasanna Balaprakash說：“這項工作中使用的AI和超級計算功能使我們能夠解決非常大的問題。” “這個項目的規模很大，而這樣的數據量需要同樣龐大的計算資源來解決。”

利用ALCF的世界一流的計算資源，科學家極大地減少了訓練模型所需的計算機時間。例如，在每周可能需要一臺頂級臺式計算機來訓練流量預測模型的情況下，在一臺超級計算機上，相同的過程可以在三個小時內完成。

利用基于圖的深度學習(一種可以自動做出決策并改善模型的預測的復雜形式的機器學習)的強大功能，他們的模型使用歷史數據來預測流量模式，同時預測速度和流量。這很重要，因為在任何給定時間在一個區域中的交通流量都取決于附近的交通速度和流量。

“交通預測方法對于制定適應性交通戰略至關重要。”埃里克·拉斯克(Eric Rask)說，他是阿貢大學交通研究中心的前首席研究工程師，也是參與這項研究的科學家之一。“交通模式具有復雜的時空依賴性，這使得在大型高速公路網絡上進行準確的預測成為一項艱巨的任務。”

Rask指出，該團隊不僅捕獲了這些動態信息，而且還通過具有比以前的流量預測模型更多的傳感器和預測位置的網絡在網絡上實現了這一目標。通過將大型網絡分成多個較小的網絡，他們能夠獨立地訓練網絡的每個部分，從而大大提高了模型的速度和有效性。

以前的型號只能處理200-300個傳感器位置的數據;但是使用這種新的圖分區方法，該團隊能夠處理來自11,000多個位置的數據，同時將模型訓練時間縮短了一個數量級。這種方法不僅速度快，而且可以準確地預測未來一小時的流量速度，通常在網絡上任何位置的觀測速度的6英里/小時以內。

MCS的博士后任命，該項目的第一作者Tanwi Mallick說：“預測技術的規模和準確性有可能實現更好的決策。”