新的機器學習工具可追蹤城市交通擁堵

一種新的機器學習算法已經準備就緒，可以幫助城市交通分析人員緩解經常困擾城市交通的瓶頸和瓶頸。該工具名為TranSEC，是由美國能源部太平洋西北國家實驗室開發的，旨在幫助城市交通工程師獲得有關其城市交通模式的可行信息。

當前，街道上可公開獲得的交通信息稀疏且不完整。交通工程師通常依靠孤立的交通流量，碰撞統計數據和速度數據來確定道路狀況。新工具使用從UBER驅動程序收集的交通數據集和其他公共可用的交通傳感器數據來繪制一段時間內的街道交通流量圖。它使用機器學習工具和國家實驗室提供的計算資源來繪制城市交通的全景圖。

PNNL計算機科學家Arif Khan說，“這里的新穎之處在于對大城市區域的街道水平估計。” “與僅在一個特定都市區域中工作的其他模型不同，我們的工具是便攜式的，可以應用于可提供匯總交通數據的任何市區。”

UBER快速流量分析

TranSEC(代表運輸狀態估計功能)通過分析稀疏和不完整信息的能力而與其他交通監控方法區分開來。它使用機器學習來將缺失的數據與路段聯系起來，從而使其能夠進行接近實時的街道水平估計。

相比之下，智能手機上的地圖功能可以幫助我們優化穿越城市景觀的旅程，指出關鍵點并建議替代路線。但是，智能電話工具僅適用于試圖從A點到達B點的單個駕駛員。城市交通工程師關心如何幫助所有車輛有效地到達目的地。有時，對于單個駕駛員而言似乎有效的路線會導致過多的車輛試圖駛入并非旨在處理這種交通量的道路。