Deep learning-algoritmen gebruiken om fietsers de ‘groene golf’ te geven bij verkeerslichten

Onder leiding van Dr. Stephen Fickas van de Universiteit van Oregon (UO) werken transportonderzoekers om fietsers vlottere ritten te geven door ze via een mobiele app met verkeerslichten te laten communiceren.

Het nieuwste rapport dat uit deze onderzoeksinspanning voor meerdere projecten komt, introduceert algoritmen voor machine learning om te werken met hun mobiele app FastTrack. De app is ontwikkeld en getest in eerdere fasen van het project en stelt fietsers in staat passief te communiceren met verkeerslichten langs een drukke fietscorridor in Eugene, Oregon. Onderzoekers hopen hun app uiteindelijk ook in andere steden beschikbaar te maken.

“Het algemene doel is om fietsers een veiliger en efficiënter gebruik van de gesignaleerde kruispunten van een stad te geven. Het huidige project probeert twee diepgaande algoritmen, LSTM en 1D CNN, te gebruiken om tijdreeksvoorspellingen aan te pakken. Het doel is om de volgende fase van een aankomend, geactiveerd verkeerslicht gezien een geschiedenis van de eerdere fasen in tijdreeksformaat. We zijn bemoedigd door de resultaten, “zei Fickas.

Hun laatste werk bouwt voort op twee eerdere projecten, ook gefinancierd door het National Institute for Transportation and Communities, waarin Fickas en zijn team met succes een hardware- en softwareproduct genaamd “Bike Connect” hebben gebouwd en geïmplementeerd waarmee mensen op de fiets handsfree informatie doorgeven aan een naderend verkeerslicht, waarbij ze hun snelheid en rijrichting gebruiken om de kans te vergroten dat het sein bij aankomst groen is.

Het project V2X: Bringing Bikes into the Mix, voltooid in 2018, was erop gericht fietsers een virtuele belknop te geven die ze op hun telefoon konden gebruiken. Tijdens dat project verzamelden onderzoekers gedetailleerde realtime gegevens van een geactiveerd signaal op de studiegang. De Fast Track: fietsen laten deelnemen aan een slim transportsysteem project, voltooid in 2019 (uitgelicht in mei 2019 ITE-dagboek), ontwikkelde een real-time display voor niet-geactiveerde signalen die GLOSA-informatie (Green Light Optimized Speed ​​Advisory) toont – vaker aangeduid als een ‘groene golf’. Hoewel het een algemene technologie is die beschikbaar is voor bestuurders, is GLOSA niet algemeen beschikbaar voor fietsers. Dit real-time display (idealiter gemonteerd op het stuur voor handsfree kijken) bood fietsers real-time informatie over of ze moesten vertragen, versnellen of snelheid aanhouden om groen licht te geven.

Het project 2021 bouwt voort op de eerdere studies:

1. Het gebruikt de gegevens die zijn verzameld van het geactiveerde signaal in de eerste fase om twee machine learning-algoritmen te trainen en te testen om de signaalfasen te voorspellen.
2. Het vormt de basis om de FastTrack-app uit te breiden met zowel niet-aangedreven als geactiveerde signalen, aangezien fietsers waarschijnlijk beide soorten infrastructuur tegenkomen tijdens het rijden.

Machine learning integreren

Onderzoekers kozen ervoor om twee afzonderlijke algoritmen voor machine learning te verkennen. Beiden hebben een goede staat van dienst met het voorspellen van tijdreeksen: One-Dimensional Convolutional Neural Nets (kortweg 1D CNN) en Long Short-Term Memory-modellen (kortweg LSTM).

Om de effectiviteit van elk algoritme te meten, gebruikten ze drie statistieken:

• Precisie houdt zich bezig met “wanneer het model voorspelt dat de rijder voor groen licht zal komen, hoe vaak is het dan correct?” Een hoge Precision-score zegt dat het model niet geneigd is om de rijder te laten remmen, ten onrechte verteld om een ​​green te verwachten.
• Recall vraagt ​​”voor alle daadwerkelijke groene lichten die de rijder tegenkwam, hoeveel kreeg het model correct?” Een hoge Recall-score zegt dat de rijder niet veel greens mist.
• Ten slotte is nauwkeurigheid gewoon het aantal juiste voorspellingen.

De LSTM en 1D CNN scoorden bijna identieke resultaten op alle drie de statistieken. Onderzoekers waren in staat om de volgende fase te voorspellen met een nauwkeurigheid van ongeveer 85%, voor elk van de tijdreeksvoorspellingsalgoritmen.

“We geloven dat we in de marge zitten om acceptabel te zijn wat betreft het toevoegen van een voorspellingscomponent aan onze bestaande FastTrack-app,” zei Fickas. Dit zou de mogelijkheid voor groene golven openen voor kruispunten met een niet-vaste tijd.

Volgende stap: De complexiteit en omvang van de dataset vergroten

Op basis van wat ze hebben geleerd, zijn de plannen van de onderzoekers voor de volgende stappen:

1. Krijg toegang tot een dataset met een groter aantal dagen, misschien wel een heel seizoen. (Momenteel heeft het team zijn ogen gericht op “Better Naito” Parkway in Portland, Oregon, een fietsvriendelijke corridor met meerdere geactiveerde kruispunten om gegevens uit te halen.) Doorgaans leiden meer gegevens tot sterkere resultaten als we kijken naar algoritmen voor machinaal leren .
2. Ga naar een multivariate dataset die datum en tijd bevat, en misschien ook het weer. Dit zou geen enorme verandering zijn in de gegevensvoorbereiding en zou een enkel model mogelijk maken dat alle vier de seizoenen bestrijkt.

De FastTrack-app vereist een realtime feed van aankomende verkeerslichten op het fietspad van de fietser. Steden met oudere apparatuur of met oudere verkeersbeheersystemen (TMS) kunnen deze feed mogelijk niet leveren. Fickas en zijn team zijn echter optimistisch. Naarmate steden oudere apparatuur vervangen en een modern TMS introduceren, zullen ze volledig in staat zijn om een ​​FastTrack-app te gebruiken die effectief is met zowel vaste als geactiveerde kruispunten, waardoor hun fietsgemeenschap groene golfmogelijkheden krijgt.

Het onderzoeksteam heeft zijn verkenning en resultaten beschikbaar gesteld in een Jupyter-notebook met Google Colab-functionaliteit. De auteurs staan ​​open voor vragen of opmerkingen.