Wetenschappers gebruiken kunstmatige intelligentie om grootschalige verkeerspatronen nauwkeuriger te voorspellen

Het is geen geheim dat Los Angeles berucht is om zijn verkeersopstoppingen, die doorgaans op de eerste plaats komen in onderzoeken naar de hotspots van het land. Schattingen suggereren dat Angelinos er 120 uur per jaar extra aan besteedt. Hoewel het een nachtmerrie is voor chauffeurs, heeft het LA-transportsysteem zijn voordelen als je een nieuw systeem bedenkt om dat verkeer snel te voorspellen en mogelijk om te leiden.

Onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) wilden precies dat doen onder de paraplu van een groter project over het ontwerp en de planning van mobiliteitssystemen onder leiding van medewerkers van het Lawrence Berkeley National Laboratory (LBNL) van DOE.

Met behulp van een kunstmatige intelligentie (AI) -techniek, machine learning genaamd, gebruikte het team de supercomputers van Argonne om verkeerspatronen te verwerken uit bijna een jaar aan gegevens van 11.160 sensoren langs het grote snelwegsysteem in Californië. Die informatie werd vervolgens gebruikt om een ​​model te trainen om het verkeer met bliksemsnelle snelheden te voorspellen – zeker sneller dan het verkeer in LA. Binnen milliseconden kan het model het afgelopen uur aan gegevens bekijken en het volgende uur aan verkeer met grote nauwkeurigheid voorspellen.

In samenwerking met leden van Argonne’s Mathematics and Computer Science (MCS) -divisie en de Argonne Leadership Computing Facility (ALCF), een DOE Office of Science User Facility, behaalde het team uitzonderlijke resultaten op het gebied van verkeersvoorspellingen en publiceerde het die resultaten onlangs in Transportation Research Record: Journal of the Transportation Research Board.

“De AI- en supercomputermogelijkheden die in dit werk zijn gebruikt, stellen ons in staat om echt grote problemen aan te pakken”, zegt Prasanna Balaprakash, een computerwetenschapper bij MCS met een gezamenlijke aanstelling in de ALCF. “De schaal van dit project is groot, en voor deze hoeveelheid gegevens is een even grote computerbron nodig om het aan te pakken.”

Met behulp van de computerbronnen van wereldklasse van ALCF hebben de wetenschappers het aantal computeruren dat nodig is om het model te trainen drastisch verminderd. Als er bijvoorbeeld een eersteklas desktopcomputer per week nodig is om het verkeersvoorspellingsmodel te trainen, kan hetzelfde proces in drie uur worden uitgevoerd op een supercomputer.

Door gebruik te maken van de kracht van op grafieken gebaseerd deep learning – een complexe vorm van machine learning die beslissingen kan nemen en de voorspellingen van een model bijna automatisch kan verbeteren – gebruikt hun model historische gegevens om verkeerspatronen te voorspellen, terwijl tegelijkertijd snelheid en flow worden voorspeld. Dit is belangrijk omdat verkeersstromen in een bepaald gebied op een bepaald moment afhankelijk zijn van de snelheid en doorstroming van het nabijgelegen verkeer.

“Verkeersvoorspellingsbenaderingen zijn essentieel voor het ontwikkelen van adaptieve transportstrategieën”, zegt Eric Rask, een voormalig hoofdonderzoeksingenieur bij Argonne’s Center for Transportation Research en een van de wetenschappers die bij het onderzoek betrokken was. “Verkeerspatronen hebben complexe ruimtelijke en temporele afhankelijkheden, waardoor nauwkeurige voorspellingen op grote snelwegennetwerken een uitdagende taak zijn.”

Het team legde niet alleen die dynamiek vast, ze bereikten het ook op een netwerk met aanzienlijk meer sensoren en voorspellingslocaties dan eerdere modellen voor verkeersvoorspelling, merkte Rask op. En door het grote netwerk op te splitsen in een aantal kleinere, konden ze elk deel van het netwerk onafhankelijk trainen, waardoor de snelheid en effectiviteit van het model aanzienlijk werd verhoogd.

Eerdere modellen konden gegevens van slechts 200-300 sensorlocaties verwerken; maar met deze nieuwe methode voor het verdelen van grafieken kon het team gegevens van meer dan 11.000 locaties verwerken terwijl de trainingstijd van het model met een orde van grootte werd verkort. Deze methode was niet alleen snel, maar kon ook nauwkeurig de snelheid van het verkeer over een uur in de toekomst voorspellen, meestal binnen 6 mph van de waargenomen snelheid op elke locatie op het netwerk.

“De schaal en nauwkeurigheid van de prognosetechnieken hebben de potentie om betere besluitvorming mogelijk te maken”, zegt Tanwi Mallick, een postdoctoraal aangestelde bij MCS en eerste auteur van het project.

Mallick en haar collega’s zijn van mening dat het model gemakkelijk kan worden geïntegreerd in verkeersmanagementcentra, waardoor verkeersregelaars beter kunnen reageren op files en deze kunnen aanpakken en het verkeer dienovereenkomstig kunnen omleiden.