Công cụ máy học mới theo dõi tắc nghẽn giao thông đô thị
Cập nhật vào: Thứ tư - 23/12/2020 03:18 Cỡ chữ
Một thuật toán máy học mới đã sẵn sàng để giúp các nhà phân tích giao thông vận tải đô thị giải tỏa các nút thắt cổ chai và điểm thường gây tắc nghẽn giao thông thành phố.
Công cụ, có tên là TranSEC, được phát triển tại Phòng thí nghiệm Quốc gia Tây Bắc Thái Bình Dương trực thuộc Bộ Năng lượng Hoa Kỳ nhằm giúp các kỹ sư giao thông đô thị tiếp cận được các thông tin hữu ích về các kiểu giao thông trong thành phố của họ.
Hiện nay, thông tin giao thông công cộng ở cấp đường phố còn thưa thớt và không đầy đủ. Các kỹ sư giao thông nói chung đã dựa vào số lượng giao thông cô lập, thống kê các va chạm và dữ liệu tốc độ để xác định tình trạng đường giao thông. Công cụ mới sử dụng bộ dữ liệu giao thông được thu thập từ các lái xe UBER và dữ liệu cảm biến giao thông công cộng khác để lập bản đồ lưu lượng giao thông ở cấp đường phố theo thời gian. Nó tạo ra một bức tranh toàn cảnh về giao thông thành phố bằng cách sử dụng các công cụ máy học và các nguồn máy tính có sẵn tại phòng thí nghiệm quốc gia.
Arif Khan, một nhà khoa học máy tính PNNL, người đã hỗ trợ phát triển TranSEC, cho biết: “Điểm mới của thiết bị là khả năng ước tính lưu lương giao thông cấp đường phố trên một khu vực đô thị lớn. Và không giống như các mô hình khác chỉ hoạt động ở một khu vực thành phố lớn cụ thể, công cụ này có tính di động và có thể áp dụng cho bất kỳ khu vực đô thị nào có dữ liệu giao thông tổng hợp”.
Công cụ phân tích lưu lượng truy cập nhanh trên UBER
TranSEC (viết tắt của khả năng ước tính trạng thái giao thông) khác biệt với các phương pháp giám sát giao thông khác nhờ khả năng có thể phân tích trạng thái thông tin thưa thớt và không đầy đủ. Nó sử dụng công nghệ máy học để kết nối các phân đoạn có dữ liệu bị thiếu và điều đó cho phép nó thực hiện các ước tính gần bằng mức lưu lượng giao thông đường phố trong thời gian thực.
Các tính năng bản đồ trên điện thoại thông minh của chúng ta có thể giúp chúng ta tối ưu hóa hành trình của mình thông qua cảnh quan thành phố, chỉ ra các điểm tắc nghẽn và đề xuất các tuyến đường thay thế nhưng các công cụ điện thoại thông minh chỉ hoạt động cho lái xe cá nhân cố gắng đi từ điểm A đến điểm B. Hiện tại các kỹ sư giao thông của thành phố rất quan tâm đến việc làm thế nào để giúp tất cả các phương tiện đến đích một cách hiệu quả bởi đôi khi, một tuyến đường có vẻ hiệu quả đối với một người lái xe cá nhân lại dẫn đến có quá nhiều phương tiện cố gắng đi vào mà con đường đó không được thiết kế để có thể xử lý một lượng giao thông lớn.
Sử dụng dữ liệu công khai từ toàn bộ khu vực đô thị Los Angeles rộng 1.500 dặm vuông, nhóm nghiên cứu đã giảm thời gian cần thiết để tạo ra một mô hình tắc nghẽn giao thông theo một mức độ, từ hàng giờ xuống còn phút. Việc tăng tốc độ, được thực hiện với các nguồn tính toán hiệu suất cao tại PNNL, giúp phân tích lưu lượng truy cập thời gian thực gần như khả thi.
Mới đây, nhóm nghiên cứu đã trình bày phân tích này tại Hội thảo Điện toán Đô thị ảo vào tháng 8/2020 trong khuôn khổ Hội nghị Khám phá tri thức và khai thác dữ liệu (SIGKDD) và họ cũng đã tìm kiếm các ý kiến đóng góp của các kỹ sư giao thông tại một cuộc họp ảo trên TranSEC.
Mark Franz, đại biểu tham dự cuộc họp và là một kỹ sư nghiên cứu tại Trung tâm Công nghệ giao thông tiên tiến, Đại học Maryland, College Park, cho biết: “TranSEC khắc phục những lỗ hổng dữ liệu cố hữu trong các phương pháp thu thập dữ liệu kế thừa và nó có tiềm năng to lớn”.
Máy học cải thiện độ chính xác theo thời gian
Tính năng học máy của TranSEC có nghĩa là khi càng thu thập và xử lý nhiều dữ liệu, nó sẽ trở nên tinh tế và hữu ích hơn theo thời gian. Loại phân tích này được sử dụng để hiểu mức độ nhiễu loạn lan truyền trên các mạng lưới. Cung cấp đầy đủ dữ liệu, phần tử học máy sẽ có thể dự đoán các tác động để các kỹ sư xem xét lưu lượng giao thông có thể tạo ra các chiến lược điều chỉnh, phân luồng hiệu quả.
Arun Sathanur, nhà khoa học máy tính PNNL và là trưởng nhóm nghiên cứu cho biết: “Chúng tôi sử dụng mô hình dựa trên biểu đồ cùng với các phương pháp lấy mẫu mới và các công cụ tối ưu hóa, để tìm hiểu cả thời gian di chuyển của phương tiện và các tuyến đường. Phương pháp này có tiềm năng lớn để mở rộng sang các phương thức vận tải khác, chẳng hạn như quá cảnh và vận tải hàng hóa. Là một công cụ phân tích nên nó có khả năng điều tra tình trạng giao thông lan rộng như thế nào”.
Với cách tiếp cận theo hướng dữ liệu của PNNL, người dùng có thể đăng tải dữ liệu theo thời gian thực lên và cập nhật TranSEC thường xuyên lên trung tâm kiểm soát giao thông vận tải. Các kỹ sư có thể sử dụng các dự báo ngắn hạn để hỗ trợ ra quyết định nhằm quản lý các vấn đề giao thông. Phương pháp của PNNL cũng có thể mở rộng để bao gồm dự báo thời tiết hoặc các dữ liệu khác ảnh hưởng đến điều kiện trên đường.
Điện toán cho các nhà quy hoạch giao thông vận tải trên toàn quốc
Phương pháp này của TranSEC cung cấp nhận thức tình huống trên toàn hệ thống để giúp giảm ùn tắc giao thông đô thị.
“Các kỹ sư giao thông trên nhiều quốc gia hiện nay chưa có công cụ nào cho họ ước tính gần thời gian thực về trạng thái của mạng lưới giao thông. Việc có thể dự đoán các điều kiện này trước một giờ hoặc hơn sẽ rất có giá trị, và để biết được các vị trí tắc nghẽn sẽ xảy ra”, Robert Rallo, nhà khoa học máy tính PNNL và thành viên dự án TranSEC cho biết.
Việc vận hành một mô hình thành phố có quy mô đầy đủ vẫn cần có các nguồn tính toán hiệu suất cao và TranSEC có thể mở rộng đáp ứng. Ví dụ, một mạng lưới đường chỉ có các đường cao tốc và đường trục chính sẽ có thể mô hình hóa được trên một máy tính để bàn công suất lớn.
“Chúng tôi đang nỗ lực hướng tới việc cung cấp TranSEC cho các thành phố trực thuộc trung ương trên toàn quốc”, Katherine Wolf, giám đốc dự án của TranSEC bày tỏ.
Cuối cùng, sau khi được phát triển để hoàn thiện thêm, TranSEC có thể được sử dụng để giúp lập trình các tuyến đường xe tự hành, nhóm nghiên cứu nói.
P.T.T (NASATI), theo https://techxplore.com/news/2020-12-machine-tool-tracks-urban-traffic.html, 2/12/2020