PNNL TranSEC工具使用UBER数据跟踪并可能缓解城市交通拥堵

太平洋西北国家实验室(PNNL)的研究人员开发了一种新的基于机器学习的工具,可帮助城市交通分析员缓解经常困扰城市交通拥堵的瓶颈。开发了“运输状态估计能力(TranSEC)”工具,以帮助城市交通工程师获得有关其城市交通模式的可行信息。

当前,街道上可公开获得的交通信息稀疏且不完整。交通工程师通常依靠孤立的交通流量统计数据和速度数据来确定道路状况。新工具使用从UBER驱动的程序收集交通数据集和其他可公开获得的交通传感器数据来绘制一段时间内的街道交通流量图。它使用机器学习工具和国家实验室提供的计算资源来绘制城市交通的全景图。

TranSEC具有分析稀疏和不完整信息的能力,从而将自己与其他流量监控方法区分开来。它使用机器学习来连接缺失数据的线段,并使其能够进行接近实时的街道水平估计。

相比之下,我们智能手机上的地图功能可以帮助我们优化我们在城市景观中的旅程,指出堵塞点并建议备用路线。但智能手机工具只对试图从A点到B点的单个司机有效。城市交通工程师关注的是如何帮助所有车辆高效到达目的地。有时,一条对个别司机来说似乎很有效的路线,却导致太多的车辆试图进入一条并非为处理该交通量而设计的道路。

PNNL TranSEC工具使用UBER数据跟踪并可能缓解城市交通拥堵

利用整个1500平方英里的洛杉矶都市区的公共数据,该团队将创建交通拥堵模型所需的时间缩短了一个数量级,从几小时缩短到几分钟。利用PNNL的高性能计算资源完成的速度提升,使得近乎实时的交通分析变得可行。

研究团队最近在2020年8月的虚拟城市计算研讨会上展示了该分析。

TranSEC的机器学习功能意味着,随着获取和处理更多的数据,随着时间的推移,它变得更加精准。如果有足够的数据,机器学习元素将能够预测影响,以便交通工程师能够制定纠正策略。

通过PNNL的数据驱动方法,用户可以在交通控制中心上传实时数据并定期更新TranSEC。工程师可以使用短期预测进行决策支持,以管理交通问题。PNNL的方法还可以扩展到包括天气或其他影响道路状况的数据。

TranSEC的方法可以在系统范围内提供态势感知,以帮助减少城市交通拥堵。

虽然运行一个完整规模的城市模型仍然需要高性能的计算资源,但TranSEC是可扩展的。例如,一个只有主要公路和干线的道路网可以在一台功能强大的台式电脑上建模。

根据研究团队的说法,最终,在进一步开发之后,TranSEC可以用于帮助对自动驾驶车辆路线进行编程。

该项目得到了美国能源部能源效率办公室和可再生能源汽车技术办公室“能源效率出行系统计划”的支持。获取更多前沿科技信息访问:https://byteclicks.com

上一篇:

下一篇:


标签