科学家使用人工智能来更准确地预测大规模交通模式

众所周知，洛杉矶因交通拥堵而臭名昭著，通常在全国交通热点研究中排名第一。估计表明，安吉利诺斯人一年要多呆120个小时。对于驾驶员来说，这是一场噩梦，但如果您要设计一个新系统来快速预测并可能重定向该交通，则LA交通系统确实具有其优势。

来自美国能源部(DOE)阿尔贡国家实验室(Argonne National Laboratory)的研究人员着手在由能源部劳伦斯·伯克利国家实验室(LBNL)的合作者牵头的一项有关移动系统设计和规划的大型项目的框架下开展这项工作。

该团队使用一种称为机器学习的人工智能(AI)技术，利用Argonne的超级计算机从大型加利福尼亚高速公路系统上从11160个传感器获取的近一年的数据中提取交通模式。然后，该信息用于训练模型，以闪电般的速度预测流量，该速度肯定比洛杉矶的流量快。该模型可以在几毫秒内查看过去一小时的数据，并可以非常准确地预测下一小时的流量。

该团队与美国能源部科学用户设施办公室Argonne的数学和计算机科学(MCS)部门以及Argonne领导力计算设施(ALCF)的成员合作，在交通流量预测方面取得了出色的成绩，最近将这些结果发布在Transportation Research Record：Journal上交通研究委员会。

MCS的计算机科学家Prasanna Balaprakash说：“这项工作中使用的AI和超级计算功能使我们能够解决非常大的问题。” “这个项目的规模很大，而这样的数据量需要同样庞大的计算资源来解决。”

利用ALCF的世界一流的计算资源，科学家极大地减少了训练模型所需的计算机时间。例如，在每周可能需要一台顶级台式计算机来训练流量预测模型的情况下，在一台超级计算机上，相同的过程可以在三个小时内完成。

利用基于图的深度学习(一种可以自动做出决策并改善模型的预测的复杂形式的机器学习)的强大功能，他们的模型使用历史数据来预测流量模式，同时预测速度和流量。这很重要，因为在任何给定时间在一个区域中的交通流量都取决于附近的交通速度和流量。

“交通预测方法对于制定适应性交通战略至关重要。”埃里克·拉斯克(Eric Rask)说，他是阿贡大学交通研究中心的前首席研究工程师，也是参与这项研究的科学家之一。“交通模式具有复杂的时空依赖性，这使得在大型高速公路网络上进行准确的预测成为一项艰巨的任务。”

Rask指出，该团队不仅捕获了这些动态信息，而且还通过具有比以前的流量预测模型更多的传感器和预测位置的网络在网络上实现了这一目标。通过将大型网络分成多个较小的网络，他们能够独立地训练网络的每个部分，从而大大提高了模型的速度和有效性。

以前的型号只能处理200-300个传感器位置的数据;但是使用这种新的图分区方法，该团队能够处理来自11,000多个位置的数据，同时将模型训练时间缩短了一个数量级。这种方法不仅速度快，而且可以准确地预测未来一小时的流量速度，通常在网络上任何位置的观测速度的6英里/小时以内。

MCS的博士后任命，该项目的第一作者Tanwi Mallick说：“预测技术的规模和准确性有可能实现更好的决策。”