新的机器学习工具可追踪城市交通拥堵

一种新的机器学习算法已经准备就绪，可以帮助城市交通分析人员缓解经常困扰城市交通的瓶颈和瓶颈。该工具名为TranSEC，是由美国能源部太平洋西北国家实验室开发的，旨在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，碰撞统计数据和速度数据来确定道路状况。新工具使用从UBER驱动程序收集的交通数据集和其他公共可用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。

PNNL计算机科学家Arif Khan说，“这里的新颖之处在于对大城市区域的街道水平估计。” “与仅在一个特定都市区域中工作的其他模型不同，我们的工具是便携式的，可以应用于可提供汇总交通数据的任何市区。”

UBER快速流量分析

TranSEC(代表运输状态估计功能)通过分析稀疏和不完整信息的能力而与其他交通监控方法区分开来。它使用机器学习来将缺失的数据与路段联系起来，从而使其能够进行接近实时的街道水平估计。

相比之下，智能手机上的地图功能可以帮助我们优化穿越城市景观的旅程，指出关键点并建议替代路线。但是，智能电话工具仅适用于试图从A点到达B点的单个驾驶员。城市交通工程师关心如何帮助所有车辆有效地到达目的地。有时，对于单个驾驶员而言似乎有效的路线会导致过多的车辆试图驶入并非旨在处理这种交通量的道路。