新的机器学习工具可追踪城市交通拥堵

在工作日的下午6点，TranSEC几乎实时显示整个洛杉矶都会区的交通状态估计。此显示的计算时间不到一小时。绿色区域表示交通畅通，黄色和红色区域表示交通拥堵。图片提供：图片由西北太平洋国家实验室的Arun Sathanur提供

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点的个人驾驶员。城市交通工程师关注如何帮助所有车辆高效地到达目的地。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为处理这种交通量而设计的道路。

利用来自整个1500平方英里洛杉矶都会区的公共数据，该团队将创建交通拥堵模型所需的时间减少了一个数量级，从数小时减少到数分钟。通过PNNL的高性能计算资源实现的提速使近实时流量分析变得可行。研究团队最近在2020年8月虚拟城市计算研讨会上作为知识发现和数据挖掘（SIGKDD）会议的一部分介绍了这种分析，并在2020年9月的TranSEC虚拟会议上寻求交通工程师的意见。

马里兰大学学院高级交通技术中心的与会者兼研究工程师Mark Franz表示：“ TranSEC可能会引发交通专业人员如何监视和预测系统移动性能的范例转变。“ TranSEC克服了传统数据收集方法中固有的数据空白，并具有巨大的潜力。”

机器学习可随着时间的推移提高准确性

TranSEC的机器学习功能意味着随着时间的推移，随着越来越多的数据被获取和处理，它变得更加精致和有用。这种分析用于了解干扰如何在网络中传播。如果有足够的数据，则机器学习元素将能够预测影响，以便交通工程师可以制定纠正策略。

PNNL计算机科学家，研究团队的首席研究员Arun Sathanur说：“我们将基于图的模型与新颖的采样方法和优化引擎一起使用，以学习行驶时间和路线。“该方法具有很大的潜力，可以扩展到其他运输方式，例如过境和货运。作为一种分析工具，它能够研究交通状况如何扩散。”

利用PNNL的数据驱动方法，用户可以在运输控制中心定期上传实时数据并定期更新TranSEC。工程师可以将短期预测用于决策支持，以管理交通问题。PNNL的方法还可扩展为包括天气或其他影响道路状况的数据。

全国交通规划者的计算能力

正如情况的状况感知可以告知每个驾驶员的决定一样，TranSEC的方法可以在整个系统范围内提供状况感知，以帮助减少城市交通拥堵。

PNNL计算机科学家，TranSEC项目的首席研究员罗伯特·拉洛（Robert Rallo）说：“全国的交通工程师还没有一种工具可以使他们接近交通网络状态的实时估计。” “能够预测一个小时或更长时间的状况将非常有价值，因为它可以知道阻塞将在何处发生。”

尽管运行全尺寸城市模型仍需要高性能的计算资源，但TranSEC具有可扩展性。例如，可以在功能强大的台式计算机上对只有主要公路和主干道的道路网络进行建模。

TranSEC项目经理凯瑟琳·沃尔夫（Katherine Wolf）表示：“我们正在努力使TranSEC在全国范围内提供给市政当局。

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