2023年8月07

概述
交通堵塞不仅会导致日常压力也会造成的损失每年约10万亿日圆在日本和导致温室气体的排放,是一个严重的问题。作为技术为解决这一问题,人工智能可以预测何时何地会发生交通拥堵正吸引着全球的关注。竹内Koh助理教授和教授的Hisashi鹿岛的京都大学研究生院信息一起住友电气系统解决方案有限公司有限公司,已经开发出一种新的时空AI技术称为“QTNN”(Queueing-theory-based神经网络),预测的位置和长度队列的即将到来的交通拥堵。

QTNN最显著的特征是其学习能力之间的关系变化,从交通拥堵和道路网络基于知识工程。实验预测队列长度提前一小时1098路地点在东京大都会警察局提供的使用数据,QTNN实现高度准确的预测平均误差40米或更少。这个结果代表了一个显著的预测误差减少12.6%相比,目前可用的最先进的深度学习方法。
前进,研究者集团计划在某些道路进行评估测试来评估这种人工智能技术的可靠性,一步其全面实现在真实的场景中。
这一成就将会在第29届ACM SIGKDD会议知识发现和数据挖掘领域的一个国际会议AI(机器学习和数据挖掘),2023年8月6日美国西海岸。



插图设计:Yuka津田(乌玛·/设计农场)
插画家:Toshinori米村

1。背景
预测未来交通队列的长度在社会中拥有更大的潜力,因为它会导致平滑交通和预防通过积极的路线指导和信号控制交通拥堵。人工智能的实现能够精确地预测交通堵塞的存在和长度是一个困难追求由于时代的变化,位置和长度,以及一旦发生快速变化的性质。此外,实际应用的人工智能,它是至关重要的建立可解释性和可靠性通过澄清其队列长度预测背后的推理。因此,研究小组致力于QTNN的发展,一个新的时空的人工智能技术,实现了高精度和可解释性,结合他们的专业知识在交通工程基于多年的专业经验与深度学习的最新进展和交通大数据,近年来已受到越来越多的关注。

2。研究方法和结果
QTNN,小说时空AI技术提出了研究,是建立在交通工程和有能力学习知识之间的关系变化交通拥堵和道路网络通过大数据(图1)。QTNN首先预测平均速度,使用深度学习在每个道路交通流段,基于数据拥堵状况在许多道路段和整个道路网络。然后预测队列长度,调整交通流模型常用的交通工程。采用两阶段预测方法,研究者集团实现了队列长度的预测,结合交通工程知识,即使利用最先进的深度学习技巧。
这个时空的人工智能技术进行一个实验预测队列长度提前一小时1098路的地点在东京历时两个月使用大都会警察局提供的数据(图2,图3)演示了一个高精度的预测结果,实现平均40米或更少通过准确地预测误差严重拥堵和非病例(图4)。这一成就代表了一个显著的预测误差减少12.6%相比,目前可用的最先进的深度学习方法。此外,QTNN利用交通流模型,允许一些解释的预测结果,如代表交通流之间的关系,平均速度,和队列长度,“将会有一个快速增长的车辆涌入6点左右,导致队列长度显著增加,”和“队列长度是达到顶峰,导致减少交通流量和平均速度。由于某些附近道路上交通流,这个队列将持续到10点”(图5)。

3所示。涟漪效应和未来的计划
正在考虑利用QTNN大都会警察局的项目旨在提高交通控制系统通过利用人工智能和大数据。前进,研究者集团计划在某些道路进行评估测试来评估这种人工智能技术的可靠性,一步其全面实现在真实的场景中。该组织还旨在实现时空的人工智能的基础技术,形成城市基础设施灵活利用信息与信号控制,道路建设,以及事故发生预测队列长度。

4所示。的研究项目
的一部分,这项研究受到了日本科学技术振兴机构(JST)战略基础研究计划很快(Sakigake)代码JPMJPR20C5值得信赖的人工智能的研究领域。
Shin-Tosei项目,由东京都政府结构性改革项目,这是作为一个研究项目相关升级使用人工智能交通控制系统和大数据(https://shintosei.metro.tokyo.lg.jp/leading-project/leading-project-08/)。

<术语表>
◉路线指导:根据道路交通状况,推荐的路线计算从当前位置到目的地,避免拥挤的地区,和指导提供智能手机上使用汽车导航系统或地图应用程序。

◉信号控制:绿色交通信号时间的分配和调整绿色和红色之间切换的时间根据交通状况衡量车辆探测器安装在路上。

◉队列长度预测AI:这是一个技术,预测队列长度使用交通数据积累在大城市。在这个领域的研究与开发正积极在全球范围内进行。然而,在许多其他国家,只有平均速度和交通流主要是测量,这意味着很少有研究关注预测队列长度。自然黑盒的内部计算在这个地区被认为是另一个挑战。

◉可解释性的AI:这个词时使用表达担忧AI由于它的可靠性是一个“黑盒”,它是不清楚计算被执行在内部,和其预测背后的原因是未知的。

◉交通工程:土木工程的一个分支,它涉及道路交通相关研究。特别是近年来,智能交通系统相关研究已经引起了人们的注意。

◉深度学习:一种多层神经网络学习模式从大量的数据。这是一个技术驱动近期AI繁荣,然而,它也批评自然黑盒,内部计算不透明的地方。此外,与文本、图片和声音分析、交通数据分析的准确性仍被视为不够,即使有深刻的学习。

◉交通大数据:这个术语是指城市交通数据的大量积累通过汽车导航系统,智能手机,和交通控制系统。在这个研究中,它包括一年的平均速度的数据,交通流、堵塞长度,测量每5分钟,在1098个地点一般在东京23个病房的道路。请注意,道路段的平均长度是882米,中位数为750米。此外。队列长度测量通过测量车辆反复停止线的长度,把低于一定的速度。

◉时空AI技术:这个词是指人工智能开发学习和分析复杂的时空关系的现象(如颞交通状况的变化之间的相关性和空间变化由于道路连接)的信息数据测量的时间和地点。

◉交通模型:这是一个数学模型,用来描述交通条件。通常,它描述了三个变量之间的关系:交通流量、平均速度和密度。然而,交通控制系统不能直接观察密度。因此,QTNN使用关系模型称为“沙漏模式”,其中包括队列长度。

◉错误:这是一个价值评估之间的偏差程度,得到的预测值和实际观测值时使用根均方误差预测未来队列长度提前一段时间利用过去的流量数据。

<研究员的评论>
在激烈的竞争中人工智能的研究在世界范围内,我们相信日本的精确的数据测量技术的专业知识,深入的领域知识可以提供比世界其他地区的一个重要的优势和先进的时空组合的人工智能技术。我们希望这项研究将帮助我们想象新的解决方案来解决交通拥堵问题和城市的可持续发展做出重大贡献。雷竞技竞猜下载我们将继续追求可靠和安全的人工智能技术在未来。


<论文题目和作者>

标题	QTNet:基于理论的队列长度对城市交通的预测
作者	Ryu Shirakami, Toshiya非、竹内Koh的Hisashi鹿岛
发表在	第29届ACM SIGKDD会议程序知识 发现和数据挖掘(KDD ' 23)
DOI	10.1145/3580305.3599890

<参考数据>

图1:QTNN示意图。使用过去的队列长度、平均速度和交通流数据,深度学习系统(STGNN)预测未来的平均速度和交通流。而基于这些预测调整交通模型(QT-layer),预计未来的队列长度。





图2:(a)在东京道路网络的例子。(b)、(c)、(d)的时间变化在两条路的交通状况在实验中使用。当队列发生在下游的第一节,它可以观察到队列随后出现在第二节。





图3:数据的直方图:(a)平均速度、交通流量(b)和(c)堵塞长度。





图4:平均预测误差从15到60分钟前:(a)与所有数据评估,(b)评估最严重拥堵数据(前5%的所有数据)
QTNN实现更低的错误比其他先进的人工智能模型(DCRNN、AGCRN GWNT, MagaCRN)在所有情况下。





图5:预测结果(红线)的平均速度、交通流量、队列长度相比,该方法得到的观测值(虚线)。可以看出,该方法的预测通常是接近观测值。