Stadstrafiken följer ungefär ett periodiskt mönster förknippat med det typiska 9-till-5 arbetsschemat. Dock, när en olycka händer, trafikmönster störs. Utforma exakta trafikflödesmodeller, för användning vid olyckor, är en stor utmaning för trafikingenjörer, som måste anpassa sig till oförutsedda trafikscenarier i realtid.

Ett team av Lawrence Berkeley National Labs datavetare arbetar med California Department of Transportation (Caltrans) för att använda högpresterande beräkningar (HPC) och maskininlärning för att förbättra Caltrans beslutsfattande i realtid när incidenter inträffar. Forskningen gjordes i samarbete med California Partners for Advanced Transportation Technology (PATH), del av UC Berkeley's Institute for Transportation Studies (ITS), och anslutna korridorer, ett samarbetsprogram för forskning, utveckla, och testa en Integrated Corridor Management-strategi för att hantera transportkorridorer i Kalifornien.

Caltrans och Connected Corridors implementerar systemet på prov i Los Angeles County genom I-210-piloten. Med hjälp av realtidsdata från partners i södra Kalifornien i staden, grevskap, och statlig nivå, Målet är att förbättra Caltrans beslutsfattande i realtid genom att genomföra samordnade flerjurisdiktionella åtgärdsplaner för trafikincidenter för att begränsa de negativa effekterna av dessa händelser. Den första iterationen av detta system kommer att distribueras i städerna Arcadia, Duarte, Monrovia, och Pasadena 2020, med planer för framtida utplaceringar runt om i staten.

"Det finns många metoder för att förutsäga trafikflöden, och var och en kan vara fördelaktig i rätt situation, sa Sherry Li, en matematiker vid Berkeley Labs Computational Research Division (CRD). "För att lindra smärtan av att förlita sig på mänskliga operatörer som ibland blint litar på en viss modell, vårt mål var att integrera flera modeller som ger mer stabila och exakta trafikprognoser. Vi gjorde detta genom att designa en ensemble-inlärningsalgoritm som kombinerar olika undermodeller.

Ensembleinlärning är konsten att kombinera en mångsidig uppsättning elever (individuella modeller) för att förbättra, i farten, modellens stabilitet och prediktiva kraft. Denna idé har utforskats av maskininlärningsforskare under lång tid. Det speciella med trafikflödet är den tidsmässiga egenskapen; trafikflödesmätningar är korrelerade över tid, liksom förutsägelseresultaten från olika individuella modeller.

I Berkeley Lab-Caltrans-samarbetet, Ensemblemodellen tar hänsyn till undermodellernas ömsesidiga beroende och tilldelar "röstandelar" för att balansera deras individuella prestation med deras medberoende. Ensemblemodellen värdesätter också nyare förutsägelseprestanda mer än äldre historiska prestanda. I slutet, den kombinerade modellen är bättre än någon av de enskilda modellerna som används vid testning både vad gäller prediktionsnoggrannhet och stabilitet.

Projektet startade med finansiering från Berkeley Labs Laboratory Directed Research and Development (LDRD)-program. Målet var att bygga ett beräkningsramverk som skulle möjliggöra HPC-applikationer specifika för transport, såsom optimering och kontroll av trafikjämvikt. Systemutvecklingsteamet leds av Brian Peterson, en systemutvecklingschef på PATH som leder Connected Corridors systemutvecklingsteam. Hongyuan Zhan, en tidigare Berkeley Lab Computing Sciences sommarstudent från Penn State, var en viktig bidragsgivare till Connected Corridors-arbetet för denna forskning.

realtidsdata, beslutsfattande i realtid

Med hjälp av data som samlats in från Caltrans-sensorer på Kaliforniens motorvägar, projektet gav nya algoritmer som uppnådde exakta förutsägelser på en rullande 15-minutersbasis. Teamet validerade och integrerade sedan de nya algoritmerna med hjälp av trafikdata i realtid som samlats in med Connected Corridors-systemet:ett streamingbaserat, realtidstransportdatanav där Spark MLlib – ett skalbart maskininlärningsbibliotek – tillhandahåller maskininlärningsmodeller som kan användas inom det föreslagna ramverket för ensembleinlärning. Det specifika genomförandet av detta arbete var att generera förutspådda trafikflöden vid punkter där avkänning fanns på motorvägen. Detta kan i sin tur användas för att förutsäga trafikbehov vid motorvägsinfarter och trafikflöden vid motorvägsavfarter.

Ensemble learning tar delvis upp frågan om olika typer av fordon i trafiken; dock, den tar inte upp plötsliga förändringar orsakade av konstruktion eller incidenter. Forskargruppen tillämpade onlineinlärningstekniker (realtids) för att göra det möjligt för algoritmen att lära sig inte bara från det förflutna, men att anpassa sig till nya trafikförhållanden längs vägen i realtid.

Algoritmen kan användas i kombination med dessa tekniker för mer exakt och snabb trafikförutsägelse och för att underlätta trafikkontroll i realtid, som att omdirigera trafik, ändra trafikljuskonfigurationer, och andra korrigerande åtgärder.

"Den första implementeringen av Connected Corridors-programmet är avsedd att validera konceptet och kvantifiera förbättringar av restider, trafikflöde, och förseningar under verkliga förhållanden, ", sade Peterson. "Trafikmodellering har visat att betydande förbättringar är möjliga med de trafikledningsstrategier som utvecklas. Framtida implementeringar är i planeringsstadiet med möjligheter till pågående systemförbättringar och nya tillvägagångssätt."

Förutom Li, Peterson, och Zhan, Andra bidragsgivare till detta projekt inkluderar Berkeley Lab-forskaren John Wu och ITS Gabriel Gomes.