Skirtingi mobilumo modeliai skirtingoms Milano miesto zonoms darbo dienomis. Kreditai: „Complexity Science Hub“ ir „Sony CSL“. Naujas mašininio mokymosi modelis gali numatyti eismo aktyvumą įvairiose miestų zonose. Norėdami tai padaryti, „Complexity Science Hub“ tyrėjas naudojo pagrindinės automobilių dalijimosi bendrovės Italijoje duomenis kaip bendro eismo miesto srautą. Pavyzdžiui, skirtingų miestų zonų sąveikos supratimas gali padėti išvengti kamščių ir įgalinti politikos formuotojų tikslinius atsakymus, pvz., plėsti vietinį viešąjį transportą.
Žmonių judumo modelių supratimas bus labai svarbus gerinant miesto eismo srautus. „Kadangi gyventojų skaičius mieste auga, šios žinios gali padėti politikos formuotojams kurti ir įgyvendinti veiksmingą transporto politiką ir įtraukų miestų planavimą“, – sako Simone Daniotti iš „Complexity Science Hub“.
Pavyzdžiui, jei modelis parodo, kad tarp dviejų zonų yra netrivialus ryšys, ty žmonės dėl tam tikrų priežasčių važinėja iš vienos zonos į kitą, gali būti teikiamos šią sąveiką kompensuojančios paslaugos. Kita vertus, jei modelis rodo, kad tam tikroje vietoje yra mažai veiklos, politikos formuotojai galėtų panaudoti šias žinias investuodami į struktūras, kad tai pakeistų.
Modelis ir kitiems miestams, pavyzdžiui, Vienai
Šiam tyrimui didelė automobilių dalijimosi įmonė pateikė duomenis: visų automobilių parke buvimo vietą keturiuose Italijos miestuose (Romoje, Turine, Milane ir Florencijoje) 2017 m. Duomenys buvo gauti nuolat užklausant paslaugų teikėjo žiniatinklio API , įrašant kiekvieno automobilio stovėjimo vietą, taip pat pradžios ir pabaigos laiko žymas. „Ši informacija leidžia mums nustatyti kiekvienos kelionės kilmę ir tikslą“, – aiškina Daniotti.
Daniotti naudojo tai kaip tarpinį serverį visam miesto eismui ir sukūrė modelį, kuris ne tik leidžia tiksliai prognozuoti erdvės ir laiko prognozes įvairiose miesto zonose, bet ir tiksliai aptikti anomalijas. Anomalijos, pvz., streikai ir blogos oro sąlygos, kurie abu yra susiję su eismu.
Modelis taip pat galėtų numatyti eismo modelius kituose miestuose, pavyzdžiui, Vienoje. „Tačiau tam reikėtų atitinkamų duomenų“, – pabrėžia Daniotti.
Pranoksta kitus modelius
Nors jau yra daug modelių, skirtų nuspėti eismo elgesį miestuose, „didžioji dalis suvestinių duomenų numatymo modelių nėra visiškai interpretuojami. Nors tam tikra modelio struktūra jungia dvi zonas, jos negali būti interpretuojamos kaip sąveika“, – aiškina jis. Daniotti. Tai riboja supratimą apie pagrindinius mechanizmus, valdančius piliečių kasdienę veiklą.
Kadangi atsižvelgiama į tik minimalų apribojimų skaičių ir visi parametrai atspindi tikrąją sąveiką, naujasis modelis yra visiškai interpretuojamas.
Bet kas yra prognozavimas be aiškinimo?
„Žinoma, svarbu daryti prognozes, – aiškina Daniotti, – bet jūs galite labai tiksliai prognozuoti, o jei neteisingai interpretuojate rezultatus, kartais rizikuojate padaryti labai klaidingas išvadas.
Nežinant priežasties, kodėl modelis rodo konkretų rezultatą, sunku kontroliuoti įvykius, kai modelis nerodė to, ko tikėjotės. „Modelio patikrinimas ir jo supratimas padeda mums, taip pat ir politikos formuotojams, nepadaryti klaidingų išvadų“, – sako Daniotti.
Straipsnis publikuojamas žurnale Mokslinės ataskaitos.
Daugiau informacijos: Simone Daniotti ir kt., Maksimalios entropijos metodas, skirtas modeliuoti automobilių dalijimosi parkavimo dinamiką, Mokslinės ataskaitos (2023). DOI: 10.1038/s41598-023-30134-9
Citata: miesto eismo numatymas naudojant mašininio mokymosi modelį (2023 m. vasario 28 d.), gautas 2023 m. vasario 28 d. iš https://techxplore.com/news/2023-02-city-traffic-machine.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
