中金在线 > 汽车 > 汽车评论

|汽车评论

劳伦斯伯克利国家实验室利用集成学习算法 实时准确预测交通流量

盖世汽车 佚名

|
  盖世汽车讯 据外媒报道,城市交通大致会遵循一个与“朝九晚五”工作时间表相关的周期性模式。不过,如果有事故发生,该交通模式就会被打乱。对于交通工程师来说,设计一个准确的交通流量模型,以在发生事故时使用是一个很大的挑战,因为必须要实时适应不可预见的交通场景。
  

  (图片来源:劳伦斯伯克利国家实验室)
  现在,美国能源部的劳伦斯伯克利国家实验室(Lawrence Berkeley National Lab)的一组计算机科学家与加利福尼亚州运输部(California Department of Transportation,Caltrans)合作,采用高性能计算和机器学习技术,在发生事故时,帮助Caltrans实时做出决策。该研究是与加利福尼亚高级运输和公路合作伙伴(PATH)、加州伯克利大学的交通研究(ITS)合作进行的,是Connected Corridors项目的一部分,Connected Corridors旨在研究、开发和测试一个综合走廊管理方法(Integrated Corridor Management approach),用于管理加州的交通走廊。
  Caltrans和Connected Corridors正在洛杉矶县I-210试点实施该系统。研究人员采用南加州市、县和州的实时数据,目标是通过执行经过协调的多司法管辖区交通事故响应计划,以限制交通事故的负面影响,提高Caltrans的实时决策能力。该系统的首个版本将于2020年部署于阿卡迪亚、杜阿尔特、蒙罗维亚和帕萨迪纳等城市,并计划部署到该州的各地。
  伯克利大学计算研究部(CRD)数学家Sherry Li表示:“其实有很多种交通流量预测方法,而且每一种在适当的情况下都可发挥作用。为了减轻人工操作员(有些人有时会盲目信任某个特定模型)的负担,我们的目标是整合多个模型,以更稳定、准确地预测交通流量。为此,我们设计了一个结合不同子模型的集成学习(ensemble-learning)算法。”
加载全文
加载更多

精彩博文
×