هوش مصنوعي و ترافيك سنجي

محققان از سراسر آزمايشگاه ملي ارگون وزارت انرژي ايالات متحده (DOE) با استفاده از تكنيك هوش مصنوعي (AI) به نام يادگيري ماشين ، از ابر رايانه هاي آرگون براي هضم الگوهاي ترافيك از داده هاي تقريباً يك ساله گرفته شده از 11160 حسگر در امتداد سيستم بزرگراه بزرگ كاليفرنيا استفاده كرد. سپس از اين اطلاعات براي آموزش مدلي براي پيش بيني ترافيك با سرعت بالا استفاده شد – مطمئناً سريعتر از ترافيك لوس آنجلس در عرض ميلي ثانيه ، مدل مي تواند ساعت گذشته اطلاعات را بررسي كرده و ساعت بعدي ترافيك را با دقت زيادي پيش بيني كند.

هوش مصنوعي چگونه به كنترل و حل ترافيك لس آنجلس كمك مي كند ؟

كار با اعضاي بخش رياضيات و علوم كامپيوتر آرگون (MCS) و تسهيلات رايانه اي رهبري آرگون (ALCF) ، در يك  دفتر كاربري علمي وزارت علوم DOE ، تيم نتايج خارق العاده اي در پيش بيني ترافيك بدست آورد و اخيراً نتايج را در سابقه تحقيقات حمل و نقل ،مجله هيئت تحقيقات حمل و نقل منتشر كرد. پراسانا بالاپراكش ، دانشمند كامپيوتر در MCS با انتصاب مشترك در ALCF ، گفت: “هوش مصنوعي و قابليت هاي فوق رايانه اي كه در اين كار استفاده شده است ، به ما امكان مي دهد تا مشكلات واقعاً بزرگي را حل كنيم.” “مقياس اين پروژه زياد است و اين مقدار داده براي مقابله با آن به يك منبع محاسباتي به همان اندازه بزرگ نياز دارد.” دانشمندان با استفاده از منابع محاسباتي كلاس جهاني ALCF تعداد ساعات رايانه مورد نياز براي آموزش مدل را به شدت كاهش دادند. به عنوان مثال ، براي آموزش مدل پيش بيني ترافيك در يك هفته ممكن است يك رايانه روميزي برتر از يك هفته طول بكشد ، مي توان همين روند را در مدت سه ساعت روي يك ابر رايانه انجام داد. استفاده از قدرت يادگيري عميق مبتني بر نمودار – شكل پيچيده اي از يادگيري ماشيني كه مي تواند تصميم گيري كند و تقريباً به طور خودكار پيش بيني هاي يك مدل را بهبود بخشد – مدل آنها از داده هاي تاريخي براي پيش بيني الگوهاي ترافيك استفاده مي كند ، در حالي كه سرعت و جريان را به طور همزمان پيش بيني مي كند. اين مهم است زيرا جريان هاي ترافيكي در هر منطقه در هر زمان به سرعت و جريان ترافيك در نزديكي بستگي دارد. اريك راسك ، مهندس اصلي تحقيقات قبلي در مركز تحقيقات حمل و نقل آرگون و يكي از دانشمندان درگير در اين مطالعه گفت: “رويكردهاي پيش بيني ترافيك براي توسعه استراتژي هاي سازگار براي حمل و نقل بسيار مهم است. “الگوهاي ترافيكي دامنه وابستگي هاي مكاني و زماني پيچيده اي دارند كه پيش بيني دقيق در شبكه هاي بزرگراهي را به عنوان يك كار چالش برانگيز در نظر مي گيرند.”

با ويرا سگال كارو همراه باشيد