Thể thao

Con đường phía trước: Sử dụng mạng nơ-ron sâu để ước tính tác động của các khu vực làm việc

Việc xây dựng bên đường – có thể là đường vòng, làn đường kín, hoặc đi chậm qua các công nhân và thiết bị – các khu vực làm việc ảnh hưởng đến lưu lượng giao thông và thời gian di chuyển trên toàn hệ thống. Khả năng dự đoán chính xác những tác động đó sẽ như thế nào và lập kế hoạch cho chúng, sẽ là một trợ giúp chính cho cả các cơ quan giao thông vận tải và người sử dụng đường bộ. Được tài trợ bởi Viện Giao thông Vận tải và Cộng đồng Quốc gia, dự án Khởi nghiệp nhỏ mới nhất do Abbas Rashidi của Đại học Utah đứng đầu giới thiệu một mô hình mạng nơ-ron sâu, mạnh mẽ để phân tích tác động giao thông ô tô của các khu vực xây dựng.

Ba nguyên nhân hàng đầu gây ra tình trạng chậm trễ giao thông không lặp lại là do tai nạn, khu vực làm việc và điều kiện thời tiết bất lợi, trong đó khu vực làm việc chiếm 10% tổng số trường hợp chậm trễ không lặp lại. Dự đoán chính xác về tác động của khu vực làm việc có thể làm giảm đáng kể mức tiêu thụ nhiên liệu và ô nhiễm không khí.

“Học máy và học sâu là những công cụ mạnh mẽ để xây dựng các loại dữ liệu khác nhau và dự đoán các tình huống trong tương lai. Sử dụng AI để phân tích dữ liệu là tương lai của kỹ thuật giao thông nói chung, “Rashidi nói.

Sở Giao thông vận tải Utah (UDOT) thu thập nhiều loại dữ liệu khác nhau liên quan đến hoạt động của khu vực làm việc. Làm việc với những dữ liệu này, Rashidi và trợ lý nghiên cứu sau đại học Ali Hassandokht Mashhadi đã khám phá các cách đánh giá tác động của các biến số khác nhau đối với điều kiện giao thông và di chuyển của toàn bộ hệ thống đường bộ. Phân tích này có thể giúp UDOT hiểu rõ hơn và lập kế hoạch để vận hành khu vực làm việc hiệu quả hơn, chọn hệ thống quản lý giao thông hiệu quả nhất cho khu vực làm việc và đánh giá chi phí ẩn của hoạt động xây dựng tại khu vực làm việc.

NHỮNG YẾU TỐ NÀO TÁC ĐỘNG ĐẾN GIAO THÔNG Ô TÔ?

Tác động giao thông của các khu vực làm việc có thể khác nhau tùy thuộc vào các điều kiện hiện có khác và cách chúng giao nhau với khu vực làm việc yếu tố:

  • Yếu tố khu vực làm việc : cách bố trí và vị trí của khu vực làm việc, chiều dài đường bị đóng, tốc độ giao thông tại khu vực làm việc và giờ hoạt động hàng ngày.
  • Giao thông Các yếu tố : tỷ lệ xe hạng nặng, giới hạn tốc độ trên đường cao tốc, sức chứa, khả năng di chuyển, lưu lượng, mật độ, tắc nghẽn và sức chứa.
  • Yếu tố đường : tổng số làn xe, số làn đường mở, cấp và tình trạng mặt đường.
  • Yếu tố thời gian : năm, mùa, tháng h, ngày trong tuần, thời gian trong ngày và bóng tối / ánh sáng.
  • Yếu tố không gian : chiều rộng làn đường và sự hiện diện và số lượng đường cao tốc gần đó.

UDOT thu thập số lượng lớn lượng dữ liệu thô về vùng làm việc, bao gồm cả dữ liệu về các yếu tố trên, giúp dự án này trở nên khả thi.

Mô hình mạng nơ ron sâu (DNN) do các nhà nghiên cứu phát triển có khả năng đánh giá tác động của nhiều yếu tố và tác động qua lại giữa chúng. Các DNN có thể nắm bắt các mối quan hệ giữa các biến đầu vào và đầu ra, trái ngược với các thuật toán học máy truyền thống.

MÔ HÌNH THỰC HIỆN NHƯ THẾ NÀO?

DNN đã được đào tạo và đánh giá trên khoảng 400.000 điểm dữ liệu được thu thập từ khoảng 80 dự án trên các tuyến đường của Utah. Các nhà nghiên cứu đã đánh giá hiệu suất của mô hình bằng cách sử dụng ba thước đo khác nhau, bao gồm điểm số R2, lỗi bình phương trung bình gốc (RMSE) và lỗi tuyệt đối trung bình (MAE). Độ chính xác của tất cả các loại kết quả khu vực làm việc, bao gồm cả thời gian ngắn hạn và dài hạn, thời gian ngày và đêm, cũng như các khu vực làm việc giữa các tiểu bang và huyết mạch, đều được chấp nhận, với sai số dưới 2% trong lưu lượng giao thông dự đoán. Đây là nghiên cứu đầu tiên cố gắng điều tra tác động của các đặc điểm của khu vực làm việc đối với lưu lượng giao thông hàng giờ.

Lợi ích chính của mô hình được đề xuất là nó không yêu cầu người dùng đặt các yếu tố điều chỉnh khác nhau. dựa trên kinh nghiệm thực tế. Các mô hình được phát triển trước đây thường cần một vài yếu tố điều chỉnh trong mô hình toán học để ước tính công suất vùng làm việc. Tuy nhiên, mô hình do Rashidi và Mashhadi phát triển có khả năng ước tính lưu lượng giao thông hàng giờ mà không cần thêm các yếu tố theo cách thủ công. Cũng cần lưu ý rằng, bằng cách sử dụng các đặc điểm khu vực làm việc, đặc điểm đường xá và đặc điểm thời gian làm biến đầu vào, mô hình có thể ước tính giao thông khu vực làm việc ngay cả ở những khu vực không có bất kỳ cảm biến giao thông nào.

THỰC HIỆN PHƯƠNG PHÁP

Được tài trợ bởi khoản tài trợ của NITC Small Starts, dự án thử nghiệm này đã cho thấy những kết quả đầy hứa hẹn. Để đưa mô hình này vào tay các chuyên gia có thể sử dụng nó, nhóm nghiên cứu đã xuất bản một bài báo trong Hồ sơ Nghiên cứu Giao thông vận tải: Xem xét các Phương pháp Ước tính Công suất Khu Công trình Xây dựng, và đang trong quá trình xuất bản một bài báo khác. Các bước tiếp theo bao gồm chia sẻ kết quả của nghiên cứu với UDOT để nhận phản hồi của họ và xác định xem mô hình có thể hữu ích như thế nào đối với họ. Rashidi cũng hy vọng sẽ mở rộng khả năng của mô hình với các nghiên cứu trong tương lai.

“Nghiên cứu này tập trung vào dữ liệu của Utah, vì vậy sẽ thật tuyệt nếu chúng tôi có thể thực hiện các nghiên cứu tương tự và so sánh kết quả với các trạng thái khác; xem các mô hình hành vi tương tự như thế nào, “Rashidi nói.

Nguồn truyện:

Tư liệu được cung cấp bởi Portland State University . Lưu ý: Nội dung có thể được chỉnh sửa về văn phong và độ dài.

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button