TranSEC — инструмент машинного обучения для отслеживания заторов в городе в режиме реального времени

Новый алгоритм машинного обучения, созданный U.S. Department of Energy’s Pacific Northwest National Laboratory, поможет аналитикам в области городского транспорта выявлять проблемные места и оптимизировать модели движения в своих городах.

Инструмент под названием TranSEC использует базы данных водителей Uber и другие общедоступные данные датчиков дорожного движения для отображения потоков уличного трафика в режиме реального времени. Затем, используя инструменты машинного обучения и вычислительные ресурсы, имеющиеся в национальной лаборатории, TranSEC может создать общую картину движения в городе.

«Что здесь нового, так это оценка уровня улиц в большом мегаполисе, — сказал Ариф Хан, ученый PNNL, который участвовал в разработке TranSEC. — «И в отличие от других моделей, которые работают только в одном конкретном районе города, ​​наш инструмент является портативным и может применяться на любом городском участке, где доступны агрегированные данные о трафике».

Инструмент может использовать машинное обучение для анализа разреженной и неполной информации, связывая сегменты информации с отсутствующими данными, предоставляя аналитикам оценки трафика на уровне улиц почти в реальном времени.

Команда PNNL использовала общедоступные данные из Лос-Анджелеса на площади 1500 квадратных миль для создания модели загруженности дорог по возрастанию, от часов до минут. Высокопроизводительные компьютерные ресурсы PNNL — это то, что делает возможным анализ почти в реальном времени.

PNNL работает над тем, чтобы сделать этот инструмент доступным для специалистов по планированию дорожного движения по всей стране. Вероятно, инструмент сыграет не последнюю роль в управлении автономными транспортными средствами в будущем.