Технологии прогнозирования дорожного движения делают дороги более безопасными и плавными.

Разочарование от того, что вы попали в постоянные пробки в часы пик, разделяют многие. Но что, если мы скажем вам, что появилась передовая платформа машинного обучения, способная превратить наши городские ландшафты в приюты для свободного движения транспорта? Углубляясь в глубину данных и используя возможности высокопроизводительных вычислительных платформ, это нововведение призвано произвести революцию в прогнозировании дорожного движения, прокладывая путь к более безопасным и менее перегруженным дорогам.

В основе этого прорыва лежит область прогнозирования дорожного движения, важнейший компонент управления приливами и отливами транспортных средств на наших дорогах. Этот процесс включает в себя анализ огромных объемов данных, собранных из сложной сети датчиков дорожного движения, с целью предвидеть структуру трафика и узкие места.

Эта предусмотрительность – не просто удобство; это меняет правила игры. «Точный прогноз дорожного движения позволяет участникам дорожного движения принимать обоснованные решения и способствует уменьшению заторов на дорогах», — объясняют Пейшэн Цянь и Цзыюань Чжао, инженеры-исследователи Института исследований инфокоммуникаций A*STAR (I2R). Они подчеркивают, что эти системы прогнозирования также могут творить чудеса в оптимизации сетей общественного транспорта и повышении общей безопасности дорожного движения.

Тем не менее, за этим обещанием скрывается проблема, столь же динамичная, как и трафик, который он пытается предсказать. Непрерывный поток транспортных средств и множество событий, которые пронизывают наши городские пейзажи, делают точные прогнозы крепким орешком.

Однако одна модель машинного обучения, известная как нейронная сеть с пространственно-временным графом (GNN), становится маяком надежды в этом сложном сценарии. Что отличает GNN, так это их замечательная способность не только обрабатывать исторические данные из определенной точки (или узла), но и извлекать информацию из соседних узлов. Такое динамическое понимание транспортного потока позволяет GNN справиться с запутанным танцем транспортных средств на дороге.

Однако у каждого героя есть своя ахиллесова пята, и для GNN она предсказывает события, выходящие за рамки их основной сферы интересов, в рамках данных. Столкнувшись с этой проблемой, точность GNN имеет тенденцию резко падать. Этот щекотливый вопрос не остался незамеченным Цянем…