Shunlongwei Co. Ltd

Mit Deep-Learning-Algorithmen Fahrradfahrern die „Grüne Welle“ an Ampeln geben

Aktuelles
Update: 6. August 2023
Mit Deep-Learning-Algorithmen Fahrradfahrern die „Grüne Welle“ an Ampeln geben

Unter der Leitung von Dr. Stephen Fickas von der University of Oregon (UO) arbeiten Verkehrsforscher daran, Radfahrern eine reibungslosere Fahrt zu ermöglichen, indem sie ihnen die Kommunikation mit Ampeln über eine mobile App ermöglichen.

Der neueste Bericht, der aus diesem Multiprojekt-Forschungsprojekt hervorgegangen ist, stellt Algorithmen für maschinelles Lernen vor, die mit ihrer mobilen App FastTrack funktionieren. Die App wurde in früheren Projektphasen entwickelt und getestet und ermöglicht es Radfahrern, entlang eines belebten Fahrradkorridors in Eugene, Oregon, passiv mit Ampeln zu kommunizieren. Forscher hoffen, ihre App irgendwann in anderen Städten verfügbar zu machen.

„Übergeordnetes Ziel ist es, Radfahrern eine sicherere und effizientere Nutzung der signalisierten Kreuzungen einer Stadt zu ermöglichen. Das aktuelle Projekt versucht, zwei Deep-Learning-Algorithmen, LSTM und 1D CNN, zu verwenden, um Zeitreihenprognosen zu bewältigen. Das Ziel besteht darin, die nächste Phase einer bevorstehenden, aktivierten Verkehrsampel anhand einer Historie ihrer vorherigen Phasen im Zeitreihenformat vorherzusagen. Wir sind von den Ergebnissen ermutigt“, sagte Fickas.

Ihre neueste Arbeit baut auf zwei früheren Projekten auf, die ebenfalls vom National Institute for Transportation and Communities finanziert wurden und in denen Fickas und sein Team erfolgreich ein Hardware- und Softwareprodukt namens „Bike Connect“ entwickelten und einsetzten, das es Fahrradfahrern ermöglichte, die Hände frei zu geben Vorabinformationen zu einer bevorstehenden Ampel, indem sie deren Geschwindigkeit und Fahrtrichtung verwenden, um die Wahrscheinlichkeit zu erhöhen, dass das Signal bei der Ankunft grün wird.

Das 2 abgeschlossene Projekt V2018X: Bringing Bikes into the Mix konzentrierte sich darauf, Radfahrern eine virtuelle Anruftaste zur Verfügung zu stellen, die sie auf ihren Telefonen nutzen können. Während dieses Projekts sammelten die Forscher detaillierte Echtzeitdaten von einem aktivierten Signal auf dem Untersuchungskorridor. Das 2019 abgeschlossene Projekt „Fast Track: Ermöglichung der Teilnahme von Fahrrädern an einem intelligenten Transportsystem“ entwickelte eine Echtzeitanzeige für nicht betätigte Signale mit GLOSA-Informationen (Green Light Optimized Speed ​​Advisory) – häufiger auch als „Grün“ bezeichnet Welle." Während ein gemeinsames Technologie Während GLOSA für Autofahrer verfügbar ist, ist es für Radfahrer nicht allgemein verfügbar. Dies in Echtzeit Display (idealerweise am Lenker montiert für freihändiges Betrachten) boten Radfahrern Echtzeit-Informationen darüber, ob sie langsamer, schneller werden oder die Geschwindigkeit beibehalten sollten, um grünes Licht zu erhalten.

Das Projekt 2021 baut auf den vorangegangenen Studien auf:

  1. Es verwendet die Daten, die in der ersten Phase aus dem angesteuerten Signal gesammelt wurden, um zwei maschinelle Lernalgorithmen zu trainieren und zu testen, um die Signalphasen vorherzusagen.
  2. Es bildet die Grundlage für die Erweiterung der FastTrack-App um sowohl unbetätigte als auch betätigte Signale, da Radfahrer während der Fahrt wahrscheinlich auf beide Arten von Infrastrukturen stoßen werden.

Integrieren von maschinellem Lernen

Die Forscher entschieden sich, zwei separate Algorithmen für maschinelles Lernen zu untersuchen. Beide haben eine gute Erfolgsbilanz mit Zeitreihenprognosen: One-Dimensional Convolutional Neural Nets (kurz 1D CNN) und Long Short-Term Memory-Modelle (kurz LSTM).

Um die Effektivität jedes Algorithmus zu messen, verwendeten sie drei Metriken:

  • Precision beschäftigt sich mit „Wenn das Modell vorhersagt, dass der Fahrer an einer grünen Ampel ankommt, wie oft ist es richtig?“ Ein hoher Präzisionswert sagt aus, dass das Modell nicht dazu neigt, den Fahrer zu bremsen, der fälschlicherweise mit einem Grün gerechnet wird.
  • Recall fragt: "Bei all den tatsächlichen grünen Lichtern, auf die der Fahrer gestoßen ist, wie viele hat das Modell richtig gemacht?" Ein hoher Recall-Score sagt aus, dass dem Fahrer nicht viele Grüns fehlen.
  • Schließlich ist Genauigkeit einfach die Anzahl der richtigen Vorhersagen.

LSTM und 1D CNN erzielten bei allen drei Metriken nahezu identische Ergebnisse. Die Forscher konnten die nächste Phase mit einer Genauigkeit von etwa 85 % für jeden der Zeitreihen-Prognosealgorithmen vorhersagen.

„Wir glauben, dass wir in Bezug auf das Hinzufügen einer Vorhersagekomponente zu unserer bestehenden FastTrack-App akzeptabel sind“, sagte Fickas. Dies würde die Grüne-Welle-Fähigkeit für Kreuzungen ohne feste Zeit eröffnen.

Was kommt als nächstes: Erhöhung der Komplexität und Größe des Datensatzes

Basierend auf dem, was sie gelernt haben, sind die Pläne der Forscher für die nächsten Schritte:

  1. Erhalten Sie Zugriff auf einen Datensatz mit einer größeren Anzahl von Tagen, vielleicht einer ganzen Saison. (Derzeit hat das Team den „Better Naito“ Parkway in Portland, Oregon, im Auge, einen fahrradfreundlichen Korridor, der mehrere aktivierte Kreuzungen enthält, aus denen Daten gezogen werden können.) Normalerweise führen mehr Daten zu besseren Ergebnissen, wenn man sich maschinelle Lernalgorithmen ansieht .
  2. Wechseln Sie zu einem multivariaten Dataset, das Datum und Uhrzeit und möglicherweise auch das Wetter enthält. Dies wäre keine große Änderung bei der Datenaufbereitung und könnte ein einziges Modell ermöglichen, das alle vier Jahreszeiten abdeckt.

Die FastTrack-App benötigt einen Echtzeit-Feed von kommenden Ampeln auf dem Weg des Radfahrers. Städte mit älterer Ausstattung oder mit älterem Verkehrsmanagement Systeme und Techniken (TMS) kann diesen Feed möglicherweise nicht bereitstellen. Fickas und sein Team sind jedoch optimistisch. Wenn Städte ältere Geräte ersetzen und ein modernes TMS einführen, werden sie in der Lage sein, eine FastTrack-App zu nutzen, die sowohl bei festen als auch bei aktivierten Kreuzungen effektiv ist und ihrer Fahrradgemeinde grüne Wellen bietet.

ELE-Zeiten
+ Beiträge
  • Indien entwickelt innovative Technologie, die Wasserstoff direkt aus landwirtschaftlichen Rückständen erzeugt
  • Studie sagt, dass „blauer Wasserstoff“ wahrscheinlich schlecht für das Klima ist
  • Das Beste aus beiden Welten – Kombination klassischer und Quantensysteme zur Erfüllung der Supercomputing-Anforderungen
  • Mouser präsentiert Single Pair Ethernet Site von Texas Instruments und Phoenix Contact
«
»