Dirigidos por el Dr. Stephen Fickas de la Universidad de Oregon (UO), los investigadores del transporte están trabajando para brindar a los ciclistas viajes más suaves al permitirles comunicarse con las señales de tráfico a través de una aplicación móvil.
El último informe que surge de este esfuerzo de investigación de varios proyectos presenta algoritmos de aprendizaje automático para trabajar con su aplicación móvil FastTrack. Desarrollada y probada en las fases anteriores del proyecto, la aplicación permite a los ciclistas comunicarse pasivamente con las señales de tráfico a lo largo de un concurrido corredor para bicicletas en Eugene, Oregon. Los investigadores esperan que eventualmente su aplicación esté disponible en otras ciudades.
“El objetivo general es brindar a los ciclistas un uso más seguro y eficiente de las intersecciones señalizadas de una ciudad. El proyecto actual intenta utilizar dos algoritmos de aprendizaje profundo, LSTM y 1D CNN, para abordar el pronóstico de series de tiempo. El objetivo es predecir la siguiente fase de una próxima señal de tráfico activada, dado un historial de sus fases anteriores en formato de series de tiempo. Los resultados nos alientan ”, dijo Fickas.
Su último trabajo se basa en dos proyectos anteriores, también financiados por el Instituto Nacional de Transporte y Comunidades, en los que Fickas y su equipo construyeron e implementaron con éxito un producto de hardware y software llamado "Bike Connect" que permitía a las personas en bicicleta dar manos libres avanzar la información a una señal de tráfico próxima, utilizando su velocidad y dirección de viaje para aumentar la probabilidad de que la señal sea verde al llegar.
El proyecto V2X: Bringing Bikes into the Mix, completado en 2018, se centró en brindar a los ciclistas un botón de llamada virtual que pudieran usar en sus teléfonos. Durante ese proyecto, los investigadores recopilaron datos detallados en tiempo real a partir de una señal activada en el corredor de estudio. El proyecto Fast Track: Permitir que las bicicletas participen en un sistema de transporte inteligente, completado en 2019, desarrolló una visualización en tiempo real para señales no activadas que muestran información GLOSA (Aviso de velocidad optimizada con luz verde), más a menudo denominada “verde”. ola." Si bien es común la tecnología disponible para los conductores, GLOSA no está ampliamente disponible para los ciclistas. este tiempo real la visualización (idealmente montado en el manillar para una visualización con manos libres) ofreció a los ciclistas información en tiempo real sobre si reducir la velocidad, acelerar o mantener la velocidad para pasar la luz verde.
El proyecto 2021 se basa en los estudios anteriores:
- Utiliza los datos recopilados de la señal activada en la primera fase para entrenar y probar dos algoritmos de aprendizaje automático para pronosticar las fases de la señal.
- Establece el trabajo preliminar para extender la aplicación FastTrack para incluir señales tanto no activadas como no activadas, ya que es probable que los ciclistas se encuentren con ambos tipos de infraestructura mientras conducen.
Incorporando el aprendizaje automático
Los investigadores optaron por explorar dos algoritmos separados de aprendizaje automático. Ambos tienen un buen historial con el pronóstico de series de tiempo: redes neuronales convolucionales unidimensionales (1D CNN para abreviar) y modelos de memoria a largo y corto plazo (LSTM para abreviar).
Para medir la efectividad de cada algoritmo, utilizaron tres métricas:
- La precisión se refiere a "cuando el modelo predice que el ciclista llegará a una luz verde, ¿con qué frecuencia es correcto?" Una puntuación de Precisión alta indica que el modelo no es propenso a que el ciclista frene de golpe y se le diga por error que espere un green.
- Recall pregunta "para todas las luces verdes reales que encontró el ciclista, ¿cuántas acertó el modelo?" Una puntuación alta en Recall indica que al ciclista no le faltan muchos greens.
- Finalmente, la precisión es simplemente el número de predicciones correctas.
LSTM y 1D CNN obtuvieron resultados casi idénticos en las tres métricas. Los investigadores pudieron predecir la siguiente fase con aproximadamente un 85% de precisión, para cada uno de los algoritmos de pronóstico de series de tiempo.
“Creemos que estamos a punto de ser aceptables en términos de agregar un componente de predicción a nuestra aplicación FastTrack existente”, dijo Fickas. Esto abriría la capacidad de onda verde para intersecciones de tiempo no fijo.
Qué sigue: aumentar la complejidad y el tamaño del conjunto de datos
Según lo que aprendieron, los planes de los investigadores para los próximos pasos son:
- Obtenga acceso a un conjunto de datos con un rango de días más amplio, tal vez una temporada completa. (Actualmente, el equipo tiene sus ojos puestos en "Better Naito" Parkway en Portland, Oregon, un corredor apto para bicicletas que contiene múltiples intersecciones activadas para extraer datos). Por lo general, más datos conducen a resultados más sólidos cuando se analizan los algoritmos de aprendizaje automático. .
- Muévase a un conjunto de datos multivariante que incluya la fecha y la hora, y quizás también el clima. Esto no supondría un gran cambio en la preparación de datos y podría permitir un modelo único que cubra las cuatro estaciones.
La aplicación FastTrack requiere una transmisión en tiempo real de las próximas señales de tráfico en el camino del ciclista. Ciudades con equipos más antiguos o con gestión de tráfico más antigua Todas las funciones a su disposición Es posible que (TMS) no pueda proporcionar este feed. Sin embargo, Fickas y su equipo son optimistas. A medida que las ciudades reemplacen equipos más antiguos e incorporen un TMS moderno, serán completamente capaces de usar una aplicación FastTrack que sea efectiva con intersecciones fijas y accionadas, lo que brindará a su comunidad ciclista oportunidades de ola verde.
Horarios ELE
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsIndia innova tecnología que genera hidrógeno directamente a partir de residuos agrícolas
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsUn estudio dice que el 'hidrógeno azul' probablemente sea malo para el clima
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsLo mejor de ambos mundos: combinación de sistemas clásicos y cuánticos para satisfacer las demandas de la supercomputación
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsMouser presenta el sitio Ethernet de un solo par de Texas Instruments y Phoenix Contact