Shunlongwei Co. Ltd

Menggunakan Algoritma Deep Learning untuk Memberi Pesepeda 'Gelombang Hijau' di Sinyal Lalu Lintas

Berita
Pembaruan: 6 Agustus 2023
Menggunakan Algoritma Deep Learning untuk Memberi Pesepeda 'Gelombang Hijau' di Sinyal Lalu Lintas

Dipimpin oleh Dr. Stephen Fickas dari University of Oregon (UO), peneliti transportasi bekerja untuk memberikan pengendara sepeda perjalanan yang lebih mulus dengan memungkinkan mereka berkomunikasi dengan sinyal lalu lintas melalui aplikasi seluler.

Laporan terbaru yang keluar dari upaya penelitian multi-proyek ini memperkenalkan algoritme pembelajaran mesin untuk bekerja dengan FastTrack aplikasi seluler mereka. Dikembangkan dan diuji pada fase awal proyek, aplikasi ini memungkinkan pengendara sepeda untuk berkomunikasi secara pasif dengan sinyal lalu lintas di sepanjang koridor sepeda yang sibuk di Eugene, Oregon. Para peneliti berharap pada akhirnya membuat aplikasi mereka tersedia di kota-kota lain.

“Tujuan keseluruhannya adalah untuk memberikan pengendara sepeda penggunaan yang lebih aman dan efisien dari persimpangan bersinyal kota. Proyek saat ini mencoba menggunakan dua algoritme pembelajaran mendalam, LSTM dan 1D CNN, untuk menangani peramalan deret waktu. Tujuannya adalah untuk memprediksi fase berikutnya dari sinyal lalu lintas yang akan datang dan digerakkan berdasarkan riwayat fase sebelumnya dalam format deret waktu. Kami terdorong oleh hasilnya,” kata Fickas.

Pekerjaan terbaru mereka dibangun di atas dua proyek sebelumnya, juga didanai oleh Institut Nasional untuk Transportasi dan Komunitas, di mana Fickas dan timnya berhasil membangun dan menggunakan produk perangkat keras dan perangkat lunak yang disebut "Bike Connect" yang memungkinkan orang-orang yang bersepeda memajukan informasi ke sinyal lalu lintas yang akan datang, menggunakan kecepatan dan arah perjalanan mereka untuk meningkatkan kemungkinan sinyal akan berwarna hijau pada saat kedatangan.

Proyek V2X: Membawa Sepeda ke dalam Campuran, selesai pada tahun 2018, berfokus pada memberikan tombol panggilan virtual kepada pengendara sepeda yang dapat mereka gunakan di ponsel mereka. Selama proyek tersebut, para peneliti mengumpulkan data real-time terperinci dari sinyal yang diaktifkan di koridor studi. Proyek Jalur Cepat: Mengizinkan Sepeda Berpartisipasi dalam Sistem Transportasi Cerdas, yang diselesaikan pada tahun 2019, mengembangkan tampilan real-time untuk sinyal non-aktuasi yang menunjukkan informasi GLOSA (Green Light Optimized Speed ​​Advisory)—lebih sering disebut sebagai “hijau melambai." Sementara hal yang umum teknologi tersedia untuk pengemudi, GLOSA tidak tersedia secara luas untuk pengendara sepeda. Ini waktu nyata pameran (idealnya dipasang di stang untuk tampilan hands-free) menawarkan informasi waktu nyata kepada pengendara sepeda tentang apakah akan memperlambat, mempercepat, atau mempertahankan kecepatan untuk membuat lampu hijau.

Proyek 2021 dibangun berdasarkan studi sebelumnya:

  1. Ini menggunakan data yang dikumpulkan dari sinyal yang digerakkan pada fase pertama untuk melatih dan menguji dua algoritme pembelajaran mesin untuk memperkirakan fase sinyal.
  2. Ini menetapkan dasar untuk memperluas aplikasi FastTrack untuk menyertakan sinyal yang tidak digerakkan dan yang digerakkan, karena pengendara sepeda kemungkinan akan menemukan kedua jenis infrastruktur ini saat berkendara.

Menggabungkan pembelajaran mesin

Para peneliti memilih untuk mengeksplorasi dua algoritma pembelajaran mesin yang terpisah. Keduanya memiliki rekam jejak yang baik dengan peramalan deret waktu: One-Dimensional Convolutional Neural Nets (singkatnya 1D CNN) dan model Long Short-Term Memory (LSTM).

Untuk mengukur efektivitas setiap algoritma, mereka menggunakan tiga metrik:

  • Presisi berkaitan dengan "ketika model memprediksi bahwa pengendara akan tiba di lampu hijau, seberapa sering itu benar?" Skor Presisi tinggi mengatakan bahwa model tersebut tidak rentan terhadap pengendara yang menginjak rem, secara keliru diberitahu untuk mengharapkan warna hijau.
  • Recall bertanya "untuk semua lampu hijau sebenarnya yang ditemui pengendara, berapa banyak model yang benar?" Skor Recall yang tinggi menunjukkan bahwa pengendara tidak melewatkan banyak green.
  • Akhirnya, Akurasi hanyalah jumlah prediksi yang benar.

LSTM dan 1D CNN mencetak hasil yang hampir sama pada ketiga metrik tersebut. Para peneliti mampu memprediksi fase berikutnya dengan akurasi sekitar 85%, untuk setiap algoritma peramalan deret waktu.

“Kami percaya kami berada di rata-rata untuk dapat diterima dalam hal menambahkan komponen prediksi ke aplikasi FastTrack kami yang ada,” kata Fickas. Ini akan membuka kemampuan gelombang hijau untuk persimpangan waktu tidak tetap.

Berikutnya: Meningkatkan kompleksitas dan ukuran kumpulan data

Berdasarkan apa yang mereka pelajari, rencana peneliti untuk langkah selanjutnya adalah:

  1. Dapatkan akses ke kumpulan data dengan rentang hari yang lebih besar, mungkin satu musim penuh. (Saat ini, tim sedang memperhatikan Parkway “Better Naito” di Portland, Oregon, koridor ramah sepeda yang berisi beberapa persimpangan yang digerakkan untuk mengambil data.) Biasanya, lebih banyak data mengarah ke hasil yang lebih kuat ketika melihat algoritme pembelajaran mesin .
  2. Pindah ke kumpulan data multivarian yang menyertakan tanggal dan waktu, dan mungkin juga cuaca. Ini tidak akan menjadi perubahan besar pada persiapan data, dan memungkinkan satu model yang mencakup keempat musim.

Aplikasi FastTrack memerlukan umpan waktu nyata dari sinyal lalu lintas yang akan datang di jalur pengendara sepeda. Kota dengan peralatan yang lebih tua atau dengan Manajemen Lalu Lintas yang lebih tua sistem (TMS) mungkin tidak dapat menyediakan feed ini. Namun, Fickas dan timnya optimistis. Saat kota-kota mengganti peralatan yang lebih tua dan menghadirkan TMS modern, mereka akan sepenuhnya mampu menggunakan aplikasi FastTrack yang efektif dengan persimpangan tetap dan yang digerakkan, memberikan peluang gelombang hijau komunitas bersepeda mereka.

Waktu ELE
+ posting
  • India Menginovasi Teknologi yang Menghasilkan Hidrogen Langsung dari Residu Pertanian
  • Studi Mengatakan 'Hidrogen Biru' Kemungkinan Buruk untuk Iklim
  • Terbaik dari Kedua Dunia—Menggabungkan Sistem Klasik dan Kuantum untuk Memenuhi Tuntutan Superkomputer
  • Mouser Menghadirkan Situs Ethernet Single Pair dari Texas Instruments dan Phoenix Contact
«
»