Guidati dal dottor Stephen Fickas dell'Università dell'Oregon (UO), i ricercatori dei trasporti stanno lavorando per offrire ai ciclisti una guida più fluida consentendo loro di comunicare con i segnali stradali tramite un'app mobile.
L'ultimo rapporto uscito da questo sforzo di ricerca multiprogetto introduce algoritmi di apprendimento automatico per lavorare con la loro app mobile FastTrack. Sviluppata e testata nelle fasi precedenti del progetto, l'app consente ai ciclisti di comunicare passivamente con i segnali stradali lungo un trafficato corridoio ciclabile a Eugene, in Oregon. I ricercatori sperano di rendere disponibile la loro app in altre città.
“L'obiettivo generale è offrire ai ciclisti un uso più sicuro ed efficiente degli incroci segnalati di una città. L'attuale progetto tenta di utilizzare due algoritmi di deep learning, LSTM e 1D CNN, per affrontare la previsione delle serie temporali. L'obiettivo è quello di prevedere la fase successiva di un segnale stradale attivato imminente data una cronologia delle sue fasi precedenti in formato serie temporale. Siamo incoraggiati dai risultati", ha detto Fickas.
Il loro ultimo lavoro si basa su due progetti precedenti, finanziati anche dall'Istituto nazionale per i trasporti e le comunità, in cui Fickas e il suo team hanno costruito e implementato con successo un prodotto hardware e software chiamato "Bike Connect" che ha permesso alle persone in bicicletta di dare le mani libere anticipo le informazioni a un segnale stradale imminente, utilizzando la loro velocità e direzione di marcia per aumentare la probabilità che il segnale sia verde all'arrivo.
Il progetto V2X: Bringing Bikes into the Mix, completato nel 2018, si concentrava sulla fornitura ai ciclisti di un pulsante di chiamata virtuale da utilizzare sui loro telefoni. Durante quel progetto, i ricercatori hanno raccolto dati dettagliati in tempo reale dal segnale attivato nel corridoio di studio. Il progetto Fast Track: consentire alle biciclette di partecipare a un sistema di trasporto intelligente, completato nel 2019, ha sviluppato una visualizzazione in tempo reale per i segnali non attivati che mostrano informazioni GLOSA (Green Light Optimized Speed Advisory), più spesso definite "green onda." Mentre un comune la tecnologia disponibile per gli automobilisti, GLOSA non è ampiamente disponibile per i ciclisti. Questo in tempo reale dalla visualizzazione (montato idealmente sul manubrio per la visualizzazione a mani libere) offriva ai ciclisti informazioni in tempo reale sull'opportunità di rallentare, accelerare o mantenere la velocità per fare un semaforo verde.
Il progetto 2021 si basa sugli studi precedenti:
- Utilizza i dati raccolti dal segnale attivato nella prima fase per addestrare e testare due algoritmi di apprendimento automatico per prevedere le fasi del segnale.
- Pone le basi per estendere l'app FastTrack per includere sia i segnali non attivati che quelli attivati, poiché è probabile che i ciclisti incontrino entrambi questi tipi di infrastruttura durante la guida.
Incorporare l'apprendimento automatico
I ricercatori hanno scelto di esplorare due algoritmi di apprendimento automatico separati. Entrambi hanno un buon track record con le previsioni di serie temporali: reti neurali convoluzionali unidimensionali (CNN 1D in breve) e modelli di memoria a lungo termine a breve termine (LSTM in breve).
Per misurare l'efficacia di ciascun algoritmo, hanno utilizzato tre metriche:
- La precisione riguarda "quando il modello prevede che il ciclista arriverà al semaforo verde, quanto spesso è corretto?" Un punteggio elevato di Precisione dice che il modello non è incline a far frenare il pilota, erroneamente detto di aspettarsi un verde.
- Recall chiede "per tutte le luci verdi effettive incontrate dal ciclista, quante ha corretto il modello?" Un punteggio Recall alto indica che al ciclista non mancano molti green.
- Infine, l'accuratezza è semplicemente il numero di previsioni corrette.
LSTM e 1D CNN hanno ottenuto risultati quasi identici su tutte e tre le metriche. I ricercatori sono stati in grado di prevedere la fase successiva con una precisione di circa l'85%, per ciascuno degli algoritmi di previsione delle serie temporali.
"Riteniamo di essere in grado di essere accettabili in termini di aggiunta di un componente di previsione alla nostra app FastTrack esistente", ha affermato Fickas. Ciò aprirebbe la capacità dell'onda verde per le intersezioni a tempo non fisso.
Cosa c'è dopo: aumentare la complessità e le dimensioni del set di dati
Sulla base di ciò che hanno appreso, i piani dei ricercatori per i prossimi passi sono:
- Ottieni l'accesso a un set di dati con un intervallo di giorni più ampio, forse un'intera stagione. (Attualmente, il team ha gli occhi su "Better Naito" Parkway a Portland, in Oregon, un corridoio adatto alle biciclette che contiene più intersezioni attivate da cui attingere dati.) In genere, più dati portano a risultati più forti quando si esaminano gli algoritmi di apprendimento automatico .
- Passa a un set di dati multivariato che include data e ora e forse anche il tempo. Questo non sarebbe un enorme cambiamento nella preparazione dei dati e potrebbe consentire un unico modello che copra tutte e quattro le stagioni.
L'app FastTrack richiede un feed in tempo reale dai segnali stradali imminenti sul percorso del ciclista. Città con apparecchiature obsolete o con gestione del traffico obsoleta SISTEMI DI TRATTAMENTO (TMS) potrebbe non essere in grado di fornire questo feed. Tuttavia, Fickas e la sua squadra sono ottimisti. Man mano che le città sostituiscono le vecchie apparecchiature e adottano un moderno TMS, saranno pienamente in grado di utilizzare un'app FastTrack efficace con incroci sia fissi che attivati, offrendo alla loro comunità di ciclisti opportunità di onda verde.
ELE Times
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsL'India innova la tecnologia che genera idrogeno direttamente dai residui agricoli
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsUno studio afferma che "l'idrogeno blu" è probabilmente dannoso per il clima
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsIl meglio di entrambi i mondi: combinazione di sistemi classici e quantistici per soddisfare le esigenze del supercalcolo
-
ELE Timeshttps://www.eletimes.com/author/eletimes-newsMouser presenta il sito Ethernet a coppia singola di Texas Instruments e Phoenix Contact