Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

机器之心编辑部报道

魔都要用最先进的神经网络预测交通?前排围观

人工智能控制交通?我们已经在做了。近日,上海交通大学和上海交通信息中心一篇神经网络预测上海交通流量的论文引起了人们的关注。

你是否曾有过这样的经历——有时遇上一个红灯,接下来的每个路口就全是红灯;有时却是一路的绿灯?这并非个人的运气好坏,而是背后一套交通灯系统运行的系统在起作用。

信号灯设置不科学、配时不合理的直接后果就是拥堵不堪的路况和漫长的通勤时间,这对于数以亿计的白领一族和城市居民来说,绝对是 每天最令人烦心的事情之一。如何让信号灯「聪明」起来,正在成为搭建一套「智慧交通系统」最为核心的问题。

现在,面对城市拥堵这个棘手的大难题,上海交通大学关新平教授团队、上海交通信息中心张扬提出一种新型拓扑网络 Linkage Network,用于建模道路网络、展示交通流量的传播规律(propagation pattern)。

先解决交通预测问题

为了实现交通的智能化控制,我们需要建立一套有「预知能力」的系统,预测是智能交通系统(ITS)中最基础、最重要的任务。

以上海市交通信息中心为例,高度准确率的交通预测可以帮助控制交通流量。同时,大规模交通拥堵意味着大量市民聚集在某个特定地点,因此交通预测还可以通过提前通知管理人员来预防公共事件或交通事故的发生,以及及时部署应急预案。

关于交通预测的研究有很多,但仍然存在很多局限。

很多现有方法把交通预测仅当作时序问题来处理,但一个路段的交通条件与其他路段的情况强相关,因此一定不能忽视整个交通网络的整体信息。有些路段的交通条件呈现出很强的季节规律,但大部分路段不具备此类特征。

论文中展示了具备强周期性的路段(左图),以及不具备此类特征的路段(右图)。

也有一些方法期望引入额外的时空数据来辅助交通预测。这种方法一定程度上解决了全局信息的问题,但额外的信息会导致大量算力消耗。道路系统的时空强相关特性表明使用局部信息分别进行交通预测不等于全局预测。

突破之道

上海交通大学和上海市交通信息中心(TIC)的研究者们提出了一种全新的机制来处理交通预测任务,并解决上述局限。

据介绍,该机制包括两大关键部分:Linkage Network 和在线预测器 Graph Recurrent Neural Network (GRNN)。新型拓扑网络 Linkage Network 用于建模道路网络、展示交通流量的传播规律。基于 Linkage Network 模型设计的新型在线交通预测器 GRNN 用于学习交通道路图中的传播规律。它可以基于图信息预测所有路段的交通流量,显著降低了计算复杂度,同时还能保持高准确率

此外,它还可以预测交通趋势的变化。基于现实世界数据的实验表明本研究提出的方法优于现有的预测方法。

该方法的架构如下图所示:

其中 Linkage Network 用来充实道路网络图所包含的属性信息,展示交通传播规律这一重要属性,从而说明交通变化的内部机制。而 GRNN 用于挖掘和学习该交通规律,并同步进行全局交通预测。

LINKAGE NETWORK

道路网络和 Linkage Network 之间的区别。

我们可以看到,Linkage Network 具备两大优势:

  • 包含的信息更加丰富,尤其是其展示了交通道路的传播规律。

  • 仅在 Linkage Network 的定义下,即可设计算法来学习交通模式。

GRNN

GRNN 包含传播模块(propagation module),可以在交通流量沿着道路网络扩展时向 linkage network 传播隐藏状态。由于交通传播对交通情况有直接影响,因此 GRNN 可以利用学得的传播规律轻松生成预测结果。

GRNN 架构图示。

在这种结构下,GRNN 有两大特点:

  • GRNN 成为一个序列到序列的模型,克服了 GNN 的局限性,后者不擅长处理流动数据;

  • GRNN 可以学习 linkage network 代表的传播模式并同步预测局部交通状况。

研究人员表示,训练整个 GRNN 用的是 BPTT 算法。

实验对比

为了验证算法能否真正预测交通拥堵情况,研究者使用上海市交通信息中心(TIC)的原始出租车轨迹数据集进行了测试,如下图所示:

原始出租车轨迹数据分布图,右侧附图即该研究选择的子图。路段的亮度越高,该路段的样本越多。

为了验证新模型的准确度,研究人员还找到了 5 种基准模型进行对比:HA、ARIMA、GBRT、SVR 和 GGNN。实验证明,GRNN 的效果大大好于此前人们提出的方法。

实验结果

表 1:不同方法的对比结果。GRNN 方法成绩领先。

图 8:GRNN 和 GBRT 的性能。可以看出,神经网络的预测与真实情况基本一致。

未来可期

在国内,上海无疑是「智慧城市」运动的先行者。自 2011 年以来,上海已经实施两轮三年行动计划,」智慧城市」系统形成了相对完备的顶层设计和推进机制,并连续 3 年在国家权威机构发布的信息化排名中名列全国第一,为城市提供智能化服务的云端「大脑」和服务能力已达到国际水平。在推进智慧城市建设的第六个年头,上海这座现代化国际大都市的先行经验颇具借鉴和分享价值。

也许在未来,指挥我们在街道上通行的交通信号灯都将由神经网络控制,这个未来并不遥远。红绿灯将不再只是「灯」,它能通过多渠道自行感知和收集相关交通数据,再运用自己的「大脑」进行分析研判,给出信号控制和交通组织的最佳方案。

国内科技巨头也有着智能交通的愿景。11 月 8 日,百度创始人、董事长兼 CEO 李彦宏在第五届互联网大会上发表演讲时介绍了百度在智能交通方面的进展。他表示,百度和中国不少城市有合作。比如在北京,百度将从海淀区开始,接管所有的红路灯,智能实时的进行调整。根据预算,可使交通拥堵时的等待时间减少 30%-40%。此外,他还透露,百度与上海也在智能交通、自动驾驶以及工业升级等方面有合作。

在杭州构建智慧城市的阿里巴巴也已有智能交通的实践,阿里巴巴集团技术委员会主席王坚在今年的云栖大会上曾表示,阿里一直在利用城市大脑的数据挖掘引导交通,让市内道路中的堵点逐渐化解,提升通行速度。杭州道路的拥堵程度已从 2013 年的全国前十退至了今天的 80 多位。

今天,因为技术的发展,一个杭州人去上班可以比北京人晚一个小时出门。

那么上海呢?

参考论文:https://arxiv.org/abs/1811.00740

理论上海交通大学人工智能神经网络
4
相关数据
自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

序列到序列技术

推荐文章
暂无评论
暂无评论~