Машина пробокс: Купить Toyota Probox с пробегом: продажа автомобилей Тойота Пробокс б/у в Москве

Содержание

Видео Toyota Probox: обзоры, тест драйвы

Одноклассники Toyota Probox по цене

К сожалению, у этой модели нет одноклассников…

Отзывы владельцев Toyota Probox

Toyota Probox, 2005 г

Эксплуатация: Toyota Probox внутри еще больше, чем кажется снаружи. Сиденья передние — велюр. Посадка удобная. Панель изготовлена из приятного пластика, чем-то похожего на винил кожу, как на старых «японках». Руль регулируется по высоте. Все кнопки доступны и удобны. Перемещение по городу не доставляет особых проблем. Машина прекрасно чувствует руль и реагирует на газ и тормоз. Минус — при парковке и заднем ходе в боковые зеркала не просматривается конец машины, видно только заднюю арку. Минус в просвете машины. Расстояние между передними и задними колесами большое, что сказывается на величине просвета особенно на наших фронтовых дорогах. Toyota Probox цепляет все, что можно. Однако это не столь большая проблема, так как в будущем планирую поставить литье на 15 и проставки на 2-3 см. Расход топлива, конечно, увеличиться, но в нашем городе по другому не получиться — ямы. Задний ряд сидений -лавочка убирается полностью. «Уши» регулируются по углу наклона. Есть еще плюс — если залезть под машину, то сразу видно, что ничего не торчит и все узлы спрятаны в фактически вровень с полом. В целом, авто очень приятное и вполне комфортное за 340000 тыс. Если убрать все лишнее, то Toyota Probox — образец японского автопрома, эталон рабочей городской «лошадки». Многие из вас, конечно, скажут, зачем все это для рабочей машины – музыка, «сигналка» и т.д., но я брал автомобиль для себя и планирую отгонять на Toyota Probox 2-3 года с комфортом. А продать ее в плюсе получиться без проблем, ибо это «Тойота».

   Достоинства: удобный салон. Практичность. Надежность.

   Недостатки: не очень удобно парковаться.

  Алексей, Владивосток


Toyota Probox, 2004 г

Когда я покупал Toyota Probox — это было в 2006 году, модель была не очень популярной и поэтому я её купил не дорого, 2004 год: полный привод, хороший салон (сзади диван), зеркала на кнопках и передние стёкла тоже. Из Владивостока привезли машину в кузове грузовика. Меня устраивают качество отделки салона и удобство сидений. Салон пластмассовый, чистится очень хорошо, всегда чистый, за 2 года и 100000 км пробега нет ни одного «сверчка» или царапин. Сиденья удобные, нет дискомфорта. Садясь в авто — сравнимо с тем как садишься за стол, подошёл и сел. Багажник огромен. Ты можешь перевезти в нём всё, что можно придумать — я возил шкафы, диваны, кресла, гофролисты, цемент, тротуарную плитку – испачкать багажник тоже сложно. Раскладывая заднее сиденье получаешь ровный пол. Идеально ровный, сверху можно положить матрац и спать – так я делаю на рыбалке. Спать лучше, чем в палатке, с ростом 185 см я помещаюсь удобно. В багажнике есть две ниши в одной домкрат с крючком и тросом в другую можно что-нибудь положить самостоятельно – я положил аптечку. Грузоподъёмность: написано 400 кг. Случилось, что один раз вёз 500 кг – конечно, это было ощутимо, но не критично, Toyota Probox шла уверенно – хорошо разгонялась, но я не усугублял.

Доехали с комфортом. Есть знакомый – говорит, что вёз тонну, Управляемость.

   Достоинства: управляемость. Багажник.

   Недостатки: дизайн. Потеют стекла.

  Иван, Новосибирск


Toyota Probox, 2005 г

После тридцати лет эксплуатации нашего ВАЗ (21011, 2105, 2103) не буду про него плохо говорить, так как считаю, что главное в машине — это всё таки водитель. На «Классике» я и строил и семью, возил на далёкие расстояния, последняя поездка в Казахстан, Киргизию — общий пробег 14000 км (сиденье, правда, поставил с «Форда»). Никогда не подводила. О комфорте, удобстве и внимании в плане обслуживания нашего автопрома говорить не буду, все и так знают. И вот захотелось мне буржуазной жизни испробовать, начал я её искать по ящику в «европейках», но всё не то, уж слишком мои запросы несовместимые — экономичная, надёжная, вместительная, да ещё и дешёвая, всё что-то не срасталось или малая или аппетит слишком хороший. Родственник с дальнего востока посоветовал перейти на японский автопром и назвал несколько моделей, среди них и Toyota Probox.

Посмотрев на фото и характеристики и почитав отзывы, понял, что это моё. Правда, на фото он не очень впечатлил, но всё остальное вполне устраивало. Пугал немного правый руль, но так как в машине главное не руль, а голова, посчитал, что слюбится-стерпится и не ошибся, слюбилось и быстро, пока с Армавира гнал. Откуда в 1.5 л столько прыти, больше 130 не ехал, а запас чувствуется ещё большой, плюс ещё кнопка на рычаге, пробовал на подъёме обгонять — ускоряет хорошо. Приятно по трассе не просчитывать обгон, а просто обогнать и это японская рабочая «лошадка». Представляю машины классом повыше, но я на скорости не «заморачиваюсь», разве что по хорошей дороге, что у нас редкость и в пределах разумного и не на радость «подорожникам». Диски стоят на 13, резина грузовая, а по трассе Toyota Probox не идёт, а шепчет. В повороты входит нормально, рулевое лёгкое, ямки проглатывает, дорогу держит, обзор хороший. Читал про передние стойки (закрывают видимость) мне не мешают. Действительно, сделано всё, чтобы на ней ездить и радоваться, ничего лишнего и всё самое необходимое есть (кондиционер, корректор фар, микролифт сиденья, регулировка зеркал, стеклоподъёмник, салон трансформер).

   Достоинства: неприхотливость. Надежность.

   Недостатки: жалею, что взял автомат.

  Павел, Ростов-на-Дону

 

Автоодеяло «АВТОТЕПЛО» для Toyota Probox

Сохранит тепло двигателя.

Автотепло я купил осенью для утепления подкапотного пространства Ховера Н5. На предыдущей машине пользовался тёплым войлоком. После просмотра одного из сравнительных тестов по телевизору решил заменить войлок и купить Автотепло. Именно для моего автомобиля нет модификации, однако в Интернете помогли подобрать подходящий по размеру. С наступлением морозов начал его использовать. Двигатель действительно остывает значительно медленнее, да и снег на капоте не тает. К тому же, поднимая капот, значительно приятней видеть белое одеяло, чем грязный войлок. В общем, нисколько не жалею потраченных средств и рекомендую всем!

http://irecommend.ru/content/sokhranit-teplo-dvigatelya

Нужная вещь, для тех чья работа связана с машиной.

Работаю мерчендайзером. Всем известно, что это работа на своей машине-поиск новых клиентов, заключение договоров, привожу мелкий товар сама к клиентам, раскладываю товар на полки и т. д. Время-деньги. А зимой очень тяжеловато уложится в график, постоянно нужно прогревать машину, т. к. остывает, когда ухожу по работе. И родители решили мне помочь, и подарили эту чудо-вещь. Прогреваю машину только с утра, а весь мой рабочий день машина «теплая», сажусь и еду дальше. Больше 2х часов не задерживаюсь нигде, а капот на ощупь все-равно теплый. Рекомендую всем, у кого работа аналогичная моей. Очень экономит время и топливо.

http://otzovik.com/review_489121.html

ОЧЕНЬ ПОЛЕЗНАЯ ШТУКА.

Решил купить автотепло для своей Honda Civic 4D. Получил посылку и сразу пошел устанавливать. Укладывается без всяких проблем, размер подошел идеально, так что не понимаю, как у кого-то возникают трудности с установкой.

Езжу по городу я довольно часто. Экономия почувствовалась сразу, процентов на 15. Немного, но все же. Цены-то на бензин не опускаются. Еще очень порадовала шумоизоляция. Знаю, что многие покупают этот продукт из-за этого. В общем пока нареканий нет, пройдет время посмотрим на его износоустойчивость.

http://otzovik.com/review_2589268.html

Сейчас буду пользоваться автотеплом третью зиму. О покупке не пожалел. Минусов нет от него. Двигатель действительно быстрее нагревается и дольше не остывает, также перестала образовываться ледяная корка на капоте. Лучше, чем мастерить самодельное покрывало, которое может загореться. Так что рекомендую к покупке.

http://www.lkforum.ru/showthread.php?t=52773

Купил. Уложил. Прогрев утром занимает 4-6 минут (пока нет сильных морозов), сильно не отличается от прогрева ранее без одеяла. Главный и жирный плюс, что на краткосрочных стоянках по 2-3 часа, двигатель абсолютно не надо греть. Прыг и поехал. Что касается спора выше о попадании одеяла на крутящиеся элементы двигателя, то могу сказать, что одеяло довольно жесткое и четкой геометрической формы, никаких прогибов и провисов не наблюдается. Так что должно быть все хорошо.

http://www.autopeople.ru/forum/hyundai/getz/exploitation/139479.html

Купил для своего автомобиля подарочек, уж хорошо про него отзываются. И реально при температуре в -11 градусов машина греется 6 минут, на бортовике 57 показывает. Остывает так же дольше. Плюс шумоизоляция, движка не слышно) Двигался по трассе в -9, температура двигателя 89-91 была, по городу 95 не ниже. В общем я не жалею этих денег, и хватит его не на одну зиму.

Toyota PROBOX. Заказать из Японии в Fujiyama Trading

С момента появления на автомобильном рынке России, Toyota Probox, зарекомендовала себя как простой, крепкий и надежный автомобиль. Традиционно для японских универсалов, Тойота Пробокс выпускается в двух версиях. Первая и получившая наибольшее распространение -грузопассажирская модификация Van (NCP50V, NCP51V, NCP55V) для перевозки нетяжелых грузов, небольшого оборудования и коммерции. Ее отличают простая легкомоющаяся отделка салона и складываемое в один прием заднее сидение, которое превращает и без того большой багажник в огромный грузовой отсек длиной 1830 мм и полезным объемом более двух кубометров! Вторая версия Wagon (NCP58G, NCP59G) – пассажирский пятиместный универсал с улучшенной шумоизоляцией, более дорогими отделочными материалами, окрашенными в цвет кузова бамперами и большим количеством доступных опций, от стеклоподъемников в задних дверях до дисков из легкого сплава.
Характеристики подвески по сравнению с грузопассажирской версией оптимизированы для перевозки людей. Заднее сидение в пассажирском Пробоксе мягкое и оснащено подголовниками, что позволяет перевозить пассажиров на дальние расстояния.
Линейка бензиновых двигателей представлена отлично зарекомендовавшими себя в суровых российских условиях алюминиевыми «четверками» 1NZ-FE и 2NZ-FE, объемом 1500 и 1300 кубиков соответственно. Моторы отличаются экономичностью, надежностью и хорошей тягой во всем диапазоне оборотов.
Трансмиссия Probox – простой и долговечный 4-степенчатый автомат Aisin серии 340/440.  Существуют модификации с полным приводом, подключаемым автоматически через вискомуфту, что позволяет экономить топливо. Подвеска Toyota Probox унифицирована с большинством тойотовских моделей B-класса, что обуславливает низкие цены на запчасти и широкое их распространение.
В салоне обеих версий Пробокса множество карманов и ниш для мелких вещей, подстаканников, выдвижной столик для нетбука или книги и запирающийся на ключ бардачок. Также параллельно с Пробоксом выпускается аналогичная модель Toyota Succeed, отличающаяся оформлением передней и задней части кузова и составом комплектаций.

Комплектации Toyota Probox (Пробокс) 1-ое поколение + рестайлинг

Toyota Probox 2002 — н.в.

  1. 1-е поколение
    Года выпуска: 2002 — 2014
    Кузова: NCP50V, NCP51V, NCP55V, NCP52V, NCP50V, NCP51V, NCP55V, NCP52V, NLP51V, NCP52V, NCP50V, NCP51V, NCP55V, NCP58G, NCP59G, NCP58G, NCP59G, NCP58G, NCP59G
  2. 1-е поколение, рестайлинг
    Года выпуска: 2014 — н. в.
    Кузова: NHP160V, NCP160V, NCP165V, NSP160V

Toyota Probox 1-поколение рестайлинг


Обзор и комплектации Toyota Probox 1-поколение

Основные модификации Toyota Probox рестайлинг:

  1. NSP160 — 1.3 л, 95 л.с., бензин, вариатор (CVT), передний привод
  2. NHP160 — 1.5 л, 74 л.с., бензин, вариатор (CVT), передний привод, гибрид (с 2018 года)
  3. NCP165 — 1.5 л, 103 л.с., бензин, вариатор (CVT), полный привод (4WD)
  4. NCP160 — 1.5 л, 109 л.с., бензин, вариатор (CVT), передний привод

Опции Toyota Probox:

 Опции  — это функции, которые выбирает покупатель нового автомобиля в дополнение к базовой комплектации.

Комплектации Toyota Probox:

  1. Максимальные

     F  — хорошая, тканевая обивка салона и багажника, ручки выполнены в цвет кузова. Есть электропакет салона, электронные системы безопасности и контроля движения, активный подголовник, окрашеные аксессуары в цвет бампера и заводская тонировка.
    Опции: Навигационное и видео оборудование, самозатемняющееся зеркало заднего вида, разъём электропитания, радио, задние противотуманный фары.

     GL  — комбинированная обивка салона, ручки выполнены в цвет кузова. Есть электропакет салона, электронные системы безопасности и контроля движения, активный подголовник, окрашеные аксессуары в цвет бампера и заводская тонировка.
    Опции: Навигационное и видео оборудование, самозатемняющееся зеркало заднего вида, разъём электропитания, радио, задние противотуманный фары.

  2. Простые

     DX  — комбинированная обивка, отсутсвует электропакет салона и неокрашенные аксессуары бампера. Подушка безопасности, кондиционер, салонный фильтр и 2 динамика с AUX системой. Нет разъема электропитания.
    Опции: навигационное и видео оборудование, самозатемняющееся зеркало заднего вида, задний дворник, заводская тонировка, задние противотуманный фары.

     DX Comfort  — комбинированная обивка, электропакет салона и неокрашенные аксессуары бампера. Подушка безопасности, кондиционер, салонный фильтр и 2 динамика с AUX системой. Разъем электропитания возможен как опция.
    Опции: навигационное и видео оборудование, самозатемняющееся зеркало заднего вида, задний дворник, заводская тонировка, задние противотуманный фары.

Видео-обзор экстерьера и интерьера Toyota Probox 1-е поколение, рестайлинг


Актуальные цены на Toyota Probox с аукциона Японии с учетом состояния, комплектаций автомобиля, а также курсов валют смотрите в нашем каталоге Toyota Probox.

Размеры колес и дисков на Toyota Probox Все параметры колес: PCD, вылет и размер дисков, сверловка

Выберите ПоколениеXP160 [2014 . . 2022] [JDM]XP50 [2002 .. 2014] [JDM]

Ваша СтранаАфганистанАландские островаАлбанияАлжирАмериканское СамоаАндорраАнголаАнгильяАнтарктидаАнтигуа и БарбудаАргентинаАрменияАрубаАвстралияАвстрияАзербайджанБагамские островаБахрейнБангладешБарбадосБеларусьБельгияБелизБенинБермудские островаБутанБоливия (Многонациональное Государство)Бонайре, Синт-Эстатиус и СабаБосния и ГерцеговинаБотсванаОстров БувеБразилияБританская территория в Индийском океанеБруней-ДаруссаламБолгарияБуркина-ФасоБурундиКабо-ВердеКамбоджаКамерунКанадаКаймановы островаЦентральноафриканская РеспубликаЧадЧилиКитайОстров РождестваКокосовые (Килинг) островаКолумбияКоморские островаКонго (Демократическая Республика)КонгоОстрова КукаКоста-РикаКот-д’ИвуарХорватияКубаКюрасаоКипрЧехияДанияДжибутиДоминикаДоминиканская РеспубликаЭквадорЕгипетСальвадорЭкваториальная ГвинеяЭритреяЭстонияEswatiniЭфиопияФолклендские острова [Мальвинские]Фарерские островаФиджиФинляндияФранцияФранцузская ГвианаФранцузская ПолинезияФранцузские южные территорииГабонГамбияГрузияГерманияГанаГибралтарГрецияГренландияГренадаГваделупаГуамГватемалаГернсиГвинеяГвинея-БисауГайанаГаитиОстров Херд и Острова МакдоналдСвятой ПрестолГондурасГонконгВенгрияИсландияИндияИндонезияИран (Исламская Республика)ИракИрландияОстров МэнИзраильИталияЯмайкаЯпонияДжерсиИорданияКазахстанКенияКирибатиКорея (Народно-Демократическая Республика)Корея (Республика)КувейтКиргизияЛаосская Народно-Демократическая РеспубликаЛатвияЛиванЛесотоЛиберииЛивияЛихтенштейнЛитваЛюксембургМакаоМадагаскарМалавиМалайзияМальдивыМалиМальтаМаршалловы островаМартиникаМавританияМаврикийМайоттаМексикаМикронезия (Федеративные Штаты)Молдова (Республика)МонакоМонголияЧерногорияМонтсерратМароккоМозамбикМьянмыНамибияНауруНепалНидерландыНовой КаледонииНовая ЗеландияНикарагуаНигерНигерияНиуэОстров НорфолкNorth MacedoniaСеверные Марианские островаНорвегияОманПакистанПалауПалестина, ГосударствоПанамаПапуа-Новая ГвинеяПарагвайПеруФилиппиныПиткэрнПольшаПортугалияПуэрто-РикоКатарРеюньонРумынияРоссийская ФедерацияРуандаСен-БартельмиСвятой Елены, Вознесения и Тристан-да-Кунья (Острова)Сент-Китс и НевисСент-ЛюсияСвятого Мартина (Остров, французская часть)Сен-Пьер и МикелонСент-Винсент и ГренадиныСамоаСан — МариноСан-Томе и ПринсипиСаудовская АравияСенегалСербияСейшельские островаСьерра-ЛеонеСингапурСвятого Мартина (Остров, нидерландская часть)СловакияСловенияСоломоновы ОстроваСомалиЮжная АфрикаЮжная Георгия и Южные Сандвичевы островаЮжный СуданИспанияШри-ЛанкаСуданСуринамШпицберген и Ян-МайенШвецияШвейцарияСирийская Арабская РеспубликаТайвань (Провинция Китая)ТаджикистанTanzania, the United Republic ofТаиландТимор-ЛестеТогоТокелауТонгаТринидад и ТобагоТунисТурцияТуркменистанОстрова Теркс и КайкосТувалуУгандаУкраинаОбъединенные Арабские ЭмиратыСоединенное Королевство Великобритании и Северной ИрландииВнешние малые острова СШАСоединенные Штаты АмерикиУругвайУзбекистанВануатуВенесуэла (Боливарианская Республика)ВьетнамВиргинские Острова (Британские)Виргинские Острова (США)Уоллис и ФутунаЗападная СахараЙеменЗамбияЗимбабве

TOYOTA/ PROBOX с аукциона Японии, стоимость и фото.

TOYOTA PROBOX

F Extra Package

Год: 2002Объем: 1500Цена продажи:55 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:171 972 ₽
Пробег: 236 000 км.Оценка: 1Конструктор:222 848 ₽
Лот: 4526 (KCAA Minami Kyushu)Дата: 2021-09-08

Цена продажи: 55 000 ¥

Распил: 171 972 ₽

Конструктор: 222 848 ₽

TOYOTA PROBOX

F Extra Package LTD

Год: 2004Объем: 1500Цена продажи:58 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:173 927 ₽
Пробег: 236 000 км. Оценка: 3Конструктор:224 803 ₽
Лот: 169 (JU Okinawa)Дата: 2021-09-24

Цена продажи: 58 000 ¥

Распил: 173 927 ₽

Конструктор: 224 803 ₽

TOYOTA PROBOX

F

Год: 2003Объем: 1500Цена продажи:64 000 ¥
КПП: AT()Кузов: NCP58GРаспил:177 836 ₽
Пробег: 355 000 км. Оценка: RКонструктор:228 712 ₽
Лот: 5059 (JU Hokkaido)Дата: 2021-07-30

Цена продажи: 64 000 ¥

Распил: 177 836 ₽

Конструктор: 228 712 ₽

TOYOTA PROBOX

F 4WD

Год: 2006Объем: 1500Цена продажи:70 000 ¥
КПП: FAT()Кузов: NCP59GРаспил:181 746 ₽
Пробег: 242 000 км. Оценка: 2Конструктор:232 622 ₽
Лот: 176 (TAA Hokkaido)Дата: 2021-08-19

Цена продажи: 70 000 ¥

Распил: 181 746 ₽

Конструктор: 232 622 ₽

TOYOTA PROBOX

Год: 2005Объем: 1500Цена продажи:73 000 ¥
КПП: AT()Кузов: NCP58GРаспил:183 701 ₽
Пробег: 244 000 км. Оценка: RКонструктор:234 577 ₽
Лот: 30258 (JU Aichi)Дата: 2021-07-15

Цена продажи: 73 000 ¥

Распил: 183 701 ₽

Конструктор: 234 577 ₽

TOYOTA PROBOX

F Extra Package

Год: 2004Объем: 1500Цена продажи:73 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:183 701 ₽
Пробег: 280 000 км. Оценка: 3Конструктор:234 577 ₽
Лот: 30322 (JU Aichi)Дата: 2021-07-29

Цена продажи: 73 000 ¥

Распил: 183 701 ₽

Конструктор: 234 577 ₽

TOYOTA PROBOX

4WD F Extra Package

Год: 2006Объем: 1500Цена продажи:74 000 ¥
КПП: MT()Кузов: NCP59GРаспил:184 352 ₽
Пробег: 156 000 км. Оценка: 3Конструктор:235 229 ₽
Лот: 131 (JU Niigata)Дата: 2021-09-03

Цена продажи: 74 000 ¥

Распил: 184 352 ₽

Конструктор: 235 229 ₽

TOYOTA PROBOX

F Extra Package

Год: 2003Объем: 1500Цена продажи:79 000 ¥
КПП: F5()Кузов: NCP59GРаспил:187 610 ₽
Пробег: 209 000 км. Оценка: RКонструктор:238 487 ₽
Лот: 2501 (KCAA Fukuoka)Дата: 2021-08-19

Цена продажи: 79 000 ¥

Распил: 187 610 ₽

Конструктор: 238 487 ₽

TOYOTA PROBOX

F Extra Package Limited

Год: 2007Объем: 1500Цена продажи:80 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:188 262 ₽
Пробег: 310 000 км. Оценка: RКонструктор:239 138 ₽
Лот: 4029 (TAA Hiroshima)Дата: 2021-09-07Полная пошлина583 327 ₽

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

Цена продажи: 80 000 ¥

Распил: 188 262 ₽

Конструктор: 239 138 ₽

TOYOTA PROBOX

4WD F Extra Package LTD

Год: 2005Объем: 1500Цена продажи:84 000 ¥
КПП: AT()Кузов: NCP59GРаспил:190 869 ₽
Пробег: 137 000 км. Оценка: Конструктор:241 745 ₽
Лот: 4072 (JU Miyagi)Дата: 2021-07-02

Цена продажи: 84 000 ¥

Распил: 190 869 ₽

Конструктор: 241 745 ₽

TOYOTA PROBOX

Год: 2003Объем: 1500Цена продажи:84 000 ¥
КПП: F5()Кузов: NCP59GРаспил:190 869 ₽
Пробег: 227 000 км. Оценка: RКонструктор:241 745 ₽
Лот: 7033 (KCAA Kyoto)Дата: 2021-08-04

Цена продажи: 84 000 ¥

Распил: 190 869 ₽

Конструктор: 241 745 ₽

TOYOTA PROBOX

F Extra Package

Год: 2006Объем: 1500Цена продажи:84 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:190 869 ₽
Пробег: 333 000 км. Оценка: RAКонструктор:241 745 ₽
Лот: 9059 (TAA Kyushu)Дата: 2021-08-17

Цена продажи: 84 000 ¥

Распил: 190 869 ₽

Конструктор: 241 745 ₽

TOYOTA PROBOX

F Extra Package

Год: 2003Объем: 1500Цена продажи:85 000 ¥
КПП: F5()Кузов: NCP59GРаспил:191 520 ₽
Пробег: 209 000 км. Оценка: RКонструктор:242 396 ₽
Лот: 1046 (KCAA Fukuoka)Дата: 2021-08-26

Цена продажи: 85 000 ¥

Распил: 191 520 ₽

Конструктор: 242 396 ₽

TOYOTA PROBOX

F 4WD

Год: 2006Объем: 1500Цена продажи:85 000 ¥
КПП: FAT()Кузов: NCP59GРаспил:191 520 ₽
Пробег: 293 000 км.Оценка: RAКонструктор:242 396 ₽
Лот: 9041 (TAA Tohoku)Дата: 2021-09-16

Цена продажи: 85 000 ¥

Распил: 191 520 ₽

Конструктор: 242 396 ₽

TOYOTA PROBOX

F Extra Package

Год: 2002Объем: 1500Цена продажи:89 000 ¥
КПП: AT()Кузов: NCP58GРаспил:194 127 ₽
Пробег: 253 000 км.Оценка: 3Конструктор:245 003 ₽
Лот: 30608 (JU Aichi)Дата: 2021-07-01

Цена продажи: 89 000 ¥

Распил: 194 127 ₽

Конструктор: 245 003 ₽

TOYOTA PROBOX

4WD

Год: 2007Объем: 1500Цена продажи:90 000 ¥
КПП: AT()Кузов: NCP59GРаспил:194 778 ₽
Пробег: 210 000 км.Оценка: 3Конструктор:245 654 ₽
Лот: 3717 (JU Niigata)Дата: 2021-07-16Полная пошлина589 844 ₽

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

Цена продажи: 90 000 ¥

Распил: 194 778 ₽

Конструктор: 245 654 ₽

TOYOTA PROBOX

Год: 2011Объем: 1500Цена продажи:90 000 ¥
КПП: AT()Кузов: NCP58GРаспил:194 778 ₽
Пробег: 287 000 км.Оценка: Конструктор:245 654 ₽
Лот: 1474 (LUM Nagoya Nyusatsu)Дата: 2021-07-20Полная пошлина589 844 ₽

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

Цена продажи: 90 000 ¥

Распил: 194 778 ₽

Конструктор: 245 654 ₽

Полная пошлина: 589 844 ₽ ?

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

TOYOTA PROBOX

4WD

Год: 2010Объем: 1500Цена продажи:90 000 ¥
КПП: AT()Кузов: NCP59GРаспил:194 778 ₽
Пробег: 279 000 км.Оценка: RAКонструктор:245 654 ₽
Лот: 4375 (JU Miyagi)Дата: 2021-07-23Полная пошлина589 844 ₽

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

Цена продажи: 90 000 ¥

Распил: 194 778 ₽

Конструктор: 245 654 ₽

Полная пошлина: 589 844 ₽ ?

Стоимость является ориентировочной, включая все расходы в г. Владивосток. Расчёт может быть не корректным. Обратитесь к нам, оставив заявку, чтобы получить консультацию.

TOYOTA PROBOX

Год: 2004Объем: 1500Цена продажи:91 000 ¥
КПП: FAT()Кузов: NCP58GРаспил:195 430 ₽
Пробег: 224 000 км.Оценка: RAКонструктор:246 306 ₽
Лот: 7183 (TAA Kinki)Дата: 2021-07-20

Цена продажи: 91 000 ¥

Распил: 195 430 ₽

Конструктор: 246 306 ₽

TOYOTA PROBOX

F Extra Package

Год: 2002Объем: 1500Цена продажи:91 000 ¥
КПП: AT()Кузов: NCP58GРаспил:195 430 ₽
Пробег: 183 000 км.Оценка: 3.5Конструктор:246 306 ₽
Лот: 30852 (JU Aichi)Дата: 2021-08-05

Цена продажи: 91 000 ¥

Распил: 195 430 ₽

Конструктор: 246 306 ₽

Отзыв Toyota Probox 1,5 (109 л.с./ 4АКПП/ 1,5 л) (Тойота Пробокс) 2002 г.

Второй хозяин после гражданина Японии. Состояние было идеальное, что и подтвердили на техосмотре. Проехал около 150000 км. за 3 года и 3 месяца. Проблем никаких.

Менял аккумулятор через год эксплуатации, тормозные колодки — когда запищат, масло и фильтр через 10000 км, свечи через 50-60 тысяч км, воздушный фильтр через 20-30 тысяч км, частичная замена масла в АКПП через 40 тысяч км. Охлаждающую жидкость поменял через 2 года эксплуатации.

После 180000 км стал доливать масло в двигатель до 1 л на 10-12 тысяч км., а до этого достаточно было остатков в канистре после замены масла. Масло с начала моей эксплуатации ENEOS полусинтетика.

На сегодняшний день не работает стеклоподъемник заднего левого стекла. Оторванные фиксаторы патрубков на тормозной системы на задние колеса на кочках создают металлический дребезг. И менял лампочку заднего правого стоп-сигнала 2 раза.

Достоинства авто:

  • Неубиваемая.
  • Бензин не ест, а нюхает (7л по трассе со скорость 130-150 км в час, потише ехать — и 6 л хватит на 100 км, а по городу в пробках в жару с кондиционером — 8,5 л).
  • Эргономична для водителя.
  • Огромный багажник (чугунную ванну перевозил).
  • Из любой грязи на летней резине вылезал.
  • Борзенькая, особенно без груза и пассажиров, овердрайвом практически не пользуюсь при обгонах.

Недостатки авто:

  • Шум в салоне, когда едешь по трассе из-за особенностей кузова и практически отсутствующей шумозащите.
  • В зимнее время моментально остывает в салоне без обогревателя.
  • Парусность при сильном боковом ветре — приходится подруливать.
  • Неудобные сиденья для задних пассажиров.

Вот и все проблемы, не считая механических повреждений от наездов на бордюр, пенек и сбитой лисички на трассе. Все, что погнулось, легко выправил практически голыми руками. С возникшими неисправностями и повреждениями заниматься нет времени, а главное и желания.

После 60000 км по российским дорогам проверял развал схождение — все окей, хотя на ямках даже диски погнул.

Использование машинного обучения для уменьшения загруженности дорог

УНИВЕРСИТЕТСКИЙ ПАРК, Пенсильвания — Исследователи из Колледжа информационных наук и технологий Пенсильванского государственного университета продвигают работу, в которой используются методы машинного обучения для улучшения управления сигналами светофора на городских перекрестках по всему миру.

В ходе своей работы исследователи изучают возможность использования обучения с подкреплением — алгоритмов обучения, чтобы узнать, как достичь сложной цели с помощью системы вознаграждений — для изучения шаблонов и связи управления сигналами светофора.

«По сути, мы хотим использовать данные о трафике, чтобы помочь нам оптимизировать функции города», — сказал Чжэньхуэй «Джесси» Ли, доцент кафедры информационных наук и технологий.

Ли и ее сотрудники изучили реальные данные о дорожном движении в крупных городах США и Китая, чтобы проанализировать загруженность на перекрестках. Затем, посредством серии исследований, они разработали метод углубленного обучения с подкреплением, который может положительно повлиять на транспортный поток, изучая лучшие стратегии для модели транспортного потока.

Она объяснила, что обучение с подкреплением, например, похоже на использование положительного подкрепления для улучшения поведения ребенка.

«Обучая детей [используя положительное подкрепление], если они хорошо справляются со своей работой, вы даете им некоторую награду», — сказал Ли. «Если они плохо справляются со своей работой, то вы просто не даете им награды».

Она продолжила: «Это та же идея. Что касается светофора, если он плохо работает, автомобили могут быть перегружены, и награда будет снижена. Тогда, если он хорошо выполняет свою работу, потому что машины экономят время на перекрестках, он получит некоторую награду.”

В то время как работа Ли сосредоточена на анализе данных и вычислительных аспектах метода, она работает с сотрудниками штата Пенсильвания и других учреждений по всему миру над междисциплинарными исследованиями.

«Как компьютерные ученые, мы на самом деле не знаем, как разработать эту функцию вознаграждения», — сказал Ли. «Поэтому мы работаем с инженерами-строителями, чтобы убедиться, что мы используем их транспортную теорию, чтобы помочь нам в проектировании данных».

Она добавила: «В наших условиях награда будет заключаться в том, что машинам потребуется меньше времени, чтобы добраться до места назначения.Но это то, что трудно измерить напрямую, потому что время в пути является результатом длинной последовательности сигналов светофора, а также зависит от других факторов, таких как скорость свободного движения ».

Ли сотрудничал с Викашем Гая, доцентом кафедры гражданского строительства, для некоторых исследований Ли по этой теме.

Результаты исследования

Ли были опубликованы на нескольких ведущих конференциях по интеллектуальному анализу данных и искусственному интеллекту в 2019 году. Например, один доклад был представлен на Международной конференции ACM SIGKDD 2019 года по открытию знаний и интеллектуальному анализу данных, состоявшейся в августе этого года.4-8 в Анкоридже, Аляска. Три доклада по этой работе были представлены на конференции 2019 года по управлению информацией и знаниями, которая проходила 3–7 ноября в Пекине, Китай. Два других документа были приняты на Тридцать четвертую конференцию AAAI по искусственному интеллекту, которая состоится 7-12 февраля 2020 года в Нью-Йорке.

По словам Чачи Чена, докторанта Колледжа IST и ведущего автора одной из статей, главный вклад в последнюю статью заключается в расширении управления светофором на большее количество перекрестков.

«Раньше мы обычно проводили эксперименты не более чем на 16 перекрестках», — сказал Чен. «Так что метод не нов».

Ли добавил: «Это первый раз, когда мы можем масштабироваться до тысячи перекрестков, когда раньше было меньше 20. Это в 50 раз больше, чем [было] раньше, что делает его по-настоящему общегородским».

Исследователи надеются, что их работа поможет городам во всем мире оптимизировать использование перекрестков в качестве ресурсов.

«По мере того, как урбанизация продолжается, и все больше людей переезжают в город, если вы не максимально используете ресурс дороги, вы, вероятно, в конечном итоге построите больше дорог, чтобы удовлетворить потребности города в движении», — сказал Ли.«Но на земле можно построить школу или больницу.

«Таким образом, мотивация нашей работы состоит в том, чтобы изучить, можем ли мы использовать данные как своего рода новый ресурс, который поможет нам оптимизировать использование других ресурсов», — добавила она.

Соавторы в работе: Гуаньцзе Чжэн и Хуа Вэй, докторанты Государственного колледжа Пенсильвании IST; Викаш Гая, доцент кафедры гражданского строительства в Пенсильвании; Хуичу Чжан, Синши Занг, Вэйнань Чжан и Янминь Чжу из Шанхайского университета Цзяо Тонг; Цзе Фэн и Юн Ли из Университета Цинхуа; Юаньхао Сюн из Чжэцзянского университета; и Кай Сюй из Shanghai Tianrang Intelligent Technology Co.ООО

Работа

Ли поддерживается Национальным научным фондом и профессором ранней карьеры семьи Хейли из Колледжа IST.

Обзор прогнозирования заторов на дорогах с использованием искусственного интеллекта

В последние годы прогнозирование заторов на дорогах привело к расширению области исследований, особенно в области машинного обучения искусственного интеллекта (ИИ). С появлением больших данных с помощью стационарных датчиков или зондирующих данных транспортных средств и разработкой новых моделей искусственного интеллекта в последние несколько десятилетий эта область исследований значительно расширилась.Прогнозирование перегрузок на дорогах, особенно краткосрочное прогнозирование перегрузок, производится путем оценки различных параметров трафика. Большинство исследований сосредоточено на исторических данных при прогнозировании загруженности дорог. Тем не менее, в нескольких статьях был сделан прогноз заторов на дорогах в режиме реального времени. В этой статье систематически обобщаются существующие исследования, проведенные с применением различных методологий ИИ, в частности, различных моделей машинного обучения. В документе собраны модели по соответствующим ветвям искусственного интеллекта, а также суммированы сильные и слабые стороны моделей.

1. Введение

Искусственный интеллект (ИИ) — важнейшая отрасль информатики в эпоху больших данных. Искусственный интеллект родился 50 лет назад и прошел долгий путь, добившись обнадеживающего прогресса, особенно в области машинного обучения, интеллектуального анализа данных, компьютерного зрения, экспертных систем, обработки естественного языка, робототехники и связанных с ними приложений [1]. Машинное обучение — самая популярная ветвь искусственного интеллекта. Другие классы ИИ включают вероятностные модели, глубокое обучение, системы искусственных нейронных сетей и теорию игр.Эти классы разработаны и применяются в широком спектре секторов. В последнее время это ведущая область исследований в транспортной инженерии, особенно в области прогнозирования транспортных заторов.

Пробки на дорогах прямо и косвенно влияют на экономику страны и здоровье ее жителей. По мнению Али и соавт. [2], заторы на дорогах вызывают Pak Rs. 1 миллион каждый день с точки зрения альтернативных издержек и расхода топлива из-за заторов на дорогах. Пробки на дорогах тоже сказываются на индивидуальном уровне.Потеря времени, особенно в часы пик, психологический стресс и дополнительное загрязнение к глобальному потеплению также являются некоторыми важными факторами, вызванными заторами на дорогах.

Обеспечение экономического роста и комфорт участников дорожного движения — два требования для развития страны, которое невозможно без плавного движения транспорта. С развитием транспортного сектора за счет сбора информации о дорожном движении власти уделяют больше внимания мониторингу транспортных заторов. Прогнозирование заторов на дорогах дает властям необходимое время для планирования распределения ресурсов, чтобы сделать поездку удобной для путешественников.Обсуждаемая в этом документе проблема прогнозирования дорожных заторов может быть определена как оценка параметров, связанных с дорожными заторами в краткосрочном будущем, например, от 15 минут до нескольких часов, путем применения различных методологий ИИ с использованием собранных данных о трафике. Обычно существует пять параметров для оценки, включая объем трафика, плотность трафика, занятость, индекс загруженности трафика и время в пути при мониторинге и прогнозировании загруженности дорог. В зависимости от характера собранных данных для оценки параметров перегрузки применяются различные подходы искусственного интеллекта.В этой статье систематически рассматриваются модели, их достоинства и недостатки. Основная цель этого обзора — собрать статьи, посвященные исключительно моделям прогнозирования транспортных заторов. Ключевые слова, используемые в процессе поиска, включали «прогнозирование заторов» ИЛИ «оценка заторов» ИЛИ «моделирование прогнозирования заторов» ИЛИ «прогноз заторов на дорогах» ИЛИ «прогноз заторов на дорогах» ИЛИ «прогноз заторов на дорогах». Для эффективного отбора поиск по исследовательским статьям проводился по годам с использованием таких поисковых систем, как Scopus, Google Scholar и Science Direct.После сбора всех рецензируемых журналов и статей на конференциях, написанных на английском языке, для рецензирования было найдено 48 статей. Из этой рукописи были исключены любые исследования, посвященные причинам перегрузки трафика, контролю перегрузки трафика, влиянию перегрузки трафика, распространению перегрузки трафика, предотвращению перегрузки трафика и т. Д.

Общая схема подходов к прогнозированию представлена ​​в Разделе 2. Источники сбора данных и модели прогнозирования загруженности объяснены в Разделах 3–6, и они обеспечивают общее обсуждение и заключительные замечания.

2. Общий план

Прогнозирование загруженности дорог состоит из двух основных этапов сбора данных и разработки модели прогнозирования. Каждый шаг методологии важен и может повлиять на результаты, если он будет выполнен неправильно. После сбора данных обработка данных играет жизненно важную роль для подготовки наборов данных для обучения и тестирования. Область кейса отличается для разных исследований. После разработки модели она подтверждается с другими базовыми моделями и подтверждаются истинными результатами. На рисунке 1 показаны общие компоненты исследований по прогнозированию транспортных заторов.Эти ветви были далее разделены на более конкретные подветви и обсуждаются в следующих разделах.


3. Источник данных

Наборы данных трафика, используемые в различных исследованиях, в основном можно разделить на два класса, включая стационарные данные и данные зондов. Стационарные данные можно далее разделить на данные датчиков и фиксированные камеры. С другой стороны, данные зондов, которые использовались в исследованиях, были данными GPS, установленными на транспортных средствах.

Стационарные датчики непрерывно собирают пространственно-временные данные о дорожном движении.Однако работа датчика может прерваться в любой момент. Власти всегда должны учитывать этот временный отказ датчика при планировании с использованием этих данных. Преимущество данных датчиков в том, что нет путаницы в местоположении транспортных средств. Самым используемым набором данных была система измерения производительности (PeMS), которая собирает данные о дорожном движении по всем крупным городским районам штата Калифорния о транспортном потоке, занятости датчиков и скорости движения в режиме реального времени. В большинстве исследований использовался набор данных с шоссе I-5 в Сан-Диего, Калифорния, каждые 5 минут [3–6].Другие системы включали движок системы времени в пути Genetec blufaxcloud (GBTTSE) [7] и линейный график топологически интегрированного географического кодирования и привязки (TIGER) [8].

С другой стороны, данные зондов имеют то преимущество, что охватывают всю дорожную сеть. Сеть состоит из дорог с разной структурой. Поэтому в исследованиях, особенно в тех, которые рассматривали обширную сеть, использовались данные зондирования. Наиболее часто используемый набор данных — это данные GPS, которые собираются каждую секунду примерно с 20000 такси в Пекине, Китай.Данные включали номер такси, широту-долготу транспортного средства, отметку времени при отборе проб и наличие пассажира. Частота обновления данных этого набора данных варьируется от 10 с до 5 минут в зависимости от качества устройства GPS [4, 5, 9]. Другие данные зонда включали данные низкочастотного зонда транспортного средства (PVD) [10] и данные шинного GPS [11, 12]. Однако иногда данные зонда показывают значительные колебания. Кроме того, сопоставление карт обычно является обязательным для данных зонда. Но данные могут минимизировать это ограничение.Данные зондов, собранные в одном городе, нельзя использовать напрямую для моделирования других городских сетей. Это связано с тем, что данные, собранные из Пекина, Китай, включают широту-долготу транспортного средства, что является уникальным. Однако обобщенная модель с использованием данных зондирования может быть сгенерирована для разных городов.

Другие источники данных, например, данные из системы взимания платы и данные, предоставленные транспортными властями, добавят более надежные данные, поскольку источники являются надежными. Однако в большинстве случаев исследуемая территория требует корректировки, поскольку в большинстве случаев информация о платных дорогах недоступна.Источником данных также может быть отслеживание перемещений сотового телефона без нарушения конфиденциальности. Однако неоднородность распределения транспортных средств будет трудно определить из этого набора данных, если вообще возможно. Кроме того, из-за пешеходов или велосипедистов, проезжающих по тротуару, в наборе данных может быть много выбросов, если моделирование выполняется для дорожной сети. Данные, собранные с помощью анкеты для широкой общественности / водителей, могут дать вводящий в заблуждение результат [13].

3.1. Алгоритмы кластеризации

В некоторых исследованиях используется кластеризация полученных данных перед применением основных моделей прогнозирования перегрузки.Этот метод гибридного моделирования применяется для точной настройки входных значений и использования их на этапе обучения. На рисунке 2 показаны наиболее часто используемые модели кластеризации ИИ в этой области исследований. В этом разделе кратко описаны модели.


Нечеткие C-средние (FCM) — это популярный метод недетерминированной кластеризации в интеллектуальном анализе данных. В исследованиях управления трафиком важную роль играет распознавание образов трафика. Кроме того, эти исследования часто сталкиваются с ограничением отсутствующих или неполных данных.Чтобы справиться с этими ограничениями, обычно применяется метод кластеризации FCM. Преимущество этого подхода в том, что, в отличие от оригинальных методов кластеризации C-средних, он может преодолеть проблему попадания в ловушку локального оптимума [14]. Однако FCM требует установки заранее определенного номера кластера, что не всегда возможно при работе с большими данными без каких-либо предварительных знаний об измерении данных. Кроме того, эта модель становится дорогостоящей с точки зрения вычислений с увеличением размера данных. Различные исследования успешно применяли FCM, улучшая его ограничения.В некоторых исследованиях изменялось значение нечеткого индекса для каждого выполнения алгоритма FCM [15], в некоторых рассчитывался индекс Дэвиса-Боулдина (DB) [10], в других применялся алгоритм кластеризации K-средних [16, 17].

Кластеризация K-средних — это эффективный и относительно гибкий алгоритм при работе с большими наборами данных. Это популярный алгоритм машинного обучения без учителя. В зависимости от особенностей количество кластеров варьировалось от двух [18] до 50 [19–21]. Как и FCM, для кластеризации K-средних требуется заранее заданный номер кластера и выбор K исходных центров кластера.Для определения значения использовались GAP [22] и WEKA toolbox [23]. Для больших наборов данных, поскольку распределение выборки вначале неизвестно, не всегда возможно выполнить эти два требования. В нескольких исследованиях использовалась адаптивная кластеризация K-средних, преодолевая ограничения, и использовалась модель с использованием анализа главных компонентов (PCA) [24, 25].

DBSCAN — это скорее общее приложение для кластеризации в машинном обучении и интеллектуальном анализе данных. Этот метод преодолевает ограничение FCM на предварительное определение номера кластера.Он может автоматически генерировать кластеры произвольной формы, окруженные кластерами с разными характеристиками, и может легко распознавать выбросы. Однако для предварительной настройки требуется два параметра. Подходящий метод определения параметров, например метод проб и ошибок [8] и человеческое суждение [26], делают модель дорогостоящей с точки зрения вычислений и требуют четкого понимания набора данных.

Из приведенного выше обсуждения можно сделать вывод, что только 16 из 48 исследований провели кластеризацию до применения моделей прогнозирования.В нескольких моделях временных рядов и алгоритмах поверхностного машинного обучения (SML) использовался подход кластеризации. Однако алгоритмы глубокого обучения могут обрабатывать входные данные на разных уровнях модели, поэтому предварительная кластеризация может не потребоваться.

4. Прикладная методология

Транспортный поток — это сложное объединение разнородного транспортного парка. Таким образом, моделирование прогнозирования структуры трафика может быть простым и эффективным подходом к прогнозированию перегрузки. Однако в зависимости от характеристик и качества данных в различных исследованиях применяются разные классы ИИ.На рисунке 3 показаны основные ветви — вероятностные рассуждения и машинное обучение (ML). Машинное обучение состоит из алгоритмов поверхностного и глубокого обучения. Однако по мере развития этой статьи эти разделы были разбиты на детальные алгоритмы.


Непросто обобщить исследования по прогнозированию транспортных заторов с использованием различных моделей. Общие факторы всех статей включают область исследования, горизонт сбора данных, прогнозируемый параметр, интервалы прогнозирования и процедуру проверки.В большинстве статей в качестве исследуемой территории использовался изучаемый отрезок коридора [5, 27–30]. Другие области исследования включали транспортную сеть [31, 32], кольцевую дорогу [9] и магистраль [33]. Горизонт сбора данных в исследованиях варьировался от 2 лет [34] до менее суток [35]. Оценка перегрузки выполняется путем прогнозирования параметров потока трафика, например, скорости трафика [4], плотности, скорости [5] и индекса перегрузки [31], чтобы упомянуть некоторые из них. Подход индекса перегрузки (CI) подходит для непрерывного мониторинга уровня перегрузки в пространственно-временном измерении.В исследованиях, в которых результаты сравнивали с исходным истинным значением или с другими моделями, использовались средняя абсолютная ошибка (MAE) (уравнение (1)), симметричная средняя абсолютная ошибка в процентах (sMAPE) (уравнение (1)), MAPE, среднеквадратичный ошибка (RMSE) (уравнение (3)), частота ложных срабатываний (FPR) (уравнение (4)) и скорость обнаружения (DR) (уравнение (5)). Многие исследования использовали SUMO для проверки своих моделей: где FP, TN, FN и TP представляют ложноположительный, истинно отрицательный, ложноотрицательный и истинно положительный соответственно.

В оставшейся части этого раздела будет обсуждаться методология, которую авторы применили в исследованиях.

4.1. Вероятностные рассуждения

Вероятностные рассуждения — важная часть ИИ. Он применяется, чтобы иметь дело с областью неопределенных знаний и рассуждений. Разнообразие этих алгоритмов обычно используется в исследованиях прогнозирования заторов на дорогах. Обсуждаемые ниже вероятностные рассуждения представлены на Рисунке 4.


4.1.1. Fuzzy Logic

Zadeh — это широко применяемая модель для прогнозирования динамических перегрузок трафика, поскольку она допускает неопределенность вместо двоичных результатов.В этом методе разработаны несколько функций принадлежности, которые представляют степень истинности. С течением времени данные о трафике становятся сложными и нелинейными. Благодаря своей способности справляться с неопределенностью в наборе данных нечеткая логика стала популярной в исследованиях прогнозирования заторов на дорогах.

Нечеткая система состоит из нескольких нечетких множеств, построенных из функций принадлежности. Обычно для функций принадлежности (MF) входных данных можно выбрать три формы кодификации: треугольную, трапециевидную и функцию Гаусса.Система, основанная на нечетких правилах (FRBS), является наиболее распространенной системой нечеткой логики в исследованиях управления трафиком. Он состоит из нескольких правил IF-THEN, которые логически связывают входные переменные с выходными. Он может эффективно справляться со сложностями, возникающими в результате реальных дорожных ситуаций, путем представления их в простых правилах. Эти правила объединяют отношения между различными состояниями трафика для обнаружения результирующего состояния трафика [36]. Однако с ростом сложности данных общее количество правил также растет, что снижает точность всей системы, что делает ее дорогостоящей в вычислительном отношении.Чтобы лучше справиться с этой проблемой, применяются два типа элементов управления нечеткой логикой. В иерархическом управлении (HFRBS), согласно значимости, входные переменные упорядочиваются и используются MF. На рисунке 5 показана простая структура HFRBS. MF оптимизируются путем применения различных алгоритмов, например, генетического алгоритма (GA) [30], гибридного генетического алгоритма (GA) и кросс-энтропии (CE) [28, 37], сравнивающих производительность эволюционного четкого обучения правилам (ECRL) и эволюционное обучение нечетким правилам (EFRL) для прогнозирования дорожных заторов.Было замечено, что модели ECRL превзошли EFRL с точки зрения средней точности и отсутствия правил, но были дорогостоящими в вычислительном отношении.


Модель Такаги-Сугено-Канга (TSK) (FRBS) является одной из простых нечетких моделей из-за ее математической трактовки. Средневзвешенное значение вычисляет результат этой модели. Еще одна простая модель FRBS — модель типа Мамдани. Результатом этой модели является нечеткое множество, требующее дефаззификации, что отнимает много времени. Благодаря хорошей интерпретируемости, он может повысить точность нечетких лингвистических моделей.Цао и Ван [3] применили эту модель, чтобы показать изменение серьезности заторов на разных уровнях дороги. В нескольких исследованиях этот метод использовался для объединения неоднородных параметров [7, 13]. Модель TSK работает над улучшением интерпретируемости точной нечеткой модели. TSK применяется для его быстрых расчетных характеристик [37].

Нечеткая комплексная оценка (FCE) использует принцип нечеткого преобразования и максимальной степени членства. Эта модель состоит из нескольких уровней, что является полезным объективным методом оценки, оценивающим все соответствующие факторы.Количество слоев зависит от объективной сложности и количества факторов. Kong et al. [4] и Ян и др. [5] применил FCE, в котором веса и нечеткая матрица мультииндексов были адаптированы в соответствии с потоком трафика для оценки состояния перегрузки трафика. Адаптивное управление регулирует весовой коэффициент на основе оценочной матрицы. Определенные веса присваиваются для расчета степени принадлежности параметров [35].

Помимо GA и PSO, алгоритм оптимизации колоний муравьев (ACO) был также представлен Daissaoui et al.[38] в нечеткой логической системе. Они представили теорию умного города, в которой данные GPS каждого транспортного средства были взяты как феромон, в соответствии с концепцией ACO. Цель состояла в том, чтобы предсказать заторы на дорогах на одну минуту вперед на основе информации (феромона), предоставленной прошлыми автомобилями. Однако в статье не дается никаких результатов о поддержке модели.

Как обсуждалось ранее, с развитием алгоритмов оптимизации оптимизация функций принадлежности системы нечеткой логики становится разнообразной.Со временем простейшая форма FRBS-TSK стала популярной благодаря хорошей интерпретируемости. Некоторые другие отрасли транспорта, где популярны нечеткие логические модели, включают управление светофорами / сигналами [39, 40], прогнозирование транспортных потоков (Чжан и Йе [41]), прогнозирование дорожно-транспортных происшествий [42] и модифицированную нечеткую логику для расчета времени проезда по автостраде. оценка (Чжан и Ге [43]).

Система нечеткой логики — единственная вероятностная модель рассуждений, которая может иметь результатом более чем перегруженное / незагруженное состояние трафика.Это одно из главных преимуществ, сделавших данную методику популярной. Однако ни одно исследование не предоставило какой-либо разумной логики для выбора функции принадлежности, что является существенным ограничением моделей с нечеткой логикой.

4.1.2. Скрытая марковская модель

Скрытая марковская модель (HMM) представляет собой комбинацию стохастических характеристик марковского процесса и дискретных характеристик марковских цепей. Это стохастический метод распознавания событий временных рядов. В некоторых исследованиях применялась модель цепей Маркова для распознавания образов трафика во время прогнозирования перегрузок [21, 25, 44].Коэффициент корреляции Пирсона (PCC) обычно применяется среди параметров во время построения шаблона. Заки и др. [32] применили HMM для выбора подходящей модели прогнозирования из нескольких моделей, которые они разработали с применением адаптивной системы нейро-нечеткого вывода (ANFIS). Они достигли оптимального перехода между состояниями с помощью четырех этапов обработки: инициализации, рекурсии, завершения и отслеживания с возвратом. Последний шаг проанализировал предыдущий шаг, чтобы определить вероятность текущего состояния с помощью алгоритма Витерби.На основе логарифмической вероятности начального параметра модели, определенного алгоритмом максимизации ожидания (EM) HMM с шаблоном трафика, была выбрана подходящая модель перегрузки для прогнозирования. Mishra et al. [23] применили модель предсказания с дискретным множеством символов HMM (MS-HMM), названную предсказанием будущего состояния (FSP). Они оценили адаптивность модели для разных участков дороги. Была сгенерирована метка, содержащая скрытые состояния MS-HMM, и выходные данные использовались для FSP для получения следующей метки скрытого состояния.

В проектировании дорожного движения, особенно при использовании данных датчиков транспортных средств, HMM очень полезен для сопоставления карт. Sun et al. [45] применили HMM для отображения траектории наблюдаемых точек GPS на близлежащих дорогах. Эти кандидатские точки были приняты за скрытые состояния HMM. Точки-кандидаты, расположенные ближе к точке наблюдения, имели более высокую вероятность наблюдения. Также учитывалась вероятность перехода двух соседних кандидатов, чтобы избежать вводящих в заблуждение результатов, возникающих из-за резких дорожных ситуаций.

HMM показывает точность при выборе схемы движения или точки движения. Его преимущество состоит в том, что он может обрабатывать данные с выбросами. Тем не менее, точки с коротким интервалом выборки, по-видимому, хорошо совпадают, а длинные интервалы и более высокие данные аналогичных зондов снижают точность модели. Исследования показали значительное несоответствие для набора данных с длинным интервалом выборки и аналогичных дорожных сетей.

Система слежения GPS получила широкое развитие в эту эпоху спутников. Таким образом, создание HMM-моделирования в настоящее время более актуально для сопоставления карт.Другие секторы транспорта, где применяется HMM, включают прогнозирование трафика [46], модифицированное HMM для прогнозирования скорости [47] и изменение состояния потока трафика [48] и т. Д.

4.1.3. Распределение Гаусса

Гауссовские процессы оказались успешным инструментом для задач регрессии. Формально гауссовский процесс представляет собой набор случайных величин, любое конечное число которых подчиняется совместному гауссовскому априорному распределению. Для регрессии предполагается, что оцениваемая функция генерируется бесконечномерным гауссовым распределением, а наблюдаемые выходные данные загрязнены аддитивным гауссовым шумом.

Ян [29] применил распределение Гаусса для прогнозирования заторов на дорогах в своем исследовании. Это исследование было разделено на три части. Во-первых, ранжирование датчиков проводилось в соответствии с качеством громкости с помощью теста p . Во второй части исследования вероятность возникновения перегрузки определялась на основе статистического метода. На этапе обучения этой части были разработаны две гауссовские вероятностные модели из двух наборов данных для каждой интересующей точки. На этапе принятия решения, на какой модели было оценено соответствующее значение объема входящего трафика, и прогнозная оценка, представляющая состояние перегрузки, была определена из соотношения двух моделей.Наконец, вероятность возникновения перегрузки в интересующей точке была найдена путем объединения и сортировки оценок прогноза от всех ранжированных датчиков. Zhu et al. [49] также представили вероятность распределения состояний трафика. Выбор параметров среднего и дисперсии гауссова распределения является важным шагом. В данном исследовании для этой цели был применен алгоритм EM. Первый шаг генерировал логарифмическое ожидание правдоподобия для параметров, тогда как последний шаг увеличивал его до максимума. Sun et al.[45] аппроксимировали ошибку местоположения GPS на дороге с распределением Гаусса, взяв среднее значение 0. Ошибка была рассчитана на основе фактической точки GPS, точки совпадения на участке дороги и стандартного отклонения ошибки измерения GPS.

Из вышеупомянутых исследований видно, что модель распределения Гаусса имеет полезное приложение для уменьшения количества признаков без ущерба для качества результатов прогнозирования или для оценки ошибки местоположения при использовании данных GPS. Распределение Гаусса также применяется для прогнозирования объема трафика [50], безопасности движения [51] и изменчивости распределения скорости движения [52].

4.1.4. Байесовская сеть

Байесовская сеть (BN), также известная как причинная модель, представляет собой ориентированную графическую модель для представления условных зависимостей между набором случайных величин. Он представляет собой комбинацию теории вероятностей и теории графов и обеспечивает естественный инструмент для решения двух проблем, возникающих в прикладной математике и инженерии, — неопределенности и сложности [53].

Asencio-Cortés et al. [54] применили ансамбль из семи алгоритмов машинного обучения для вычисления прогноза заторов на дорогах.Эта методология была разработана как задача бинарной классификации с применением алгоритма HIOCC. Алгоритмы машинного обучения, применявшиеся в этом исследовании: K-ближайший сосед (K-NN), деревья решений C4.5 (C4.5), искусственная нейронная сеть (ANN) метода обратного распространения, оптимизация стохастического градиентного спуска (SGD), нечеткое неупорядоченное правило. алгоритм индукции (FURIA), байесовская сеть (BN) и машина опорных векторов (SVM). Три из этих алгоритмов (C4.5, FURIA и BN) могут создавать интерпретируемые модели видимых знаний.Для улучшения результатов, полученных с помощью этих моделей прогнозирования, был применен набор алгоритмов ансамблевого обучения. Группа алгоритмов ансамбля включала пакетирование, усиление (AdaBoost M1), суммирование и селектор пороговых значений вероятности (PTS). Авторы обнаружили значительное улучшение точности для BN после применения ансамблевых алгоритмов. С другой стороны, Ким и Ван [34] применили BN для определения факторов, влияющих на возникновение заторов на разных участках дороги. Разработанная модель данного исследования дала основу для оценки различных сценариев ранжирования и расстановки приоритетов.

Байесовская сеть, как видно, лучше работает с ансамблевыми алгоритмами или при модификации, например, с другими транспортными секторами для прогнозирования потока трафика [55] и оценки параметров на сигнальном перекрестке [56, 57].

4.1.5. Другое

Помимо моделей, упомянутых выше, фильтр Калмана (KF) также является популярным вероятностным алгоритмом. По мере увеличения количества доступных данных методы слияния данных становятся популярными. Слияние исторических данных и данных о трафике в реальном времени может обеспечить более высокий уровень точности прогнозирования заторов.В связи с этим обычно применяется KF. Расширенный KF (EKF) — это расширение KF, которое может использоваться для стохастической фильтрации нелинейных шумов для улучшения среднего и ковариации оцениваемого состояния. Поэтому после объединения данных он обновил оценочную ошибку ковариации, удалив выбросы [7].

Wen et al. [8] применили GA для прогнозирования загруженности трафика на основе пространственно-временной транспортной среды. Правила временной ассоциации были извлечены из среды трафика с применением правил временной ассоциации на основе GA (GATAR).Предложенный ими метод интеллектуального анализа правил гибридной временной ассоциации (HTARM) включал методы DBSCAN и GATAR. Метод приложения DBSCAN обсуждался ранее в этой статье. При кодировании с использованием GATAR номер участка дороги и уровень перегрузки были включены в хромосому. Декодирование было выполнено для получения правил временной ассоциации и было отсортировано в соответствии с достоверностью и поддерживаемым значением в пуле правил. Как для смоделированных, так и для реальных сценариев предложенный метод HTARM превзошел GATAR с точки зрения извлечения правил временной ассоциации и точности прогнозирования.Однако разница в количестве кластеров показала большую разницу в двух сценариях. Кроме того, с увеличением сложности дорожной сети точность прогнозов снижалась.

Таблица 1 суммирует методологии и различные параметры, использованные в различных исследованиях, которые мы обсуждали до сих пор.

и др. [30] . [58]
9018 Расширенный Состояние перегрузки 9016 фильтр

Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Иерархическая система на основе нечетких правил Коридор шоссе Датчик Занятость Скорость 2
Скорость Скорость 4 Lopez-garcia et al. [37]
Эволюционное обучение нечетких правил Поток трафика Плотность трафика Ониева и др.[28]
Вывод нечеткой логики типа Мамдани Шоссе, магистраль, ответвление Скорость Индекс перегрузки Цао и Ван [3]
Плотность
Нечеткий вывод Коридор автомагистрали Камера Время в пути
Транспортный поток
Скорость

Объем трафика Насыщенность 5 Kong et al.[4]
Скорость Плотность скорость Yang et al. [5]
Скрытая модель Маркова Сеть автомагистралей Датчик Матрица выбросов Выбор схемы движения Zaki et al. [32]
Матрица выбросов Определение схемы движения Zaki et al. [25]
Матрица перехода
Главная дорога Зонд Вероятность наблюдения Отображение данных GPS Sun et al.[45]
Вероятность перехода

Распределение по Гауссу Коридор автомагистрали Датчик Объем трафика Выбор оптимальных характеристик16 — 9016 9016 — 9016
Байесовская сеть Зона застройки Моделирование Приращение дорог и автобусов Вероятность перегрузки Yi Liu et al.[59]
Мостик Датчик Интенсивность Asencio-Cortés et al. [54]
Род занятий
Средняя скорость
Среднее расстояние
Сеть автомагистралей Датчик Направление сети Вероятность перегрузки и Wang. Дневная и временная погода
Инциденты
Транспортный поток
Занятость
Скорость
Уровень обслуживания
167 Шоссе Камера Время в пути Объединение данных Адетилое и Авасти [7]

в таблице источника данных Область исследования , входные и результирующие параметры и сколько когнитивных состояний трафика было рассмотрено в исследованиях.2 = свободный / перегруженный, 4 = свободный / легкий / средний / тяжелый, 5 = очень свободный / свободный / легкий / средний / тяжелый
4.2. Поверхностное машинное обучение

Алгоритмы поверхностного машинного обучения (SML) включают традиционные и простые алгоритмы машинного обучения. Эти алгоритмы обычно состоят из нескольких, много раз одного скрытого слоя. Алгоритмы SML не могут извлекать функции из входных данных, и функции должны быть определены заранее. Обучение модели может быть выполнено только после извлечения признаков. Алгоритмы SML и их применение в исследованиях перегрузки трафика обсуждаются в этом разделе и показаны на рисунке 6.


4.2.1. Искусственная нейронная сеть

Была разработана искусственная нейронная сеть (ИНС), имитирующая функцию человеческого мозга для решения различных нелинейных задач. Это математическая или вычислительная модель первого порядка, состоящая из набора взаимосвязанных процессоров или нейронов. На рисунке 7 показана простая структура ИНС. Благодаря простоте реализации и способности к эффективному прогнозированию ИНС стала популярной в области исследований по прогнозированию транспортных заторов.Сеть Хопфилда, сеть прямого распространения и обратное распространение — это примеры ИНС. Нейронная сеть с прямой связью (FNN) — это простейшая NN, в которой входные данные переходят в скрытый слой, а оттуда — на выходной уровень. Нейронная сеть с обратным распространением (BPNN) состоит из прямой связи и корректировки веса слоев и является наиболее часто применяемой ИНС в управлении транспортировкой. Xu et al. [31] применили BPNN для прогнозирования потока трафика, таким образом, чтобы оценить фактор перегрузки в своем исследовании. Они предложили метод оценки коэффициента загруженности на основе занятости (CRO) с тремя другими оцененными факторами загруженности на основе коэффициента загруженности (CMRC), скорости движения (CRS) и плотности транспортных средств (CVD).Они также оценили влияние размера данных на отображение дорожных заторов в реальном времени. Сложная дорожная сеть с большим количеством соединений показала более высокую сложность при моделировании и визуализации. Преимущество предложенной модели состояло в том, что для рендеринга данных с высокой выборкой требовалось мало времени на обработку. Модель может использоваться в качестве общей модели прогнозирования заторов для различных дорожных сетей. Некоторые использовали гибридные сети для прогнозирования перегрузки. Надим и Фоудур [11] предсказали перегрузку в пространственном пространстве, применив комбинацию одного из шести алгоритмов SML с NN.Шесть алгоритмов SML включали скользящее среднее (MA), авторегрессионное интегрированное скользящее среднее (ARIMA), линейную регрессию, полиномиальную регрессию второй и третьей степени и k-ближайший сосед (KNN). Модель, показывающая наименьшее значение RMSE, была объединена с BPNN для образования гибридной NN. В скрытом слое было семь нейронов, что было определено методом проб и ошибок. Однако это была работа на очень предварительном уровне. Он не показал влияния увеличения точности данных.


В отличие от предыдущих исследований, те, которые были сосредоточены на параметрах транспортного потока для проведения исследований по прогнозированию транспортных заторов; Ито и Канеясу [60] проанализировали поведение водителей при прогнозировании заторов.Они показали, что операторы транспортных средств по-разному действуют на разных этапах поездки. Они использовали однослойный BPNN, чтобы изучить поведение женщин-водителей и выделить в соответствии с этим этапы движения. Результаты показали, что средняя эффективность распознавания фазы движения составляет 82%.

ИНС — это полезная модель машинного обучения с гибкой структурой. Нейроны слоя можно адаптировать в соответствии с входными данными. Как упоминалось выше, общая модель может быть разработана и применена для различных типов дорог, используя преимущество возможности улавливания нелинейности ИНС.Однако ИНС требует больших наборов данных, чем вероятностные модели рассуждений, что приводит к высокой сложности.

ИНС демонстрирует большой потенциал в анализе разнообразных параметров. ИНС — единственная модель, которая в последнее время применялась для анализа поведения водителей в условиях перегрузки на дорогах. ИНС популярна во всех разделах прогнозирования транспортных потоков [61, 62], управления заторами [63], усталости водителя [64] и шума транспортных средств [65, 66].

4.2.2. Модель регрессии

Регрессия — это статистический контролируемый алгоритм машинного обучения.Он моделирует прогнозируемое действительное числовое выходное значение на основе независимой входной числовой переменной. Модели регрессии можно разделить по количеству входных переменных. Простейшая модель регрессии — это линейная регрессия с одним входным признаком. Когда номер функции увеличивается, создается модель множественной регрессии.

Jiwan et al. [27] разработали модель множественного линейного регрессионного анализа (MLRA) с использованием данных о погоде и данных о загруженности дорог после предварительной обработки с помощью Hadoop.Сначала была разработана единая регрессионная модель для всех переменных с использованием R. После 3-кратного сокращения были определены только десять переменных, чтобы сформировать окончательную модель MLRA. Чжан и Цянь [22] применили интересный подход к прогнозированию перегрузки в утренние часы пик с использованием моделей использования электроэнергии в домашних условиях. Они использовали регрессию LASSO для корреляции признаков паттерна, используя преимущество линейно связанной возможности выбора критических признаков.

С другой стороны, Jain et al.[33] разработали модель линейной и экспоненциальной регрессии с использованием программного обеспечения IBM SPSS для поиска соответствующих переменных. Авторы преобразовали разнородные транспортные средства в блок легковых автомобилей (PCU) для упрощения. Для оценки показателей перегрузки на основе происхождения-назначения (O-D-) были рассмотрены три независимые переменные. Они использовали PCC для оценки корреляции между параметрами. Однако простое усреднение параметров узла O-D может не обеспечить реальную ситуацию динамических шаблонов трафика.

Модели регрессии состоят из некоторых скрытых коэффициентов, которые определяются на этапе обучения.Наиболее применяемой регрессионной моделью является интегрированная авторегрессионная скользящая средняя (ARIMA). ARIMA имеет три параметра — p, d и q. «P» — это порядок авторегрессии, который указывает, сколько лагов независимой переменной необходимо учитывать для прогнозирования. Порядок скользящего среднего «q» представляет номера ошибок прогнозирования запаздывания. Наконец, «d» используется, чтобы сделать временной ряд стационарным. Альгамди и др. [67] приняли d равным 1, так как один разностный порядок может сделать модель стационарной. Затем они применили функцию автокорреляции (ACF) и функцию частичной автокорреляции (PACF) вместе с матрицей критериев минимальной информации, чтобы определить значения p и q .Учитывались только временные рамки. Однако результаты совпадали с истинной картиной всего за одну неделю и нуждались в корректировке с учетом ошибок прогноза. Кроме того, в исследовании не учитывалось пространственное измерение.

Модели регрессии полезны для применения к задачам временных рядов. Следовательно, регрессионные модели подходят для задач прогнозирования трафика. Однако эти модели ненадежны для нелинейных, быстро меняющих многомерный набор данных. Результаты необходимо изменить в соответствии с ошибками прогноза.

Однако, как уже и далее будет обсуждаться в этой статье, в большинстве исследований использовались различные регрессионные модели для проверки предложенной ими модели [6, 11, 25, 68, 69].

С увеличением набора данных и связанной с ним сложности регрессионные модели становятся все менее популярными в прогнозировании заторов трафика. В настоящее время регрессионные модели часто используются путем модификации с помощью других алгоритмов машинного обучения, например, ИНС и функций ядра. Применяются регрессионные модели некоторых других секторов, включая гибридную ARIMA, при прогнозировании скорости движения для конкретного типа транспортного средства (Wang et al.[70], прогнозирование объема трафика [71] и прогнозирование потока с применением модифицированной ARIMA [72].

4.2.3. Дерево решений

Дерево решений — это модель, которая прогнозирует выходные данные на основе нескольких входных переменных. Есть два типа деревьев: дерево классификации и дерево регрессии. Когда эти два дерева сливаются, создается новое дерево с именем дерева классификации и регрессии (CART). Дерево решений использует функции, извлеченные из всего набора данных. Случайный лес — это контролируемый алгоритм классификации машинного обучения, который представляет собой среднее значение нескольких результатов дерева решений.Функции случайным образом используются при разработке деревьев решений. Он использует огромное количество деревьев решений CART. Деревья решений голосуют за предсказанный класс в модели случайного леса.

Wang et al. [9] предложили вероятностный метод использования инструментов теории информации, таких как энтропия и неравенство Фано, для прогнозирования характера дорожного движения и связанных с ним заторов на городских участках дороги без предварительного знания O-D транспортного средства. Они включили уровень загруженности дорог во временные ряды для сопоставления состояния транспортного средства с условиями движения.Поскольку интервал влиял на предсказуемость, была найдена оптимальная длина и скорость сегмента. Однако при меньшем количестве доступных данных увеличенное количество сегментов повысило предсказуемость. Другой параметр трафика, время в пути, использовался Лю и Ву для поиска КИ [73]. Они применили алгоритм машинного обучения случайного леса для прогнозирования состояний перегрузки на дорогах. Сначала они извлекли 100 наборов образцов, чтобы построить 100 деревьев решений с помощью бутстрапа. Количество атрибутов объектов было определено как квадратный корень из общего числа объектов.Chen et al. [16] также применили метод CART для прогнозирования и классификации транспортных заторов. Авторы применили метод I Морана для анализа пространственно-временной корреляции между различными транспортными потоками дорожной сети. Модель показала эффективность по сравнению с SVM и алгоритмом K-средних.

Дерево решений — это простая модель решения проблем классификации, которую можно применять для данных с множеством признаков, например, Лю и Ву [73] применили погодные условия, состояние дороги, период времени и выходные в качестве входных переменных.Знания этой модели могут быть представлены в виде правил IF-THEN, что делает проблему легко интерпретируемой. Также необходимо иметь в виду, что результаты классификации обычно являются двоичными и поэтому не подходят там, где требуется знать уровень перегрузки. Другими секторами транспорта, где применяются модели деревьев решений, являются прогнозирование трафика [74] и оптимизация сигналов трафика с помощью нечеткой логики [75].

4.2.4. Машина опорных векторов

Машина опорных векторов (SVM) — это метод статистического машинного обучения.Основная идея этой модели состоит в том, чтобы отобразить нелинейные данные в линейное пространство более высокой размерности, где данные могут быть линейно классифицированы с помощью гиперплоскости [1]. Следовательно, это может быть очень полезно при идентификации шаблона потока трафика для прогнозирования перегрузки трафика. Ценг и др. [13] определили скорость движения при прогнозировании заторов в реальном времени с помощью SVM. Они использовали Apache Storm для обработки больших данных с помощью носиков и болтов. Трафик, датчики погоды и события, собранные из социальных сетей в непосредственной близости, оценивались системой вместе.Они разделили скорость транспортного средства на классы и назвали их ярлыками. Скорость предыдущих трех интервалов использовалась для обучения предложенной модели. Однако уровень заторов, отнесенный к категории от 0 до 100, не несет в себе конкретных сведений о серьезности уровня, особенно для участников дорожного движения. Увеличение обучающих данных повысило точность и время вычислений. В конечном итоге это может затруднить прогнозирование перегрузки в реальном времени.

Транспортный поток показывает разные модели в зависимости от смеси трафика или времени суток.SVM применяется для определения соответствующего шаблона. В настоящее время модифицированная SVM в основном находит свое применение и в других секторах, например, для прогнозирования объема движения на выезде с автострады [58], прогнозирования транспортного потока [76] и устойчивого развития транспорта и экологии [77].

В большинстве исследований разработанная модель сравнивалась с SVM [22, 78, 79]. Алгоритмы глубокого машинного обучения (DML) показали лучшие результаты по сравнению с SVM. Таблица 2 относится к исследованиям в этом разделе.

9023 Датчик 9023 Регрессионный ход и др. [33] — и др.

Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Искусственная нейронная сеть Дорожная сеть Датчик Занятость Фактор перегрузки 3 Xu et al. [31]
Моделирование Плотность
Коридор автомагистрали Датчик Расстояние Скорость 2 Надим и Fowdur [11]
Скорость
Скорость Скорость Состояние затора на дорогах 2 Ито и Канеясу [60]
Открытие дроссельной заслонки
Угол поворота рулевого колеса

Температура Оценка загруженности дорог Jiwan et al.[27]
Влажность
Осадки
Скорость движения
Время
Артериальная дорога Камера Объем
Субартериальная дорога Скорость

Дерево решений Кольцевая дорога Зонд Средняя скорость Прогнозируемость движения[9]
Дорожная сеть Скорость Индекс Морана 5 Chen et al. [16]
Траектория

Машина опорных векторов Коридор шоссе Датчик Скорость Скорость движения Tseng [13]
Плотность
Разница в объеме движения
Объем осадков

4.3. Глубокое машинное обучение

Алгоритмы DML состоят из нескольких скрытых слоев для обработки нелинейных задач. Наиболее значительным преимуществом этих алгоритмов является то, что они могут извлекать функции из входных данных без каких-либо предварительных знаний. В отличие от SML, в этих алгоритмах извлечение признаков и обучение модели выполняются вместе. DML может преобразовывать обширные непрерывные и сложные данные трафика с ограниченным периодом времени сбора в шаблоны или векторы функций. За последние несколько лет DML стал популярным в исследованиях прогнозирования транспортных заторов.Исследования перегрузки трафика, в которых использовались алгоритмы DML, показаны на рисунке 8 и обсуждаются в этом разделе.


4.3.1. Сверточная нейронная сеть

Сверточная нейронная сеть (CNN) — это широко применяемый алгоритм DML в проектировании трафика. Благодаря отличной производительности CNN при обработке изображений, при применении в прогнозировании трафика данные потока трафика преобразуются в двумерную матрицу для обработки. Транспортная структура CNN состоит из пяти основных частей: входной уровень, сверточный уровень, уровень пула, уровень полного соединения и выходной уровень.Как слой свертки, так и слой объединения извлекают важные функции. Глубина этих двух слоев различается в разных исследованиях. В большинстве исследований данные о транспортных потоках были преобразованы в изображение двухмерной матрицы. В исследованиях Ma et al. [80] и Sun et al. [45], каждый компонент матрицы представлял среднюю скорость движения в определенный период времени. При настройке параметров CNN они выбрали размер сверточного фильтра (3 × 3) и максимальное объединение размера (2 × 2) из ​​3 слоев в соответствии с настройками параметров LeNet и AlexNet и измерения потери информации.В то время как Chen et al. [68] использовали пятислойную свертку с размером фильтра (2 × 2) без слоя объединения. Авторы применили новый метод, называемый глубокой нейронной сетью на основе свертки, моделирующей периодические данные трафика (PCNN). В исследовании были свернуты временные ряды для генерации входных данных, объединяющих данные о трафике в реальном времени и исторические данные. Чтобы зафиксировать корреляцию нового временного интервала с недавним прошлым, они продублировали уровень перегрузки последнего интервала в матрице. Zhu et al. [49] также применили пять слоев сверточного пула, а также размеры (3 × 3) и (2 × 2) соответственно.Наряду с временными и пространственными данными авторы также включили данные временного интервала для создания трехмерной входной матрицы. В отличие от этих исследований Zhang et al. [6] предварительно обработали необработанные данные, выполнив пространственно-временной анализ взаимной корреляции данных последовательности потока трафика с помощью PCC. Затем они применили модель, названную алгоритмом выбора пространственно-временного признака (STFSA), к данным последовательности потока трафика, чтобы выбрать подмножества признаков в качестве входной матрицы. Использовалась двухслойная CNN со сверточным размером и размером пула, как и в предыдущих исследованиях.Однако STFSA учитывает свои эвристики, предубеждения и компромиссы и не гарантирует оптимальности.

CNN показывает хорошую производительность там, где доступен большой набор данных. Он имеет отличную способность к обучению функциям с меньшими затратами времени на классификацию. Следовательно, CNN может применяться там, где доступный набор данных может быть преобразован в изображение. CNN применяется для прогнозирования скорости трафика [81], прогнозирования транспортного потока [6], а модифицированная CNN с LSTM также применяется для прогнозирования трафика [82].Однако, как упоминалось выше, отсутствуют стратегии выбора глубины модели и параметров.

4.3.2. Рекуррентная нейронная сеть

Рекуррентная нейронная сеть (RNN) широко используется при последовательной обработке данных трафика с учетом влияния связанного соседа (рисунок 9). Долгая кратковременная память (LSTM) — это ветвь RNN. В скрытом слое LSTM есть блок памяти, который включает четыре слоя NN, в которых хранится и регулируется информационный поток. В последние годы, благодаря различным системам сбора данных с увеличенными интервалами, LSTM стал популярным.Благодаря этому преимуществу Zhao et al. [12] разработали модель LSTM, состоящую из трех скрытых слоев и десяти нейронов с использованием данных с большим интервалом. Они установили адекватную цель и настраивали параметры до тех пор, пока обучающая модель не стабилизировалась. Авторы также применили модель индекса и классификации перегрузки (CI-C) для классификации перегрузки путем вычисления CI на основе выходных данных LSTM. В большинстве исследований для разделения состояний перегрузки используется равный интервал CI. В этом исследовании было проведено еще два интервала с естественной точкой останова и геометрическим интервалом, чтобы обнаружить, что последний предоставил наибольшую информацию из информационной энтропии.Ли и др. [69] применили 4 слоя со 100 нейронами LSTM-модель ввода 3D-матрицы. Элемент входной матрицы содержал нормализованную скорость, чтобы сократить время обучения. Устраняя зависимость, авторы обнаружили, что случайное распределение целевой скорости дороги и более чем оптимальное соединение дорог в матрице снижают производительность. Чтобы устранить ограничение временной зависимости, Юань-Юань и др. [79] обучили свою модель подходу пакетного обучения. Экземпляр, найденный в результате классификации тестового набора данных, использовался для обучения модели в онлайн-среде.В некоторых исследованиях были представлены новые слои для модификации модели LSTM для извлечения признаков. Zhang et al. [83] представили уровень механизма внимания между LSTM и уровнем прогнозирования, который позволяет извлекать признаки из последовательности данных потока трафика и фиксировать важность состояния трафика. Di et al. [84] представили свертку, которая предоставляет входные данные для модели LSTM для формирования модели CPM-ConvLSTM. Во всех исследованиях для преобразования входных параметров применялся горячий метод. Адам, стохастический градиентный спуск (SGD) и сеть с интегральным отражением от утечки (LiESN) — это несколько методов оптимизации, применяемых для точной настройки результата.


Несколько исследований объединили RNN с другими алгоритмами, имея дело с обширными параметрами дорожной сети. В связи с этим Ma et al. [85] применили модель RNN и ограниченной машины Больцмана (RNN-RBM) для прогнозирования пространственно-временной перегрузки в масштабе всей сети. Здесь они использовали условную RBM для построения предлагаемой глубокой архитектуры, которая предназначена для обработки временной последовательности, обеспечивая петлю обратной связи между видимым слоем и скрытым слоем. Состояние перегрузки анализировалось по скорости трафика и было представлено в двоичном формате в виде матрицы в качестве входных данных.Также Sun et al. [45] объединил RNN трех скрытых слоев с двумя другими его вариантами: LSTM и закрытым рекуррентным блоком (GRU). Скрытые слои включали характеристику блока памяти LSTM, а состояние ячейки и скрытое состояние были включены ГРУ.

Поскольку размер выборки значительно увеличивается, RNN становится популярным в качестве текущего способа моделирования. RNN имеет кратковременную память. Эта характеристика RNN помогает моделировать данные нелинейных временных рядов. Обучение RNN также прямолинейно, подобно многослойной FNN.Однако это обучение может стать трудным из-за преобразования в глубокую архитектуру с многослойной долгосрочной зависимостью. В случае долгосрочных проблем с зависимостью LSTM становится более подходящим для применения, поскольку LSTM может запоминать информацию в течение длительного периода времени. RNN находит свое применение и в других секторах транспорта, например, для прогнозирования пассажиропотока [86], модифицированного LSTM в прогнозировании аварий в реальном времени [87] и прогнозирования дорожного движения [88].

4.3.3. Машина экстремального обучения

В последние годы для обучения однослойной нейронной сети с прямой связью (SLFN) был предложен новый алгоритм обучения, называемый машиной экстремального обучения (ELM). В ELM входные веса и скрытые смещения назначаются случайным образом, а не полностью настраиваются. Таким образом, обучение ELM проходит быстро. Поэтому, принимая во внимание это преимущество, Ban et al. [19] применили модель ELM для прогнозирования заторов на дорогах в реальном времени. Они определяют CI, используя среднюю скорость движения.Чтобы избежать шума в необработанных данных, была проведена 4-кратная перекрестная проверка. Модель нашла оптимальное количество скрытых узлов 200 с точки зрения вычислительных затрат в исследовании. Расширение этого исследования было выполнено Шеном и соавт. [78] и Шен и др. [89] путем применения основанной на ядре модели полууправляемой машины с экстремальным обучением (kernel-SSELM). Эта модель может иметь дело с проблемой данных без маркировки ELM и влиянием гетерогенных данных. Модель объединила мелкомасштабные маркированные данные транспортного персонала и крупномасштабные немаркированные данные о дорожном движении для оценки городской транспортной загруженности.ELM ускорил время обработки, а функция ядра оптимизировала точность и надежность всей модели. Однако сбор маркированных данных в реальном времени был довольно дорогостоящим с точки зрения человеческих ресурсов и рабочего времени, и количество экспертов для оценки состояния перегрузки должно было быть больше. Другая модификация EML была применена Yiming et al. [20]. Они применили модель асимметричного кластера машин с экстремальным обучением (S-ELM-кластер) для краткосрочного прогнозирования перегрузки трафика путем определения CI.Авторы разделили область исследования и одновременно реализовали обработку подмоделей для быстрой скорости.

Модель ELM имеет преимущество в обработке крупномасштабных данных с обучением на высокой скорости. ELM лучше работает с помеченными данными. В тех случаях, когда доступны как помеченные, так и немаркированные данные, полууправляемый ELM показал хорошую точность прогнозов, как было показано в исследованиях. Другие сектора, в которых применялся ELM, включали прогнозирование потока воздушного движения [90], прогнозирование потока трафика [91] и прогнозирование интервала объема движения [92].

Помимо уже рассмотренных моделей, Zhang et al. [93] предложили модель нейронной сети на основе глубокого автокодера с симметрией четырех уровней для кодировщика и декодера для изучения временных корреляций транспортной сети. Первый компонент закодировал векторное представление исторических уровней перегрузки и их корреляции. Затем они декодировали, чтобы построить представление об уровнях перегрузки на будущее. Второй компонент DCPS использует два плотных слоя; те преобразовали выходные данные декодера для вычисления векторного представления уровня перегрузки.Однако процесс потерял информацию, так как уровень перегруженности всех пикселей был усреднен. Этот подход требовал большого количества итераций и требовал больших вычислительных ресурсов, поскольку учитывались все пиксели независимо от дорог. В другом исследовании применялась обобщенная версия рекуррентной нейронной сети, названная рекурсивной нейронной сетью. Разница между этими двумя параметрами заключается в том, что в повторяющейся сети NN веса распределяются по последовательности данных. В то время как рекурсивная NN — это модель одного нейрона; следовательно, веса разделяются на каждом узле.Хуанг и др. [94] применили рекурсивный алгоритм NN, названный сетью эхо-состояний (ESN). Эта модель состоит из входного слоя, сети резервуаров и выходного слоя. Слой коллектора конструирует правила, связывающие источник прогноза и горизонт прогнозирования. Поскольку исследование заняло большую область исследования с огромным количеством ссылок, они упростили сложность правил обучения, применяя рекурсивную NN. В таблице 3 приведены некоторые исследования.

9046 Discaps

Исследования в области прогнозирования транспортных заторов расширяются в геометрической прогрессии.Среди этих двух источников в большинстве исследований использовались данные стационарных датчиков / камер. Хотя данные датчиков не могут фиксировать динамическое изменение трафика, частая смена источника затрудняет оценку структуры потока для данных датчиков [95]. Горизонт сбора данных является важным фактором при изучении загруженности дорог. Небольшой горизонт в несколько дней [3] не может уловить фактическую ситуацию с перегрузкой, поскольку трафик является динамичным. Другие исследования, в которых использовались данные за несколько месяцев, показали ограничение сезонности [22, 67].

Состояние окружающей среды играет важную роль в заторах на дорогах. Несколько исследований были посвящены этим факторам. Два исследования рассматривали вклад социальных сетей во входной параметр [7, 13], а пять — погодные условия [12, 13, 27, 34, 73]. События, например национальное мероприятие, школьные каникулы и популярные спортивные мероприятия, играют большую роль в заторах на дорогах. Например, в Мельбурне, Австралия, два государственных праздника до и во время двух самых популярных спортивных мероприятий страны.Власти закрывают несколько транспортных маршрутов, чтобы ограничить движение и парад, что приводит к заторам на дорогах. Следовательно, необходимо уделять больше внимания учету этих факторов при прогнозировании.

Работа с отсутствующими данными является сложной задачей при обработке данных. Некоторые полностью исключили соответствующие данные [29], другие применили другие методы для извлечения данных [59, 85], а некоторые заменили другими данными [45]. Вменение отсутствующих данных может быть полезным исследованием в транспортной инженерии.

Алгоритм машинного обучения, особенно модели DML, развивается со временем. Это демонстрирует явное влияние на рост их внедрения в прогнозирование транспортных заторов (рисунок 10).


Вероятностные алгоритмы рассуждений в основном применялись для части модели прогнозирования, например, сопоставление карт и выбор оптимального числа признаков. Нечеткая логика — наиболее широко используемый алгоритм в этом классе алгоритмов. Из других ветвей ANN и RNN являются наиболее применяемыми моделями.Большинство исследований, в которых применялись гибридные или ансамблевые модели, относятся к классу вероятностного и поверхностного обучения. Только в двух исследованиях применялись гибридные модели глубокого обучения при прогнозировании перегрузки в масштабах сети. Таблицы 4, 5–6 суммируют преимущества и недостатки алгоритмов различных ветвей.


Методология Тип дороги Источник данных Входные параметры Целевой домен No.уровней состояния перегрузки Ссылка

Сверточные нейронные сети Дорожная сеть Зонд Средняя скорость движения Скорость 3 Ma et al. [80]
Средняя скорость движения 5 Sun et al. [45]
Камера Уровень перегрузки Уровень перегрузки 3 Chen et al.[68]
Коридор автомагистрали Датчик Транспортный поток Транспортный поток Zhang et al. [93]
Рекуррентная нейронная сеть Участок дороги Зонд Данные о погоде Время перегрузки 5 Zhao et al. [12]
Время перегрузки
Артериальная дорога Онлайн Уровень перегрузки Уровень перегрузки 3 Юань-Юань и др.[79]
Дорожная сеть Камера Элемент пространственного сходства Скорость Lee et al. [69]
Датчик Скорость
Обзор Пиковый час
Коридор шоссе Датчик Скорость Уровень перегрузки 4 90ha16ng3 и др. [83]
Время в пути
Объем
Дорожная сеть Зонд Состояние перегрузки Состояние перегрузки 2 Ma et al.[85]
Машина для экстремального обучения Текущее время Индекс перегрузки Ban et al. [19]
Кластер состояния дорожного движения
Индекс последней загруженности
Тип дороги
Количество прилегающих дорог


Методология Преимущества Отсюда недостатки

Нечеткая логика преобразование значения перегрузки (i). . (i) Не существует подходящего метода выбора формы функции принадлежности.
(ii) Он может изображать более двух состояний. (ii) Возможность распознавания образов трафика не так надежна, как алгоритмы машинного обучения.
(iii) Поскольку для этого не требуется точный и четкий ввод, он может иметь дело с неопределенностью. (iii) Состояние трафика может не совпадать с фактическим состоянием трафика, поскольку результат не точен.
Скрытая марковская модель (i) Модель может преодолеть зашумленные измерения. (i) Точность снижается из-за нехватки временных данных о траектории зонда.
(ii) Может эффективно учиться на необработанных данных. (ii) Не подходит в случае отсутствия набора данных.
(iii) Может одновременно оценивать несколько гипотез фактического отображения.
Модель смеси Гаусса (i) Может выполнять распределение параметров трафика за период в виде смеси независимо от состояния трафика. (i) Алгоритм оптимизации, используемый с GMM, следует выбирать осторожно.
(ii) Может преодолеть ограничение, связанное с невозможностью учитывать многомодальный вывод с помощью одного гауссовского процесса. (ii) Результаты могут показывать неправильные шаблоны трафика из-за локального ограничения оптимума и отсутствия знаний алгоритма оптимизации о пороге перегрузки трафика.
Байесовская сеть (i) Она может понять лежащую в основе взаимосвязь между случайными величинами. (i) В вычислительном отношении дорого.
(ii) Он может моделировать и анализировать параметры движения между соседними дорожными связями. (ii) Модель плохо работает с приращением данных.
(iii) Модель может работать с неполными данными. (iii) Модель представляет однонаправленную связь только между переменными.

9163 система, которая может изменять структуру на основе входных данных на этапе обучения [96].

Методика Преимущества Недостатки искусственная сеть
(i) BPNN требует обширных данных для обучения модели из-за сложности параметров, возникающей из-за техники не совместного использования параметров [97].
(ii) Функция FNN, определенная на раннем этапе, демонстрирует превосходную эффективность в захвате нелинейной взаимосвязи данных. (ii) Скорость обучающей сходимости модели низкая.
Модель регрессии (i) Модели подходят для задач временных рядов. (i) Линейные модели не могут решить проблему нелинейности, что затрудняет решение сложных задач прогнозирования.
(ii) Проблемы прогнозирования транспортных заторов могут быть легко решены. (ii) Линейные модели чувствительны к выбросам.
(iii) ARIMA может повысить точность, поддерживая минимальные параметры. (iii) В вычислительном отношении дорого.
(iv) Минимальная сложность модели. (iv) ARIMA не может эффективно работать с набором данных с несколькими функциями.
(v) ARIMA не может уловить быстро меняющийся поток трафика [8].
Машина опорных векторов (i) Эффективна при распознавании образов и классификации. (i) Неправильно выбранная функция ядра может привести к неточному результату.
(ii) Универсальный алгоритм обучения, который может уменьшить вероятность ошибки классификации за счет снижения структурного риска [1]. (ii) Нестабильный поток трафика требует повышения точности прогнозирования SVM.
(iii) Для этого не требуется большой размер выборки. (iii) Требуется много вычислительного времени и памяти.


Методология Достоинства Недостатки из локальных связей и компоновка их в высокоуровневое представление. (i) Вычислительно затратно, так как для извлечения функций требуется огромное ядро.
(ii) Классификация занимает меньше времени. (ii) Требуется обширный набор данных.
(iii) Может автоматически извлекать элементы. (iii) Данные о трафике необходимо преобразовать в изображение.
(iv) Нет доступных стратегий для глубины модели CNN и выбора параметров.
Рекуррентная нейронная сеть (i) Показывает отличную производительность при обработке последовательного потока данных. (i) Длительная зависимость приводит к плохой работе.
(ii) Эффективен при классификации последовательностей. (ii) Нет твердого руководства по устранению зависимости.
(iii) Эффективность обработки временных рядов с длинными интервалами и отсрочками.
Машина для экстремального обучения (i) Высокая скорость обучения (i) Время обучения увеличивается с ростом скрытого узла.
(ii) Может избегать локальных минимумов. (ii) Проблема с непомеченными данными.
(iii) Доступны модифицированные модели для решения проблемы с непомеченными данными. (iii) Может давать менее точные результаты.

Среди всех моделей DML RNN больше подходит для прогнозирования временных рядов. В нескольких исследованиях RNN показала лучшие результаты, чем CNN, поскольку разрыв между скоростями трафика в разных классах был очень мал [12, 69]. Однако из-за небольшого количества исследований в области пробок на дорогах еще предстоит применить множество новых алгоритмов машинного обучения.

Модели SML показали лучшие результаты, чем DML, при прогнозировании загруженности трафика в краткосрочной перспективе, поскольку SML может эффективно обрабатывать линейность, а линейные элементы в краткосрочной перспективе больше влияют на поток трафика. Все исследования краткосрочного прогнозирования, обсуждаемые в этой статье, с применением SML показали многообещающие результаты. В то же время модели DML показали хорошую точность, поскольку эти модели могут эффективно обрабатывать как линейные, так и нелинейные функции. Кроме того, прогнозирование перегрузки в реальном времени не может позволить себе большое время вычислений.Следовательно, в этом случае более эффективны модели, требующие короткого вычислительного времени.

6. Направление будущего

Пробки на дорогах — многообещающее направление исследований. Таким образом, в будущих исследованиях есть несколько направлений.

Многие модели прогнозирования уже применялись при прогнозировании дорожных заторов. Однако с помощью недавно разработанных моделей прогнозирования появляется больше возможностей для более точного прогнозирования перегрузки. Кроме того, в эту эпоху информации использование увеличенных доступных данных о трафике за счет применения недавно разработанных моделей прогнозирования может повысить точность прогнозирования.

Полууправляемая модель применялась только для модели EML. Следует изучить другие алгоритмы машинного обучения для использования как помеченных, так и немаркированных данных для более высокой точности прогнозов. Кроме того, ограниченное количество исследований было сосредоточено на прогнозировании перегрузок в реальном времени. В будущем исследователям стоит обратить внимание на проблему оценки загруженности дорог в реальном времени.

Еще одним направлением будущего может быть сосредоточение внимания на уровне загруженности дорог. Несколько исследований разделили пробки на несколько состояний.Однако для лучшего управления трафиком важно знать степень загруженности. Таким образом, будущие исследования должны сосредоточиться на этом. Кроме того, большинство исследований сосредоточено только на одном параметре трафика для прогнозирования перегрузки. Это может быть отличным направлением в будущем, чтобы уделить внимание более чем одному параметру и объединить результаты во время прогнозирования перегрузки, чтобы сделать прогноз более надежным.

7. Выводы

Прогнозирование заторов на дорогах привлекает все больше внимания в последние несколько десятилетий.С развитием инфраструктуры каждая страна сталкивается с проблемой заторов на дорогах. Таким образом, прогнозирование заторов может позволить властям составить планы и предпринять необходимые действия, чтобы их избежать. Развитие искусственного интеллекта и доступность больших данных побудили исследователей применять различные модели в этой области. В этой статье методологии разделены на три класса. Хотя вероятностные модели в целом просты, они становятся сложными, в то время как различные факторы, влияющие на перегрузку трафика, например.g., учитываются погода, социальные сети и события. В этом случае преимущество имеет машинное обучение, особенно глубокое обучение. Поэтому со временем алгоритмы глубокого обучения стали более популярными, поскольку они могут оценивать большой набор данных. Однако еще предстоит применить широкий спектр алгоритмов машинного обучения. Таким образом, широкие возможности исследований в области прогнозирования транспортных заторов все еще остаются.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают благодарность Университету RMIT и Программе подготовки научных исследований правительства Австралии (RTP) за финансовую поддержку.

Технология, которая может устранить пробки на дорогах

В других местах интеллектуальная инфраструктура помогает транспортным сетям стать более связными. Siemens Mobility работает с городами и муниципалитетами по всему миру, чтобы определить модели движения и попытаться найти способы улучшить впечатления каждого на дороге.

«Есть реальные проекты по всему миру, и приложения постоянно расширяются», — говорит Маркус Шлитт, руководитель отдела интеллектуальных транспортных систем компании.

«В городах будущего движение будет настолько сложным, что без искусственного интеллекта (ИИ) возникнет виртуальный тупик», — говорит Шлитт. «Используя данные, мы можем выявить закономерности, которые не были бы обнаружены без искусственного интеллекта. Благодаря непрерывному обучению мы можем постоянно обновлять модели трафика и, следовательно, поток трафика.Это приводит к меньшему времени ожидания и меньшему количеству выбросов ».

В Хагене, Германия, они используют искусственный интеллект для оптимизации управления светофорами и сокращения времени ожидания на перекрестке. Моделирование показывает, что это может сократить время ожидания на светофоре до 47% по сравнению с традиционным планом заранее заданного сигнала.

Но не только автомобилисты получают выгоду от использования ИИ. Siemens Mobility управляет парком из 1400 электрических велосипедов в Лиссабоне, Португалия, используя машинное обучение для анализа различных источников данных, таких как погода, для прогнозирования будущего спроса на каждой из 140 станций проката велосипедов.Это позволяет им гарантировать наличие велосипедов и мест в зарядных станциях для возвращающихся велосипедов. Прогнозы используются вместе с последней информацией о дорожном движении, чтобы помочь командам по сбору велосипедов пополнить запасы док-станций и обеспечить оптимальный маршрут для технических специалистов, обслуживающих велосипеды.

«Это не только снижает эксплуатационные расходы, но и повышает удобство работы конечных клиентов», — говорит Шлитт. «Поэтому, когда вам нужно передвигаться по Лиссабону, вы можете быть уверены, что на станциях для вас всегда есть электровелосипед.”

Прогнозирование заторов на основе расчетного времени прибытия

Abstract

С быстрым расширением сенсорных технологий и инфраструктуры беспроводной сети, исследования и разработки приложений, связанных с трафиком, таких как карты трафика в реальном времени, справочная информация о маршрутах по запросу и прогнозирование трафика, привлекают гораздо больше внимания, чем когда-либо прежде. В этом документе мы подробно рассмотрим наше приложение для прогнозирования трафика, которое основано на данных о трафике, собранных с помощью Google Map API.Наше приложение представляет собой настольное приложение, которое прогнозирует состояние перегрузки трафика с использованием расчетного времени прибытия (ETA). Помимо расчетного времени прибытия, система прогнозирования учитывает различные характеристики, такие как погода, период времени, особые условия, праздники и т. Д. Метка классификатора идентифицируется как одно из пяти состояний движения, т.е. ровный, слегка перегруженный, перегруженный, сильно загруженный. перегруженность или засорение. Результаты показывают, что алгоритм классификации случайных лесов имеет наивысшую точность прогнозов — 92 процента, за ним следуют XGBoost и KNN соответственно.

Образец цитирования: Zafar N, Ul Haq I (2020) Прогнозирование заторов на дорогах на основе расчетного времени прибытия. PLoS ONE 15 (12): e0238200. https://doi.org/10.1371/journal.pone.0238200

Редактор: Jinjun Tang, Центральный Южный университет, КИТАЙ

Поступила: 18.04.2020; Принята к печати: 11 августа 2020 г .; Опубликовано: 16 декабря 2020 г.

Авторские права: © 2020 Zafar, Ul Haq.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в рукописи и вспомогательных информационных файлах.

Финансирование: Эта исследовательская работа финансируется Комиссией высшего образования Пакистанского проекта TDF02-261. 50000 рупий (300 долларов США) будут покрываться HEC, в то время как любая сумма, превышающая это, будет оплачена авторами.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Пробки на дорогах — обычная проблема любой дорожной сети. Когда количество транспортных средств превышает верхнюю границу проезжей части, это вызывает заторы разной степени тяжести. Наблюдение и контроль трафика в режиме реального времени, а также долгосрочная оценка желательны как для разработчиков политики, так и для широкой публики.Рост населения в крупных городах, вызывающий все более высокие требования к общественному транспорту, на протяжении многих лет был одним из основных факторов, способствующих возникновению проблем с дорожным движением [1, 2]. Пассажиры пригородных поездов страдают от более длительного времени в пути и имеют проблемы, связанные с плавным планированием своего путешествия [3, 4]. Пробки на дорогах можно использовать для градостроительства [5]. Развивающиеся страны, несмотря на наличие приемлемой дорожной инфраструктуры в своих крупных городах, страдают от транспортных заторов, прежде всего из-за их высокой плотности населения.Выявление и прогнозирование транспортных заторов играет центральную роль в развитии интеллектуальных транспортных систем. Было проведено интересное исследование по прогнозированию пробок на дорогах, основанное на трафике в реальном времени, полученном с помощью Google Maps API [6–8]. В этой статье мы рассматриваем столицу Пакистана Исламабад в качестве примера и представляем результаты прогнозирования транспортных заторов. Исламабад и Равалпинди — города-побратимы, и тысячи людей ежедневно добираются до Исламабада из Равалпинди. Мы использовали Google Map API для извлечения данных ETA со всех основных дорог Исламабада, а также с дорог, соединяющих Равалпинди и Исламабад.

В этой статье предлагаемая нами система

  • объединяет данные о времени прибытия и погоде,
  • маркирует данные в соответствии с тенденциями ETA,
  • определяет индекс перегрузки с временным интервалом,
  • применяет методы машинного обучения случайного леса, логистической регрессии и наивного байеса, XGBoost, GradientBoost и KNN,
  • и, наконец, предоставляет анализ моделей трафика.

Реализация может способствовать уменьшению перегрузки и может помочь в свободном потоке трафика.Это также может помочь в управлении сигналами светофора. Поскольку в Исламабаде нет организованных наборов данных о дорожном движении, эта исследовательская работа с данными, извлеченными Google, обеспечит основу для прогнозирования транспортных заторов в Пакистане, особенно в районе Исламабада.

Остальная часть статьи построена следующим образом. В разделе II обсуждается соответствующая работа, в разделе III описывается предлагаемое решение. Раздел IV представляет описание данных, а Раздел V описывает дизайн и реализацию прототипа карты загруженности дорог.Наконец, Раздел VI завершает статью.

Обзор литературы

Различные классические алгоритмы машинного обучения и модели нейронных сетей были применены к данным городского трафика для прогнозирования заторов. Md Maksudur Rahman et al. [9] зафиксировали заторы на дорогах в разные дни и часы недели и выявили факторы, вызывающие заторы в городе Дакка. Авторы исследовали влияние количества перекрестков, рыночных площадей и наличия дорог без рикш на интенсивность движения.Они не работали с интегрированными источниками данных. Они не применяли разные алгоритмы машинного обучения и не сравнивали часы пик и непиковые часы. Юань-юань и др. [10] работали с открытыми онлайн-данными и предсказывали условия дорожного движения. Они использовали многослойную модель долговременной краткосрочной памяти. Авторы использовали методы ансамбля и улучшили производительность на несбалансированном наборе данных, включив в модель прогнозирования информацию о местных испытаниях, социальных сетях и погоде. Авторы не использовали ансамблевые методы и не включали источники данных о погоде и событиях.Описательный анализ набора данных не проводился. Мухаммад Шалихин бин Осман и др. [11] предложили модель линейной регрессии для прогнозирования продолжительности трафика. Для их прогнозирования перегрузки используется многослойная модель глубокого обучения персептрона. Они использовали Weka и TensorFlow от Google для своей системы прогнозирования трафика. Сообщалось о некоторых проблемах, включая нежелательное время загрузки для прогнозирования перегрузки из-за прогнозирования гораздо большего числа кластеров. Результаты исследования набора данных недоступны.Предложенный MLP имеет точность всего 63%. Google Map API использовался [6–8, 12] для извлечения данных из слоя трафика Google для прогнозирования трафика и расчета оптимального маршрута. Viral Kapoor et al. [13] работал локализованным и распределенным образом для построения в реальном времени неофициальных графов блокировок по дорожной сети и обнаружил сильные случайные связи заторов. Предположения этого документа включают то, что все сообщения, которыми обмениваются такси и RSU, абсолютно синхронны без каких-либо вариантов изменения порядка или потери сообщений.Точность не очень хорошая, и ансамблевые классификаторы не пробовали. Иньсян Лю и др. [14] предложили метод прогнозирования заторов на дорогах на основе случайного леса и получили точность 87,5%. Они использовали 1124 экземпляра и пять характеристик, таких как погода, время, праздник, особое состояние и качество дороги. Они оценили модель по индексу точности. Соотношение между прогнозируемым значением модели и его фактическим значением определяет показатель точности. Авторы не применяли несколько классификаторов, поскольку сравнение и статистический анализ набора данных недоступны.Б. Дхивья Бхарати и др. [15] предложили последовательную нестационарную модель для прогнозирования времени прибытия автобуса в условиях неоднородного движения. Они работали над набором данных временных рядов автобусов, содержащим в общей сложности 1231 поездку за 34 дня. Производительность измерялась как средняя абсолютная ошибка и средняя абсолютная ошибка в процентах. Авторы работали над линейной моделью, но не пробовали нелинейные модели. Николаос Сервос и др. [16] работали над мультимодальными перевозками с датчиками, оснащенными транспортируемыми товарами.Алгоритм способен обеспечить прогнозирование перегрузки с еще меньшим объемом данных. Они использовали SVR, Extra Trees и AdaBoost. SVR обещал лучшие результаты со средней абсолютной ошибкой 16.91h. Авторы не интегрировали несколько источников данных, а работали только с одним набором данных автобусной службы. Они не предсказали будущий маршрут. Ning Sun et al. [17] предложили модель для прогнозирования состояния дорожного движения на участках дороги на основе исторической информации о дорожном движении и информации о дорожном движении в реальном времени. Они решили проблему балансировки нагрузки, используя алгоритм TPPDP LB, который предложил путь с наименьшим временем прохождения для поддержания глобальной балансировки нагрузки.Они объединили количество параллельных запросов и прогнозируемую информацию для поддержания глобальной балансировки нагрузки. HuachunTan et al. [18] предложили метод пополнения динамического тензора для нахождения подходящего низкого ранга n динамической тензорной модели. Предлагаемое динамическое завершение тензора (DTC) активно использует многорежимные периодические города, такие как пространственная информация, еженедельная и ежедневная периодичность, а также хронологические отклонения потока трафика. Хунцзе Лю и др. [19, 20]. предложить модель прогнозирования на основе ИНС и LSTM и предложить временные характеристики для прогнозирования прибытия на станцию ​​на большие расстояния и пространственные характеристики для прогнозирования прибытия на станцию ​​на короткие расстояния.Haitao Xu et al. [20, 21] предложили динамические дорожные сети с помощью графика участков пути, зависящего от времени. Они предлагают прогноз времени прибытия автобуса на основе исторических траекторий GPS и GPS в реальном времени. Варианты распределения времени прохождения участков пути были визуализированы с помощью алгоритма кластеризации. Rafidah Md Noor et al. [22, 23] использовали SVR для прогнозирования времени прибытия автобуса. Атрибуты включают расстояние до дороги, час пик или непик, продолжительность поездки и погоду. Не было обнаружено, что данные о погоде играют существенную роль в модели прогнозирования.Xiqun (Michael) Chen et al. [24] представили подход к ансамблевому обучению в таких компаниях, как Taxi Hailing Service, Private Car Service, Express и Hitch. Характеристики набора данных: время поездки, продолжительность поездки, стоимость поездки, время в пути, надежность отправления и плата за время ожидания. Авторы использовали усиление деревьев ансамбля вместе с методами SVM, наивного байеса и логистической регрессии. Улучшение деревьев ансамбля показало лучшие результаты. Lijuan Liu et al. [25] предложили модель, которая представляет собой комбинацию контролируемых и неконтролируемых методов обучения.Они содержат три типа функций, таких как функции потока (поток пассажиров в реальном времени и предыдущий средний пассажиропоток и количество), временные функции (праздник, день недели и час дня) и функции сценария (входящие и исходящие билеты. и карты). По словам автора, модель разделена на три фазы. На первом этапе временные характеристики и особенности сценария передаются в составные автокодеры (SAE). Затем предварительно обученный SAE передается в контролируемую DNN в качестве входных данных с функциями потока в качестве выходных.На третьем этапе они выполняют прогноз пассажиропотока. Гибридный подход SAE-DNN дал многообещающие результаты. Jiaqiu Wang et al. [26] обобщили модель пространственно-временной нейронной сети с задержкой (STDNN), которая работает с автокорреляцией сети дорожного движения локально и динамически. Модель STDNN состоит из трех этапов, а именно: спецификация, обучение и внедрение. Первый этап включает настройку инициализированных параметров и построение структуры модели. Второй этап включает оптимизацию параметров, а третий этап включает прогноз времени прибытия.Они использовали набор данных, содержащий 1200 дорожных сообщений с интервалом в 5 минут. Информация о времени прибытия и отправления в качестве функции была получена от Transport for London (TfL). STDNN получил лучшие результаты по сравнению с моделями STARIMA, Naïve и ARIMA. Эндрю Мондшайн и др. [27] предложили пространственные отношения между загруженностью дорог и доступностью в региональном и субрегиональном масштабах. Авторы использовали набор данных, а именно: Ассоциацию правительств Южной Калифорнии (SCAG).Авторы определяют, как участие в деятельности колеблется между людьми и пространством в случае скопления. Они применили модели многомерной регрессии к набору данных. Транспортные потоки предсказуемы отдельно для пиковых значений после полудня / вечера в будние дни, вечера, утренние будни, полдень и выходные. Авторы использовали показатель плотности активности для измерения и картирования тенденций в области домашних хозяйств и транспортных заторов в космосе. Авигдор Гал и др. [28] предложили модель, сочетающую в себе теорию массового обслуживания и методы машинного обучения.Авторы определяют естественную сегментацию данных по промежуточным остановкам. Набор данных разделяется двумя способами: во-первых, он основан на обширном обучающем наборе и тестовом наборе, который состоит из односегментных поездок и, во-вторых, целых поездок с частичным обучающим набором и длинным тестовым набором. Теория массового обслуживания используется для сегментации и обнаружения выбросов. Автор проанализировал и предсказал загруженность дорог с помощью нескольких статистических моделей и моделей машинного обучения. Они спрогнозировали набор данных в нескольких временных интервалах и сравнили часы пик и часы непиковой нагрузки.они использовали SVM, MLP и RNN. В этом документе прогнозируется только скорость движения, но не прогнозируется расчетное время прибытия. Не учитывались дорожные условия, погода и особые события, которые играют важную роль в прогнозировании скорости. Автор не проводил сравнения разнородных наборов данных о скорости [29]. Автор одновременно работает над временными и пространственными зависимостями. Они рекомендуют инновационный метод прогнозирования трафика, который представляет собой комбинацию стробируемого рекуррентного блока (GRU) и сверточной сети графа (GCN) и модели, названной сверточной сетью временного графа (T-GCN). модель.Блокируемый повторяющийся блок используется для изучения динамических изменений трафика для определения временной зависимости, а GCN используется для устранения пространственной зависимости. T-GCN был применен к пространственно-временным данным трафика. В [30] авторы работают над оптимизацией функции ядра для захвата нестационарных характеристик краткосрочных данных скорости трафика. Автор использовал подход устранения шума вейвлетов для удаления шума и кратковременных нерегулярных вариаций из набора данных. Автор предлагает новую гибридную модель для прогнозирования краткосрочной скорости движения.Авторы работали над краткосрочными данными о скорости движения, но не над долгосрочными данными о скорости движения. Погода, дорожные условия, развороты и количество полос движения имеют прямое влияние на прогноз скорости, но они не рассматривались в этой статье [31]. Автор предложил модель многошагового прогнозирования, позволяющую разложить скорость на остаточную и периодическую части. Этот новый подход обеспечивает наилучшие результаты, когда горизонт прогнозирования превышает 30 минут. В [32] авторы выделяют факторы, влияющие на загруженность дорог.Они объединили атрибуты погоды с атрибутами трафика. Чтобы определить факторы, которые имеют прямое влияние на перегрузку трафика, сначала они создали полную регрессионную модель, затем очистили атрибуты и, наконец, применили остаточный анализ. Предложенный подход достиг 84,4%. Предложенный подход достиг 84,4%, что можно улучшить с помощью моделей древовидных семейств. Работа с разнородным набором данных, основанная на скорости и различных моделях машинного обучения, могла бы быть интересной [33].

Сбор данных и методология

Данные были собраны с помощью Google Map API.123 точки охватывают все основные дороги Исламабада, а также Марри-роуд, которая является главной дорогой, проходящей через город Равалпинди. Город Равалпинди — город-побратим Исламабада, и каждый день между двумя городами ходит огромное движение. Мы начали сбор данных вдоль линии метро, ​​которая охватывает Марри-роуд, стадион-роуд, 9-ю авеню и Джинна-авеню, но позже распространилась на всю дорожную сеть Исламабада. Есть почти миллион записей, которые охватывают активность трафика за ноябрь 2019 года, январь 2020 года и февраль 2020 года.Кроме того, существует несколько тысяч записей за июль 2019 года. Данные собирались через 6-8 минут в течение семи дней в неделю и в течение 24 часов. На рис. 1 изображена методология исследования. В дополнение к пространственному положению на карте, дате, времени, праздничным или рабочим дням, особые условия, например события и т. д. и входят ли в список функций. К факторам окружающей среды, влияющим на загруженность дорог, относятся погодные условия, различные периоды времени, особые дорожные условия и качество дороги.Извлеченные данные трафика проходят этап предварительной обработки, на котором выполняются такие задачи, как обработка, преобразование и интеграция данных. Затем выполняется разметка, чтобы сделать данные подходящими для алгоритмов контролируемого обучения. Наконец, модели применяются, и результаты получаются и обсуждаются.

Описание данных

В основном существует четыре типа открытых онлайн-источников данных, которые имеют дело с данными, связанными с трафиком:

  • Карты трафика, например Карты Google и официальные сайты управления дорожным движением и операций.
  • Социальные сети, такие как Twitter, Instagram и т. Д.
  • Местные события.
  • API погоды.

В дополнение к Google Map API мы извлекаем данные из открытого API погоды.

На рис.1 показано, что первый шаг, т.е. входные данные, состоит из погодных условий, периода времени, особых условий и праздников, а также данных ETA в качестве входных переменных модели для создания модели прогнозирования дорожного движения. Модуль извлечения функций используется для извлечения информации из вкладов в модуль ввода и создания гигантского набора данных.Модуль алгоритмов машинного обучения используется для применения различных алгоритмов машинного обучения, например Случайный лес и так далее. В модуле результатов мы проверяем точность алгоритмов машинного обучения.

Предварительная обработка

Фаза предварительной обработки состоит из следующих подэтапов:

Преобразование данных.

Преобразование данных позволяет преобразовать данные из заданного формата в определенный формат. Это включает в себя преобразование значений или нормализацию числовых значений для соответствия минимальным и максимальным значениям.Мы преобразовали местоположение в числовые значения.

Обработка данных.

В таблице 1 приведено описание атрибутов. Иногда упоминаемый как «изменение данных» — это процесс преобразования и построения графика данных из одной «необработанной» формы данных в другой формат. Это может включать дальнейшее изменение, визуализацию данных, агрегирование данных, обучение статистической модели, а также многие другие потенциальные применения. Мы преобразовали дни из строковых в числовые, например, с воскресенья на субботу (от 0 до 6).Дата определяется как день, месяц и год.

Кодирование категориальных признаков.

Часто характеристики задаются не как непрерывные значения, а как категориальные. Например, особое условие, Время и праздник имеют функции [«Да», «НЕТ»], [«Пик_часа», «non_peak_hour»] и [«Да», «НЕТ»]. Такие функции могут быть эффективно закодированы как целые числа, например, специальное условие [«Да», «НЕТ»] может быть выражено как [1, 0], в то время как Время [«Peak_hour», «non_peak_hour»] будет [1, 0] и праздник можно выразить как [1, 0].

Функция бинаризации.

Установка пороговых значений числовых функций для получения логических значений называется бинаризацией функций. мы преобразовали уровень состояния перегрузки в числовые значения с помощью label_binarize. Таким образом, мы обозначили метки перегрузки, например слегка перегруженный, ровный, засоренный, перегруженный и сильно перегруженный от 0 до 4.

Извлечение признаков

Уровень перегрузки, определяемый системной задержкой, может быть выражен с помощью индекса перегрузки (Cl), который представляет собой безразмерную величину, большую или равную нулю.Индекс загруженности, равный единице, означает, что фактическое время в пути в два раза превышает время в пути в свободном режиме. Он не зависит от геометрии пропускной способности дороги, длины маршрута и факторов контроля перекрестков, которые могут охватывать реальные преобразования между двумя участками. Индекс задается состоянием участка дороги и вычисляется из переменной FastestRouteTime по следующей формуле: Где,

t L = текущее время для участка дороги ;

т O = наименьшее время для участка дороги .

В таблице 2 перечислены различные диапазоны CI и соответствующие им метки от гладкого до блокировки. Поскольку разные сегменты дорожной сети имеют разное количество полос движения, плавность движения, интенсивность движения и т. Д., Они должны быть помечены отдельно на основе собственных расчетов индекса загруженности. Следующий алгоритм учитывает различные сегменты дороги, составляющие обсуждаемую дорожную сеть, вычисляет их индексы загруженности и соответственно применяет метки загруженности.

На рис. 2 показано распределение данных по меткам.Интересно отметить, что существует большое количество примеров с высокой степенью загруженности. Поскольку данные были собраны с дорог за 24 часа, поэтому на объем бесперебойного движения также влияют данные, полученные в ночные часы.

На рис. 3 показано статистическое описание набора данных. Мы вычислили среднее значение, медианное значение и стандартное отклонение для класса меток. Сегменты дороги имеют разную длину. Индекс заторов также помогает нормализовать дорожную активность на участках дороги разной длины.

Алгоритм 1 : нормализация сегментации CI

Segmentize Распределение записей ;

Отметить записи каждого сегмента ;

для каждого Сегмент S i до

т o = мин ( ET AinS i )

при i < len ( сегментов i ) до

Вычислить высоту 0.4pt

применить метку к записи, содержащей t i

возврат УСПЕХ;

Описательно-исследовательский анализ

На рис. 3 представлены среднее, медианное и стандартное отклонение всех пяти меток данных. Расстояние указывается в метрах, а единица времени — секунды. Индекс перегрузки (CI) — это производный атрибут, коэффициент, который используется для маркировки классов. CI также обеспечивает нормализованную перспективу заторов, поскольку участки дороги не совсем одинакового размера.На рис. 4 представлен индекс загруженности в зависимости от времени суток в будние дни. Разные рабочие дни, то есть с понедельника по четверг, показаны разными цветными линиями. Из рисунка 4 можно увидеть, что существует значительное отклонение индекса загруженности в разные часы дня. В утренний час пик (8: 00–9: 00) индекс загруженности составляет 0,6, что выше, чем в среднем в утренние часы. В часы пик (14: 00–15: 00) индекс загруженности составляет 1,2, что выше, чем в любое время дня. В вечерний час пик (примерно с 18:00 до 19:00) индекс загруженности равен 1.1. Поведение индекса перегрузки в различных временных интервалах имеет большое значение для разработки модели, и взятие среднего значения индекса перегрузки для каждого временного интервала может быть полезным при прогнозировании перегрузки на основе исторических данных. Временные интервалы с 8:00 до 9:00, с 14:00 до 15:00 и с 18:00 до 19:00 показывают высокую загруженность.

Из рис. 4 можно увидеть, что существует значительное отклонение индекса перегрузки в разные часы дня. Индекс загруженности в пятницу сильно отличается от разных будних дней.В пятницу, в утренний час пик (8: 00–9: 00), индекс загруженности составляет 0,5, что выше, чем в среднем в утренние часы. Пятничное движение отличается от других будних дней из-за пятничной молитвы, которая проводится в 14:00. В час пик (12: 00-13: 00) индекс загруженности составляет 0,7, что выше, чем в любое время суток. В вечерний час пик (примерно с 18:00 до 20:00) индекс загруженности составляет 1,0.

На рис. 5 показаны изменения индекса загруженности по выходным. Этот рисунок показывает, что поведение в выходные дни сильно отличается от будних дней.

На рис. 6 показано распределение трафика по разным дорогам. 7-я авеню работает без перебоев с 9:00 до 10:00, загружена с 10:00 до 17:00 и сильно загружена с 17:00 до 19:00. Дорога 9-й авеню загружена с 8 до 9 утра, с 14:00 до 15:00 и с 18 до 19 часов. Дорога IJP, которая обычно заполнена логистическими грузовиками, сильно загружена с 10:00 до 22:00. Jinnah Ave, который проходит через главный деловой район, загружен с 14:00 до 15:00 и с 18:00 до 19:00. Кашмирское шоссе, которое используется в основном офисными работниками, загружено с 17:00 до 19:00.

Выбор модели

На первом этапе, т.е. на входе, используются погодные условия, период времени, особые условия и праздничные дни в качестве входных переменных модели для построения модели прогнозирования дорожного движения. Модуль извлечения функций используется для извлечения информации из вкладов модуля ввода и создания огромного набора данных. Модуль алгоритмов машинного обучения используется для применения различных алгоритмов машинного обучения, например Случайный лес, усиление XG, повышение градиента, KNN SVM и так далее. Мы применили различные алгоритмы машинного обучения и настроили их соответствующие параметры для получения оптимальных результатов.Мы выяснили, что алгоритмы на основе дерева работают лучше, чем другие. Поэтому мы оптимизировали наши результаты для различных древовидных алгоритмов. Следующие алгоритмы на основе дерева решений дали многообещающие результаты:

Случайный лес

Случайные леса или леса случайных решений — это метод обучения ансамбля для классификации, регрессии и других задач, который работает путем построения множества деревьев решений во время обучения и вывода класса, который является режимом классов (классификация) или средним прогнозом (регрессия). ) отдельных деревьев.

Псевдокод алгоритма случайного леса имеет следующий вид:

  1. Случайным образом выберите отличительный атрибут «L» из общего числа «n» атрибутов.
  2. Где L меньше n.
  3. Среди отличительного атрибута «L» вычислите узел «m», используя самую точную точку разделения.
  4. Разделите узел на дочерние узлы, используя наилучшее разбиение.
  5. Повторяйте от 1 до 3 шагов, пока не будет достигнуто «l» количество узлов.
  6. Постройте лес, повторяя шаги с 1 по 4 для «k» количество раз, чтобы создать «k» деревьев.

XGBoost

При повышении деревья строятся последовательно, так что каждое последующее дерево стремится уменьшить ошибки предыдущих деревьев. Каждое дерево обновляет остаточные ошибки и учится у своих предшественников. Следовательно, дерево, которое развивается следующим в структуре, будет учиться у реорганизованной версии своих предшественников. XGBoost (eXtreme Gradient Boosting) — это расширенная реализация алгоритма повышения градиента. Это идеальное сочетание методов оптимизации программного и аппаратного обеспечения для получения превосходных результатов с использованием меньших вычислительных ресурсов в кратчайшие сроки.XGBoost используется для обработки отсутствующих значений и обеспечения регуляризации, чтобы избежать переобучения и смещения, а также обеспечивает встроенную перекрестную проверку.

Повышение градиента

Это особый случай повышения, когда ошибки минимизируются алгоритмом градиентного спуска. Он используется для минимизации ошибок в последовательной модели.

Результаты и обсуждения

Набор данных состоит из 9 атрибутов, названных День (день недели), Системное время (текущее время), Погода (погодные условия), Время (часы пик / непиковые часы), Праздник (да / нет), Особые условия (см. любое условие, которое может вызвать увеличение трафика e.грамм. аварии), начальное местоположение, конечное местоположение и имя Fastest_Route_Name. Он состоит из 1 целевой переменной с именем State (состояние перегруженности участка дороги, т. Е. Ровная, слегка загруженная, перегруженная, сильно загруженная или заблокированная). Набор данных состоит из 1048576 записей и девяти сегментов. Атрибуты дня и системного времени собираются непосредственно из системы. Информация о погоде собирается через API OpenWeatherMap, а время, выходные и особые условия собираются вручную от пользователя сервера через определенные интервалы.

Данные о трафике извлекаются из API Карт Google, с помощью которых Starting_Location, Destination_Location, Fastest_Route_Name и Fastest_Route_Time (временная переменная) формируются из ответа (JSON) API Карт Google из 123 точек сбора.

В таблице 3 показано, что древовидное семейство дает наиболее многообещающие результаты, а SVM не дает хороших результатов.

Используемая метрика оценки — это перекрестная проверка K-кратностей, которая делит данные на кратности, а затем обучает данные для всего минус 1 кратности и предсказывает для нетренированных кратностей и вычисляет ее оценку точности.Процесс повторяется до тех пор, пока каждая складка не будет оценена. Наконец, оценка точности для каждой складки усредняется в конце для расчета оценки перекрестной проверки. В этой реализации для оценки моделей используется 10 крат. Оценки нескольких алгоритмов с перекрестной проверкой отображаются в виде столбчатой ​​диаграммы.

На рис. 7 показано, что случайный лес дает наивысшую точность по сравнению с другими моделями древовидных семейств и классическими методами обучения с учителем. Точность различных алгоритмов показана ниже:

Мы также заметили, что погодные условия лишь незначительно влияют на точность алгоритмов.В Исламабаде нет такой суровой погоды, как снегопады. Воздействие погоды, вероятно, усилится, если будут использоваться более точные данные с метеостанций региона. На рис. 8 показано влияние погоды на точность используемых алгоритмов. Мы провели эксперименты с интеграцией источника данных о погоде с источником данных ETA. Благодаря интеграции источников данных о погоде результаты улучшаются, особенно результаты повышения градиента улучшаются с 76 процентов до 83 процентов, тогда как другие модели немного улучшили свою точность.«Случайный лес» может повысить точность с 91 до 92 процентов. Данные о погоде были получены из API OpenWeather, который обеспечивает прогнозирование по городу и не имеет высокого пространственного разрешения. Весьма вероятно, что если бы данные о погоде были получены с метеостанций, размещенных поблизости от дорог, результаты были бы намного лучше.

На рис. 9 показаны метки, распределенные по будням и выходным. Всего у нас 1048575 экземпляров, из которых 235284 экземпляра — выходные, а 813291 — будние дни.В выходные дни 121946 экземпляров относятся к классу плавности, 16880 экземпляров относятся к слегка перегруженным, 14662 — к перегруженным, 79580 — к сильно загруженным и 2216 относятся к примерам с блокировками. С другой стороны, 325419 относятся к плавным, 71504 слегка перегруженным, 69794 перегруженным, 325027 сильно перегруженным и 21547 относятся к классу блокировки в будние дни.

Мы провели эксперименты, чтобы сравнить выходные и будние дни. Результаты, представленные на рис. 10, показывают, что модели дают лучшую точность в выходные дни по сравнению с рабочими днями.Интересно отметить, что Исламабад, являющийся столицей Пакистана, привлекает много трафика через другие города, особенно в пятницу днем ​​и по воскресеньям, поскольку большое количество людей работают в Исламабаде.

Поскольку наш набор данных представляет собой дисбаланс, мы нарисовали кривые PR для анализа производительности. Кривые PR выходных данных для лучших алгоритмов подсчета очков показаны на рис. 11. В этой кривой PR класс 0 означает плавный, класс 1 означает слегка перегруженный, класс 2 означает перегруженный, класс 3 означает сильно перегруженный, а класс 4 означает блокировку.

Случайный лес дает лучшую точность, т.е. 92 процента среди многих классификаторов. В случае Random Forest кривая PR для классов, представляющих гладкость и засорение, почти идеальна, приближаясь к 1. Это указывает на исключительно высокую точность.

Подробная разбивка наиболее эффективного алгоритма Random Forest с точки зрения точности, отзыва, оценки F1 и поддержки приведена в таблице 4. KNN дает аналогичные результаты с точностью 91%. Общая производительность KNN практически идентична производительности Random Forest.XGBoost также дает хорошие результаты, но требует гораздо больше времени на обучение по сравнению с Random Forest.

Алгоритм

Gradient Boost в этом случае не очень хорош по сравнению с другими древовидными алгоритмами и может обеспечить точность только 83%. В случае Gradient Boost не имеет возможности динамически оптимизировать параметры производительности. XGBoost, который представляет собой расширенную версию Gradient Boost, с другой стороны, может самостоятельно динамически оптимизировать параметры производительности.

В таблице 5 показаны результаты XGBoost после настройки параметров. Гиперпараметр XGBoost включает цели, количество оценок, скорость обучения и максимальную глубину. XGBoost лучше всего работает с малым числом оценок n и малой глубиной. Функция потерь Binary: logistic, кажется, работает лучше, чем другие, в сочетании с максимальной глубиной 2, скоростью обучения 1 и n оценками 40. В таблице 6 перечислены результаты Gradient Boost после настройки параметров. Максимальная точность составляет 83 процента, что представляет собой комбинацию скорости обучения, равной 1, максимальной глубины 2 и максимальных характеристик 9.

На рис. 12 показана матрица ошибок наиболее эффективного алгоритма, то есть случайного леса. На этой диагонали рисунка показаны Истинно Положительные элементы. Класс 0, который представляет собой плавный трафик, показывает 0,95 истинно положительных элементов, тогда как класс 1, который представляет собой слегка перегруженный, имеет 0,86, класс 2, который отображает перегруженность, имеет 0,81, класс 3, который представляет собой перегруженный трафик, имеет 0,91, а класс 4, который означает заблокированный, имеет 0,95 истинных положительных элементов. Таким образом средства сглаживания и блокировки показывают высочайшую точность.Мы решили представить матрицу неточностей для наиболее эффективного алгоритма. Второй по эффективности алгоритм XGBoost дает аналогичные результаты.

В таблице 5 показано, как XG Boost динамически оптимизирует параметры. Asit использует подход «один против всех», мы видим, что maxdepth 2 дает наиболее многообещающие результаты. XG Boost содержит гиперпараметры, такие как цель, которая является функцией потерь, n оценок, скорость обучения и Maxdepth. В XG Boost, цель Binary: Logistic, n оценок = 40, скорость обучения 01, максимальная глубина 2 дает точность 91%.

В таблице 6 Gradient Boost содержит гиперпараметры, такие как скорость обучения, максимальная глубина и максимальные характеристики. Скорость обучения гиперпараметров Gradient Boost 01, максимальная глубина = 3 и максимальное количество функций = 9 обеспечивают точность 83%. Мы выбираем максимальную глубину 3, потому что набор данных содержит 9 функций, а поскольку скорость обучения означает размер шага, самый быстрый размер шага равен 1. В случае гиперпараметра максимальное количество функций равно девяти.

В таблице 7 KNN содержит два гиперпараметра, то есть n соседей и весов.Вес — это мера расстояния, которая используется для поиска ближайших соседей. В KNN комбинация гиперпараметров с n соседями = 05 и весами = равномерными обеспечивает точность 91%. Мы выбираем n соседей 5, потому что набор данных содержит 5 меток или классов.

Заключение

Получив набор данных из Google Maps API, в этом исследовании в качестве примера была проведена оценка загруженности дорог и прогнозирование города Исламабад. В этом документе в качестве индикатора оценки состояния дорожной сети используется индекс загруженности, основанный на расчетном времени прибытия, и, таким образом, состояние дорожного движения распределяется по пяти категориям — от плавности до блокировки.Мы интегрировали набор данных о трафике с набором данных о погоде и применили различные алгоритмы машинного обучения. Поскольку алгоритмы, основанные на дереве решений, дали наилучшие результаты, мы дополнительно специализируемся на этом классе алгоритмов. Мы выяснили, что Random Forest и XG Boost обеспечивают лучшие результаты. В будущем мы планируем объединить данные GPS от устройств слежения с данными о времени прибытия движения и изучить результаты.

Ссылки

  1. 1. Чан Н. Д., Шахин С. А. (2012).Райдшеринг в Северной Америке: прошлое, настоящее и будущее. Транспортные обзоры, 32 (1), 93–112.
  2. 2. Кандел А., Пармар В., ЛеДелл Э., Арора А. (2017). Глубокое обучение с h3O (2016).
  3. 3. Гренгс Дж., Левин Дж., Шен К., Шен К. (2010). Сравнение транспортной доступности между мегаполисами: определение мобильности и близости в Сан-Франциско и Вашингтоне. ОКРУГ КОЛУМБИЯ. Журнал планирования образования и исследований, 29 (4), 427–443.
  4. 4. Сладкий М.Н. (2014). Бегут ли фирмы от заторов на дорогах ?. Журнал транспортной географии, 35, 40–49.
  5. 5. Тален Э., Кощинский Я. (2013). Прогулочный район: обзор литературы. Международный журнал устойчивого землепользования и городского планирования, 1 (1).
  6. 6. Мишра С., Бхаттачарья Д., Гупта А. (2018). Адаптивный контроллер времени цикла светофора с использованием микроконтроллеров и данных краудсорсинга Google Apis для развивающихся стран.
  7. 7. Мишра С., Бхаттачарья Д., Гупта А. (2018). Архитектура адаптивного управления светофором и уведомлений при перегрузке с использованием API Карт Google. Данные, 3 (4), 67.
  8. 8. Ван Ф., Сюй Ю. (2011). Оценка матрицы времени в пути O – D с помощью Google Maps API: реализация, преимущества и последствия. Анналы ГИС, 17 (4), 199–209.
  9. 9. Рахман, М. М., Шуво, М. М., Забер, М. И., Али, А. А. (2018, март). Анализ структуры трафика на основе данных GPS: пример города Дакка. В 2018 году Международная конференция IEEE по электронике, вычислительной технике и коммуникационным технологиям (CONECCT) (стр.1-6). IEEE.
  10. 10. Чен, Ю. Ю., Львов, Ю., Ли, З., Ван, Ф. Ю. (2016, ноябрь). Модель долгосрочной краткосрочной памяти для прогнозирования загруженности дорог с открытыми онлайн-данными. В 2016 г. 19-я Международная конференция IEEE по интеллектуальным транспортным системам (ITSC) (стр. 132–137). IEEE.
  11. 11. Осман, М. С. Б., Кео, С. Л., Тан, Г. (2017, сентябрь). Эффективное планирование поездок и прогнозирование загруженности с помощью глубокого обучения. В 2017 г. на Международной конференции умных городов (ISC2) (стр.1-6). IEEE.
  12. 12. Соэ, Н.С., Тейн, Т.Л.Л. (сентябрь 2018 г.). Эффективный метод оптимальной системы маршрутов для транспортировки (Янгон). В 2018 году 18-й Международный симпозиум по связи и информационным технологиям (ISCIT) (стр. 327-332). IEEE.
  13. 13. Капур, В., Саксена, Д., Райчоудхури, В., Кумар, С. (2018, март). Построение и поддержка графа причинных перегрузок в реальном времени для интеллектуального управления трафиком. В 2018 году IEEE International Conference on Pervasive Computing and Communications Workshops (PerCom Workshops) (стр.770-775). IEEE.
  14. 14. Лю Ю., Ву Х. (2017, декабрь). Прогнозирование загруженности дорог на основе случайного леса. В 2017 году 10-й Международный симпозиум по вычислительному интеллекту и дизайну (ISCID) (Том 2, стр. 361-364). IEEE.
  15. 15. Дхивья Бхарати Б., Анил Кумар Б., Ачар А., Ванаджакши Л. (2020). Прогнозирование времени в пути на автобусе: подход логнормального авторегрессионного (AR) моделирования. Transportmetrica A: Transport Science, 16 (3), 807–839.
  16. 16.Сервос Н., Лю X., Тьюке М., Фрейтаг М. (2020). Прогнозирование времени в пути в мультимодальных грузовых перевозках с использованием алгоритмов машинного обучения. Логистика, 4 (1), 1.
  17. 17. Сунь Н., Ши Х., Хань Г., Ван Б., Шу Л. (2020). Алгоритмы динамического планирования пути с балансировкой нагрузки на основе прогнозирования данных для интеллектуальных транспортных систем. IEEE Access, 8, 15907–15922.
  18. 18. Тан Х., Ву Ю., Шен Б., Джин П. Дж., Ран Б. (2016). Краткосрочное прогнозирование трафика на основе завершения динамического тензора.IEEE Transactions по интеллектуальным транспортным системам, 17 (8), 2123–2133.
  19. 19. Лю Х., Сюй Х., Янь Ю., Цай З., Сунь Т., Ли В. (2020). Прогнозирование времени прибытия автобуса на основе LSTM и пространственно-временного вектора признаков. IEEE Access, 8, 11917–11929.
  20. 20. Сюй Х., Ин Дж. (2017). Прогнозирование времени прибытия автобуса с данными в реальном времени и историческими данными. Кластерные вычисления, 20 (4), 3099–3106.
  21. 21. Мин, В., Винтер, Л. (2015). Патент США № 9 177 473.Вашингтон, округ Колумбия: Бюро по патентам и товарным знакам США.
  22. 22. Нур Р. М., Йик Н. С., Коландаисами Р., Ахмеди И., Хоссейн М. А., Яу К. Л. А. и др. (2020). Прогнозируйте время прибытия с помощью алгоритма машинного обучения для продвижения использования городских интеллектуальных автобусов.
  23. 23. Борхан М. Н., Сямсунур Д., Мохд Ахир Н., Язид М., Разуханафи М., Исмаил А. и др. (2014). Прогнозирование использования общественного транспорта: пример из Путраджайи, Малайзия. Научный мировой журнал, 2014.
  24. 24. Чен X. М., Захири М., Чжан С. (2017). Понимание расщепляющего поведения сервисов поездок по требованию: подход к ансамблевому обучению. Транспортные исследования, часть C: Новые технологии, 76, 51–70.
  25. 25. Лю Л., Чен Р. С. (2017). Новая модель прогнозирования пассажиропотока с использованием методов глубокого обучения. Транспортные исследования, часть C: Новые технологии, 84, 74–91.
  26. 26. Ван Дж., Цапакис И., Чжун К. (2016). Модель нейронной сети с пространственно-временной задержкой для прогнозирования времени в пути.Инженерные приложения искусственного интеллекта, https://www.overleaf.com/project/5e0473203b158000012c130b 52. 145–160.
  27. 27. Мондшайн А., Тейлор Б. Д. (2017). Переоценена загруженность дорог? Изучение весьма изменчивого воздействия заторов на поездки и доступность. Журнал транспортной географии, 64, 65–76.
  28. 28. Гал А., Мандельбаум А., Шницлер Ф., Сендерович А., Вайдлих М. (2017). Прогнозирование времени в пути при регулярных перевозках с сегментами поездки.Информационные системы, 64, 266–280.
  29. 29. Ян X., Цзоу Ю., Тан Дж., Лян Дж., Иджаз М. (2020). Оценка краткосрочного прогнозирования скорости на автостраде на основе периодического анализа с использованием статистических моделей и моделей машинного обучения. Journal of Advanced Transportation, 2020.
  30. 30. Zhao L., Song Y., Zhang C., Liu Y., Wang P., Lin T. и др. (2019). T-gcn: сверточная сеть с временным графом для прогнозирования трафика. IEEE Transactions по интеллектуальным транспортным системам.
  31. 31. Ван Дж., Ши К. (2013). Гибридная модель краткосрочного прогнозирования скорости движения, основанная на хаос-вейвлет-анализе, поддерживающая векторную теорию машин. Транспортные исследования, часть C: Новые технологии, 27, 219–232. Транспортные системы.
  32. 32. Цзоу Ю., Хуа X., Чжан Ю., Ван Ю. (2015). Гибридные краткосрочные методы прогнозирования скорости на автостраде на основе периодического анализа. Канадский журнал гражданского строительства, 42 (8), 570–582.
  33. 33. Ли, Дж., Хонг, Б., Ли, К., Джанг, Ю. Дж. (2015, декабрь). Модель прогнозирования заторов на дорогах с использованием данных о погоде. В 2015 году Международная конференция IEEE по науке о данных и системам обработки данных (стр. 81-88). IEEE.

Данные о водителях UBER помогают отслеживать и потенциально уменьшать загруженность городского транспорта — ScienceDaily

Новый алгоритм машинного обучения готов помочь аналитикам в области городского транспорта устранять узкие места и узкие места, которые обычно мешают городскому движению.

Инструмент под названием TranSEC был разработан в Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США, чтобы помочь инженерам городского транспорта получить доступ к действенной информации о схемах движения в их городах.

В настоящее время общедоступная информация о дорожном движении на уровне улиц является скудной и неполной. Инженеры по дорожному движению обычно полагались на отдельные подсчеты трафика, статистику столкновений и данные о скорости для определения состояния дороги. Новый инструмент использует наборы данных о дорожном движении, собранные от водителей UBER, и другие общедоступные данные датчиков дорожного движения для отображения потоков уличного трафика с течением времени.Он создает общую картину городского движения с использованием инструментов машинного обучения и вычислительных ресурсов, имеющихся в национальной лаборатории.

«Что здесь нового, так это оценка уровня улиц в большом мегаполисе, — сказал Ариф Хан, специалист по информатике из PNNL, который участвовал в разработке TranSEC. «И в отличие от других моделей, которые работают только в одном конкретном районе метро, ​​наш инструмент является портативным и может применяться в любом городском районе, где доступны агрегированные данные о трафике».

UBER-fast анализ трафика

TranSEC (что означает возможность оценки состояния транспорта) отличается от других методов мониторинга трафика своей способностью анализировать разреженную и неполную информацию.Он использует машинное обучение для соединения сегментов с недостающими данными, что позволяет делать оценки уровня улиц почти в реальном времени.

Напротив, функции карты на наших смартфонах могут помочь нам оптимизировать наше путешествие по городскому ландшафту, указывая узкие места и предлагая альтернативные маршруты. Но инструменты для смартфонов работают только с отдельным водителем, пытающимся добраться из пункта А в пункт Б. Инженеры городского движения озабочены тем, как помочь всем транспортным средствам эффективно добраться до места назначения.Иногда маршрут, который кажется эффективным для отдельного водителя, приводит к тому, что слишком много транспортных средств пытаются выехать на дорогу, которая не предназначена для обработки такого объема движения.

Используя общедоступные данные со всей столичной зоны Лос-Анджелеса площадью 1500 квадратных миль, команда сократила время, необходимое для создания модели загруженности дорог, на порядок, с часов до минут. Ускорение, достигаемое за счет высокопроизводительных вычислительных ресурсов в PNNL, делает возможным анализ трафика в режиме, близком к реальному времени.Исследовательская группа недавно представила этот анализ на виртуальном семинаре по городским вычислениям в августе 2020 года в рамках конференции по обнаружению знаний и интеллектуальному анализу данных (SIGKDD), а в сентябре 2020 года они запросили мнение инженеров по дорожному движению на виртуальной встрече на TranSEC.

«TranSEC может инициировать смену парадигмы в том, как специалисты по дорожному движению отслеживают и прогнозируют производительность мобильности системы», — сказал Марк Франц, участник встречи и инженер-исследователь Центра передовых транспортных технологий Университета Мэриленда, Колледж-Парк.«TranSEC преодолевает пробелы, присущие устаревшим методам сбора данных, и обладает огромным потенциалом».

Машинное обучение со временем повышает точность

Функция машинного обучения TranSEC означает, что по мере сбора и обработки большего количества данных они со временем становятся более точными и полезными. Этот вид анализа используется для понимания того, как нарушения распространяются по сети. При наличии достаточного количества данных элемент машинного обучения сможет прогнозировать воздействия, чтобы инженеры по дорожному движению могли создавать корректирующие стратегии.

«Мы используем модель на основе графов вместе с новыми методами выборки и механизмами оптимизации, чтобы узнать как время в пути, так и маршруты», — сказал Арун Сатанур, ученый-компьютерщик PNNL и ведущий исследователь в команде. «Этот метод имеет значительный потенциал для распространения на другие виды транспорта, такие как транзитные и грузовые перевозки. В качестве аналитического инструмента он способен исследовать распространение условий движения».

Благодаря подходу PNNL, основанному на данных, пользователи могут загружать данные в реальном времени и регулярно обновлять TranSEC в центре управления транспортировкой.Инженеры могут использовать краткосрочные прогнозы для поддержки принятия решений для управления проблемами трафика. Подход PNNL также можно расширять, чтобы включить в него данные о погоде или другие данные, влияющие на дорожные условия.

Вычислительная мощность планировщиков перевозок по всей стране

Подобно тому, как ситуационная осведомленность об условиях влияет на решения отдельных водителей, подход TranSEC обеспечивает ситуационную осведомленность на общесистемной основе, чтобы помочь уменьшить заторы на городском транспорте.

«Транспортные инженеры по всей стране не имели инструмента, чтобы дать им оценку состояния транспортной сети в реальном времени», — сказал Роберт Ралло, специалист по информатике PNNL и главный исследователь проекта TranSEC.«Возможность предсказать условия на час или более вперед была бы очень ценной, чтобы знать, где будут заторы».

Хотя для запуска полномасштабной модели города по-прежнему требуются высокопроизводительные вычислительные ресурсы, TranSEC масштабируется. Например, дорожная сеть, состоящая только из основных автомагистралей и магистралей, может быть смоделирована на мощном настольном компьютере.

«Мы работаем над тем, чтобы сделать TranSEC доступным для муниципалитетов по всей стране», — сказала Кэтрин Вольф, менеджер проекта TranSEC.

В конце концов, после доработки, TranSEC может быть использован для программирования маршрутов автономных транспортных средств, по мнению исследовательской группы.

Видео: https://www.youtube.com/watch?v=8S4bLv9CtOo

Проект поддержан Управлением по энергоэффективности и возобновляемым источникам энергии, Управлением автомобильных технологий Министерства энергетики США, программой Energy Efficient Mobility Systems Program.

Как искусственный интеллект и машинное обучение используются для уменьшения пробок на дорогах

Бостонцы в 2018 году провели в среднем 164 часа, сидя в своих транспортных средствах, медленно двигаясь в никуда, потеряв за эту привилегию 2291 доллар личной ценности.В ответ планировщики теперь используют ИИ и машинное обучение.

Трафик — это не просто плохо. На самом деле становится хуже.

Как вы думаете, там, где вы живете, плохое движение? Попробуйте переехать в Бостон, где пассажиры пригородных поездов страдают от самых сильных заторов на автомагистралях в стране. Жители города Новой Англии в прошлом году проводили в среднем 164 часа, сидя в своих машинах, медленно двигаясь в никуда, потеряв за эту привилегию целых 2291 доллар личной ценности.

И это ничто по сравнению с городом, который оказался проклятым из-за наихудших заторов на автомагистралях на планете.Известно, что в прошлом году москвичи теряли в пробках в среднем 210 часов каждый год.

Это данные компании INRIX, предоставляющей услуги по подключению автомобилей, из Киркленда, штат Вашингтон, и ее годовой карты Global Traffic Scorecard. Он основан на исследовании тенденций загруженности и мобильности более чем в 200 городах в 38 странах. Здесь, в Америке, исследование показало, что в прошлом году пассажиры по всей стране в среднем тратили 97 часов в пробках, что в среднем обходилось в 1348 долларов на одного автомобилиста. Это приводит к ошеломляющим потерям 87 миллиардов долларов по всей стране из-за заторов на дорогах.

В ответ планировщики теперь используют искусственный интеллект (AI) и машинное обучение (ML) для уменьшения загруженности дорог.

Пока не существует единого решения, способного решить проблемы мирового трафика. В каждом городе есть обширный и уникальный набор проблем, которые в совокупности создают заторы и тупик. Чтобы их исправить с помощью ИИ и машинного обучения, требуются целевые решения.

Сегодня

Cities изучает облачные платформы на базе искусственного интеллекта и машинного обучения, которые беспрепятственно соединяют поставщиков мобильных услуг, транспортные средства, водителей и путешественников, чтобы оптимизировать работу автопарка.

Думайте об этих платформах как о диспетчерской вышке для флотов.

Эти платформы позволяют поставщикам услуг мобильной связи предоставлять транспортные услуги, предоставляя большой набор функций планирования, контроля, оркестрации, прогнозирования и бизнес-аналитики для парков гибридных автомобилей.

Это мероприятие потребует надзора со стороны самих городов и муниципалитетов, которые будут использовать сторонние платформы для управления всей системой, а не контролировать ее со стороны частных поставщиков, таких как современные бренды услуг по вызову пассажиров.

Другие решения ориентированы на конкретные проблемы, но все же имеют потенциал для немедленного воздействия. Возьмем, к примеру, непредсказуемые разводные мосты Майами. Подсчитано, что пассажиры останавливаются от 10 до 20 минут, если им посчастливилось застрять в ожидании открытия и сброса одной из них.

Во всем мире появляются решения некоторых из самых серьезных проблем с дорожным движением сегодня. И хотя многие люди сами сосредоточились на технологиях беспилотных транспортных средств, именно платформа на базе искусственного интеллекта и машинного обучения вдохновляет на революцию в транспортных системах.

Эти платформы используются для управления самоуправляемыми, управляемыми людьми, общественными и частными транспортными средствами в связанной системе автопарков. Гениальность системы заключается в способности не только программировать определенные транспортные средства по определенным маршрутам, но и обеспечивать координацию транспортных средств, чтобы они могли работать вместе как единый парк. Эти платформы служат проводником или диспетчерской вышкой для каждого транспортного средства.

В этой связи платформа на базе искусственного интеллекта и машинного обучения позволяет операторам транспортных средств планировать, развертывать и управлять услугами с использованием любого типа или марки транспортного средства.Такое сочетание автопарков позволяет поставщикам услуг мобильности предлагать услуги, которые нужны путешественникам, такие как вызов такси, роботакси, микротранзит и автономные шаттлы — все, чтобы люди могли добраться из пункта A в пункт B наиболее эффективным способом.

Этот способ передвижения выгоден всем водителям. Например, компании общественного транспорта будут использовать платформу в сочетании с автопарком автономных транспортных средств и транспортных средств, управляемых людьми, для предоставления услуг на первой и последней миле железнодорожным и автобусным станциям, чтобы сделать повседневный общественный транспорт более удобным.Частные сервисы такси также будут использовать платформу для предложения своих услуг, а услуги автономного шаттла будут перемещать людей по большим запланированным общинам.

В дополнение к использованию технологий искусственного интеллекта и машинного обучения для питания платформы, чтобы она постоянно улучшала свой интеллект и точность, платформа не зависит от транспортных средств, так что она поддерживает как управляемые человеком транспортные средства, так и автономные транспортные средства, которые будут все чаще использоваться. в будущем.

Когда все эти технологии объединятся на одной платформе, города и прилегающие городские районы смогут пользоваться общими услугами по запросу в условиях, которые не только более удобны, чем личное вождение, но и уменьшат заторы на дорогах в этих районах.

Рафаэль Гиндрат — соучредитель Bestmile. В качестве генерального директора он является исполнительным руководителем деловых и технических групп компании. Он является пионером в мире автономной мобильности, возглавляя проект со Швейцарским федеральным технологическим институтом (EPFL) в Лозанне с соучредителем Анн Меллано по тестированию и эксплуатации некоторых из первых проектов автономных транспортных средств в Европе, после чего организаторы автономной мобильности проекты со всего мира запросили их опыт в определении и управлении испытаниями автономной мобильности.Он активен во многих глобальных отраслевых организациях, включая Tech Pioneers Всемирного экономического форума.

Как ИИ помогает прогнозировать трафик и определять маршруты

Ежедневно с помощью Карт Google проезжается более 1 миллиарда километров в более чем 220 странах и территориях по всему миру. Когда вы садитесь в машину или мотоцикл и начинаете движение, вам сразу же показывают несколько вещей: куда ехать, интенсивность или легкость движения по вашему маршруту, расчетное время в пути и расчетное время прибытия. (ETA).Хотя все это кажется простым, за кулисами творится масса вещей, которые доставляют эту информацию за считанные секунды.

Сегодня мы разберем одну из наших любимых тем: трафик и маршрутизацию. Если вы когда-нибудь задумывались, как Google Карты узнают о больших пробках или как мы определяем лучший маршрут для поездки, читайте дальше.

Живой трафик, управляемый водителями по всему миру

Когда люди перемещаются с помощью Google Maps, совокупные данные о местоположении могут использоваться для понимания условий дорожного движения на дорогах по всему миру.Но хотя эта информация помогает вам найти текущую оценку загруженности — повлияет ли пробка на ваш диск прямо сейчас — она ​​не учитывает, какой трафик будет выглядеть через 10, 20 или даже 50 минут вашего путешествия. . Именно здесь в игру вступают технологии.

Прогнозирование трафика с помощью передовых методов машинного обучения и немного истории

Чтобы предсказать, как будет выглядеть трафик в ближайшем будущем, Карты Google анализируют исторические модели движения на дорогах с течением времени.Например, один образец может показать, что по шоссе 280 в Северной Калифорнии автомобили обычно движутся со скоростью 65 миль в час с 6 до 7 утра, но только со скоростью 15-20 миль в час ближе к вечеру. Затем мы объединяем эту базу данных исторических моделей трафика с условиями движения в реальном времени, используя машинное обучение для создания прогнозов на основе обоих наборов данных.

Недавно мы стали партнерами DeepMind, исследовательской лаборатории Alphabet AI, чтобы повысить точность наших возможностей прогнозирования трафика.Наши прогнозы ETA уже имеют очень высокую планку точности — фактически, мы видим, что наши прогнозы неизменно оказывались точными для более чем 97% поездок. Благодаря партнерству с DeepMind мы смогли еще больше сократить процент неточных расчетов времени прибытия, используя архитектуру машинного обучения, известную как графические нейронные сети, со значительными улучшениями в таких местах, как Берлин, Джакарта, Сан-Паулу, Сидней, Токио и Вашингтон. DC Этот метод позволяет Google Maps лучше предсказать, повлияет ли на вас замедление, которое, возможно, еще не началось !

Сохранять свежесть

На протяжении большей части 13 лет, в течение которых Карты Google предоставляли данные о дорожном движении, исторические модели дорожного движения были надежными индикаторами того, как могут выглядеть ваши дорожные условия, но это не всегда так.С начала пандемии COVID-19 характер дорожного движения во всем мире резко изменился. Когда в начале 2020 года начались блокировки, мы увидели сокращение мирового трафика до 50 процентов. С тех пор некоторые части мира открылись постепенно, в то время как другие сохраняют ограничения. Чтобы учесть это внезапное изменение, мы недавно обновили наши модели, чтобы они стали более гибкими, автоматически устанавливая приоритеты в исторических моделях трафика за последние две-четыре недели и снижая приоритеты для моделей за любой период до этого.

Как Google Maps выбирает маршруты

Наши прогнозные модели трафика также являются ключевой частью того, как Google Maps определяет маршруты движения. Если мы прогнозируем, что трафик может увеличиться в одном направлении, мы автоматически найдем вам альтернативу с меньшим трафиком. Мы также учитываем ряд других факторов, например качество дороги. Дорога заасфальтирована или немощена, покрыта гравием, грязью или грязью? Такие элементы могут затруднить движение по дороге, и мы с меньшей вероятностью будем рекомендовать эту дорогу как часть вашего маршрута.Мы также смотрим на размер и прямолинейность дороги — движение по шоссе часто более эффективно, чем движение по меньшей дороге с несколькими остановками.

Два других источника информации важны для того, чтобы убедиться, что мы рекомендуем лучшие маршруты: авторитетные данные от местных органов власти и отзывы пользователей в режиме реального времени. Авторитетные данные позволяют Google Maps знать об ограничениях скорости, платных дорогах или о том, что определенные дороги ограничены из-за таких вещей, как строительство или COVID-19. А отчеты об инцидентах от водителей позволяют Google Картам быстро определять, закрыта ли дорога или полоса, есть ли поблизости строительные работы, а также есть ли на дороге вышедший из строя автомобиль или какой-либо объект.Оба источника также используются, чтобы помочь нам понять, когда дорожные условия неожиданно меняются из-за селей, метелей или других природных сил.

Собираем все вместе

Итак, как именно все это работает в реальной жизни? Предположим, вы едете на прием к врачу через город и едете по дороге, по которой обычно добираетесь туда. Когда вы выходите из дома, движение идет свободно, без каких-либо признаков сбоев в пути.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *