Forgalmi predikció optimalizálása klaszterezés használatával
A forgalomban részt vevő járművek száma évről évre növekszik, emiatt a forgalmi torlódások egyre nagyobb problémát jelentenek. A forgalmi torlódásoknak gazdasági és egészségügyi hatásai is lehetnek, hiszen minél több időt tölt egy jármű a forgalomban, annál több üzemanyagot fogyaszt és annál több káros anyagot bocsát ki.
Modern IoT szenzorokat manapság mind az infrastruktúrában, mind magukban a járművekben is alkalmaznak. Ezen szenzorok fejlődése tette lehetővé nagy mennyiségű és pontos adatok gyűjtését a forgalom állapotáról. A kooperatív intelligens közlekedési rendszerek (C-ITS) a forgalmi adatokat felhasználhatják [1] olyan módon, hogy segítségükkel gépi tanuláson alapuló modellek taníthatóak, amelyek képesek felismerni és megjósolni forgalmi anomáliák és torlódás jelenlétét [2].
A klaszterezés egy felügyelet nélküli gépi tanulási módszer, amely az adatpontokat adott számú különböző csoportba, úgynevezett klaszterbe sorolja, a paramétereik közötti korrelációi alapján. Nagyobb közlekedési hálózatok számos különböző típusú és viselkedésű útszakaszokból állhatnak. Az egymáshoz hasonló útszakaszokat közös klaszterekbe sorolva számítási kapacitást spórolhatunk meg, mivel a gépi tanulási modellt így elegendő a klaszterek alapján betanítani az egyes útszakaszok helyett. Ez a módszer a torzítás kiküszöbölését is segíti meghatározott úttípusok forgalmi paramétereinek előrejelzése során. A munkánk célja forgalmi paraméterek gépi tanulással történő előrejelzése klaszterezés használatával a számítási kapacitás csökkentése érdekében. Olyan megoldást fejlesztettünk ki, amely segítségével a hasonlóan viselkedő útszakaszok összevonhatóak és ezáltal ugyanazon predikciós modellel jelezhetőek előre a forgalmi viszonyaik, optimalizálva ezáltal a számítási erőforrásokat, illetve képessé téve a megoldást valós idejű alkalmazásra is. A klasztering megoldás teljesítményét validáltuk kétféle predikciós modellel is.
Hivatkozások:
[1] N. Bereczki and V. Simon, “Machine Learning Use-Cases in C-ITS Applications,” Infocommunications journal, vol. 15, pp. 26-43, January 2023.
[2] M. Shaygan, C. Meese, W. Li, X. Zhao and M. Nejad, “Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities,” Transportation Research Part C: Emerging Technologies, vol. 145, p. 103921, 2022.
szerzők
-
Regőczi Péter
Villamosmérnöki szak, alapképzés
alapképzés (BA/BSc) -
Berényi Henrik
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulensek
-
Dr. Simon Vilmos
docens, Hálózati Rendszerek és Szolgáltatások Tanszék -
Bereczki Norman
Doktorandusz, Hálózati Rendszerek és Szolgáltatások Tanszék