Chcą Państwo dowiedzieć się, jak „sztuczna inteligencja przewiduje korki w godzinach szczytu”? Zagłębmy się w ten artykuł razem z INVIAI, aby znaleźć odpowiedź!

W zatłoczonych miastach autostrady i ulice często zamieniają się w parkingi w godzinach szczytu – to frustrujący i kosztowny problem. Badania szacują, że zatory komunikacyjne kosztują wiele gospodarek około 2% PKB. W Stanach Zjednoczonych na przykład przeciętny kierowca traci rocznie około 43 godzin stojąc w korkach.

Ten zmarnowany czas oznacza także miliardy dolarów utraconej produktywności, dodatkowe zużycie paliwa oraz większe zanieczyszczenie i stres dla zdrowia ludzi.

Aby temu przeciwdziałać, planiści transportu sięgają po sztuczną inteligencję. Poprzez prognozowanie, gdzie i kiedy pojawią się korki, systemy SI dążą do wygładzenia ruchu zanim dojdzie do spowolnienia.

Nowoczesne prognozy ruchu oparte na SI korzystają z big data. Zbierają ogromne ilości informacji o drogach: liczbę pojazdów i prędkości z czujników i kamer, ślady GPS ze smartfonów i pojazdów, a także czynniki zewnętrzne, takie jak pogoda czy wydarzenia specjalne.

Na przykład kamery drogowe i urządzenia GPS dostarczają dane na żywo, które SI analizuje wraz z historycznymi wzorcami tych samych dróg.

Dzięki temu model „wie”, że odcinek autostrady zwykle zwalnia w poranne dni robocze lub że koncert w centrum miasta spowoduje wzrost natężenia ruchu na określonych ulicach. W praktyce systemy takie jak Google Maps łączą aktualne odczyty ruchu z wieloletnimi trendami, aby przewidzieć warunki na 10–50 minut do przodu.

W efekcie SI pyta: „Biorąc pod uwagę to, co dzieje się teraz i co zwykle dzieje się o tej porze, jak będzie wyglądał ruch w najbliższej przyszłości?”

Kluczowe źródła danych dla modeli ruchu opartego na SI to:

• Dane historyczne o ruchu: prędkości i natężenia na każdej drodze w podziale na godziny dnia i dni tygodnia.
• Dane na żywo: aktualne liczniki pojazdów i prędkości z czujników drogowych, kamer i urządzeń GPS.
• Informacje zewnętrzne: raporty pogodowe, alerty o wypadkach lub robotach drogowych oraz harmonogramy wydarzeń specjalnych.
• Algorytmy uczenia maszynowego: modele (np. sieci neuronowe), które uczą się złożonych wzorców na podstawie wszystkich powyższych danych.

Modele SI przetwarzają te dane za pomocą zaawansowanych technik. Tradycyjne metody statystyczne mają trudności z ogromną skalą i zmiennością ruchu miejskiego, dlatego badacze coraz częściej stosują głębokie uczenie.

Na przykład rekurencyjne sieci neuronowe (RNN) lub sieci konwolucyjne potrafią uchwycić zmiany ruchu w czasie, a grafowe sieci neuronowe (GNN) wykorzystują strukturę sieci drogowej.

W systemie Google pobliskie odcinki dróg są grupowane w „supersegmenty”, a GNN jest trenowana na danych o ruchu, aby przewidzieć czasy przejazdu dla każdego z nich. Przewidywane czasy przejazdu (ETA) są następnie wykorzystywane do oceny możliwych tras. Poniższy diagram ilustruje ten proces:

Proces prognozowania ruchu Google: zanonimizowane dane o trasach i prędkościach są grupowane w supersegmenty, przetwarzane przez Grafową Sieć Neuronową w celu przewidzenia czasów przejazdu, a następnie wykorzystywane do oceny tras według ETA.

Zastosowania w praktyce

Prognozowanie ruchu oparte na SI jest już wykorzystywane przez firmy technologiczne i miasta na całym świecie. Na przykład Google Maps integruje dane użytkowników na żywo oraz modele SI, aby przewidywać korki.

„Pamięta”, że dana autostrada zwykle zwalnia między 6 a 7 rano, a następnie łączy tę wiedzę z aktualnymi prędkościami, aby przewidzieć przyszłe warunki.

Laboratorium SI Google, DeepMind, informuje, że ulepszone modele ML (z wykorzystaniem GNN) zwiększyły dokładność ETA nawet o 50% w miastach takich jak Taichung i Sydney. Po tej aktualizacji ponad 97% prognozowanych czasów przejazdu było bardzo precyzyjnych.

Innymi słowy, jeśli SI przewiduje, że trasa zajmie 30 minut, to niemal zawsze jest to prawda.

Podobne rozwiązania stosują inne platformy komercyjne. Firma analityczna ruchu INRIX twierdzi, że jej SI potrafi „przewidywać prędkości ruchu w czasie rzeczywistym na wszystkich drogach” dzięki analizie dziesięcioleci danych.

Inrix wykorzystuje postępy w SI i chmurze obliczeniowej, aby objąć zasięgiem nawet mniejsze ulice, które tradycyjne czujniki pomijają.

Aplikacje nawigacyjne takie jak Waze (Google) i Apple Maps również korzystają z danych GPS zbieranych od użytkowników oraz SI, aby ostrzegać kierowców o nadchodzących spowolnieniach, czasem sugerując alternatywne trasy zanim powstanie korek.

Miasta i agencje transportowe również wdrażają SI. W Bellevue w stanie Waszyngton kamery na 40 skrzyżowaniach przesyłają na żywo obraz do SI, która w czasie rzeczywistym wykrywa miejsca największych zatorów.

W Danii systemy miejskie wykorzystują SI do analizy natężenia ruchu i automatycznej regulacji sygnalizacji świetlnej (zielone światła) w zależności od aktualnego przepływu.

Nawet klasyczne sygnalizatory stają się inteligentniejsze: Pittsburgh i Los Angeles mają teraz sygnalizację adaptacyjną opartą na SI, która dostosowuje się na bieżąco, skracając czas postoju i utrzymując płynność ruchu. Na całym świecie prowadzone są też projekty badawcze.

Współpraca europejsko-japońska testuje system głębokiego uczenia o nazwie TRALICO, który zarówno prognozuje korki, jak i steruje światłami w Stambule.

Wszystkie te wdrożenia mają na celu przewidywanie zatorów z wyprzedzeniem, aby planiści mogli działać zanim pojawią się korki.

Korzyści dla kierowców i miast

Korzyści z dokładnych prognoz ruchu są ogromne. Dla indywidualnych dojeżdżających SI oznacza bardziej pewne czasy przejazdu i mniej zmarnowanego czasu w korkach.

Aplikacje mogą ostrzec przed wyjazdem, jeśli droga wkrótce się zakorkuje, lub skierować na alternatywne trasy, aby uniknąć spowolnień.

Badania sugerują, że może to zaoszczędzić kierowcom godziny tygodniowo. Wskazówki SI zmniejszają też zużycie paliwa – brak postoju na światłach czy powolnej jazdy oznacza mniejsze spalanie.

W rzeczywistości jeden z projektów Google AI odnotował zmniejszenie liczby zatrzymań pojazdów o 30% i emisji paliw o 10% na zatłoczonych skrzyżowaniach.

Na poziomie miasta płynniejszy ruch przekłada się na mniejsze zanieczyszczenie i korzyści ekonomiczne. Mniej czasu w korkach to wyższa produktywność, mniejszy stres związany z dojazdami i czystsze powietrze.

Krótko mówiąc, prognozy oparte na SI pomagają ludziom podejmować lepsze decyzje dotyczące tras i wspierają miasta w projektowaniu bardziej efektywnych sieci drogowych.

Wyzwania i perspektywy na przyszłość

Budowa prognoz ruchu opartych na SI nie jest pozbawiona wyzwań. Pozyskanie i przetwarzanie tak dużej ilości danych może być kosztowne – miasta mogą potrzebować inwestycji w czujniki, kamery i infrastrukturę obliczeniową.

Integracja SI z istniejącymi systemami ruchu jest skomplikowana, a personel musi zostać przeszkolony w obsłudze nowych narzędzi.

Istnieją też obawy dotyczące prywatności danych i uprzedzeń. Ogromne zbiory danych lokalizacyjnych muszą być bezpiecznie przechowywane, a modele mogą się mylić, jeśli ich dane treningowe mają luki (np. niewielka ilość danych o drogach wiejskich to znany problem).

Kwestie cyberbezpieczeństwa również są istotne: połączone systemy ruchu mogą być celem ataków hakerskich, dlatego potrzebne są solidne zabezpieczenia.

Mimo tych wyzwań eksperci są optymistyczni. SI w zarządzaniu ruchem jest jeszcze na wczesnym etapie rozwoju, z dużym potencjałem wzrostu. Badacze widzą jasne kierunki rozwoju – takie jak tworzenie modeli adaptujących się w czasie rzeczywistym do nagłych zdarzeń (np. zakończenie meczu sportowego) oraz rozszerzanie rozwiązań na obszary wiejskie.

Nowatorskim pomysłem jest wykorzystanie dużych modeli językowych (jak te stojące za ChatGPT) do dodawania kontekstu do prognoz. Na przykład nowa metoda pozwala SI „rozumieć” pisemne informacje o zamknięciach dróg czy wydarzeniach i uwzględniać je w prognozie.

W niedalekiej przyszłości systemy SI mogą integrować raporty o ruchu z mediów społecznościowych lub transmisji na żywo, czyniąc prognozy jeszcze bardziej precyzyjnymi.

>>> Kliknij, aby dowiedzieć się jak: Sztuczna inteligencja optymalizuje trasy autobusów, skracając czas oczekiwania 

Podsumowując, sztuczna inteligencja zmienia sposób, w jaki radzimy sobie z korkami w godzinach szczytu. Ucząc się na podstawie ogromnych historycznych trendów i aktualnych warunków drogowych, systemy SI potrafią zajrzeć za róg i oszacować, gdzie pojawią się zatory.

Daje to kierowcom i miastom cenny czas na reakcję: dostosowanie sygnalizacji, przekierowanie pojazdów czy zmianę harmonogramów zanim powstaną zatory.

Dzięki dalszym postępom i starannemu wdrożeniu prognozowanie ruchu oparte na SI obiecuje uczynić nasze dojazdy krótszymi, czystszymi i mniej stresującymi.