bóng đá tỷ lệ07 tháng 8 năm 2023

Tổng quan
Tắc nghẽn giao bóng đá tỷ lệ không chỉ gây căng thẳng hàng ngày mà còn gây thiệt hại khoảng 10 nghìn tỷ yên mỗi năm ở Nhật Bản và góp phần phát thải khí nhà kính, khiến vấn đề này trở thành một vấn đề nghiêm trọng. Là một công nghệ để giải quyết vấn đề này, AI có thể dự đoán thời điểm và địa điểm xảy ra tắc nghẽn giao bóng đá tỷ lệ đang thu hút sự chú ý trên toàn thế giới. Trợ lý Giáo sư Koh Takeuchi và Giáo sư Hisashi Kashima của Trường Cao học Tin học tại Đại học Kyoto, cùng với Sumitomo Electric System Solutions Co., Ltd., đã phát triển một công nghệ AI không gian thời gian mới có tên là "QTNN" (Mạng lưới thần kinh dựa trên lý thuyết xếp hàng), dự đoán vị trí và độ dài của hàng đợi khi tắc nghẽn giao bóng đá tỷ lệ sắp tới.

Tính năng quan trọng nhất của QTNN là khả năng tìm hiểu mối quan hệ giữa những thay đổi về tắc nghẽn và mạng lưới đường bộ dựa trên kiến ​​thức từ kỹ thuật giao bóng đá tỷ lệ. Trong các thử nghiệm dự đoán độ dài hàng đợi trước một giờ trên 1.098 vị trí đường ở Tokyo sử dụng dữ liệu do Sở Cảnh sát Thủ đô cung cấp, QTNN đã đạt được những dự đoán có độ chính xác cao với sai số trung bình từ 40 m trở xuống. Kết quả này thể hiện mức giảm đáng kể 12,6% lỗi dự đoán so với các phương pháp học sâu hiện đại hiện có.
Trong tương lai, nhóm nghiên cứu dự định tiến hành các thử nghiệm đánh giá trên một số con đường nhất định để đánh giá độ tin cậy của công nghệ AI này, như một bước hướng tới việc triển khai toàn diện công nghệ này trong các tình huống thực tế.
Thành tích này sẽ được trình bày tại Hội nghị ACM SIGKDD lần thứ 29 về Khám phá tri thức và khai thác dữ liệu, một hội nghị quốc tế trong lĩnh vực AI (học máy và khai thác dữ liệu), vào ngày 6 tháng 8 năm 2023 theo giờ Bờ Tây Hoa Kỳ.



Thiết kế minh họa: Yuka Tsuda (UMA / trang trại thiết kế)
Người minh họa: Toshinori Yonemura

1. Lý lịch
Dự đoán về độ dài của hàng đợi giao bóng đá tỷ lệ trong tương lai mang lại nhiều hứa hẹn trong xã hội vì nó có thể giúp giao bóng đá tỷ lệ suôn sẻ hơn và ngăn ngừa ùn tắc giao bóng đá tỷ lệ bóng đá tỷ lệ qua việc chủ động hướng dẫn tuyến đường và kiểm soát tín hiệu. Việc tạo ra một AI có khả năng dự báo chính xác sự hiện diện và thời gian tắc nghẽn giao bóng đá tỷ lệ là một việc khó khăn do sự thay đổi về thời gian trong ngày, địa điểm và độ dài cũng như tính chất thay đổi nhanh chóng của nó khi nó xảy ra. Hơn nữa, để ứng dụng AI vào thực tế, điều cần thiết là phải thiết lập khả năng diễn giải và độ tin cậy của nó bằng cách làm rõ lý do đằng sau các dự đoán về độ dài hàng đợi của nó. Do đó, nhóm nhà nghiên cứu đã nỗ lực phát triển QTNN, một công nghệ AI không gian thời gian mới đạt được độ chính xác và khả năng diễn giải cao, bằng cách kết hợp kiến ​​thức chuyên môn của họ về kỹ thuật giao bóng đá tỷ lệ dựa trên nhiều năm kinh nghiệm thực tế với những tiến bộ mới nhất trong lĩnh vực học sâu và dữ liệu lớn về giao bóng đá tỷ lệ, vốn ngày càng thu hút sự chú ý trong những năm gần đây.

2. Phương pháp và kết quả nghiên cứu
QTNN, một công nghệ AI không gian thời gian mới được đề xuất trong nghiên cứu này, được xây dựng dựa trên kiến ​​thức về kỹ thuật giao bóng đá tỷ lệ và có khả năng tìm hiểu mối quan hệ giữa những thay đổi về tắc nghẽn giao bóng đá tỷ lệ và mạng lưới đường bộ bóng đá tỷ lệ qua dữ liệu lớn (Hình 1). QTNN trước tiên dự đoán tốc độ trung bình và lưu lượng giao bóng đá tỷ lệ ở từng đoạn đường bằng cách sử dụng deep learning, dựa trên dữ liệu về tình trạng tắc nghẽn ở nhiều đoạn đường và toàn bộ mạng lưới đường bộ. Sau đó, nó dự báo độ dài hàng đợi trong khi điều chỉnh mô hình luồng giao bóng đá tỷ lệ thường được sử dụng trong kỹ thuật giao bóng đá tỷ lệ. Bằng cách sử dụng phương pháp dự đoán hai giai đoạn này, nhóm nhà nghiên cứu đã hiện thực hóa các dự đoán về độ dài hàng đợi phù hợp với kiến ​​thức về kỹ thuật lưu lượng, ngay cả khi tận dụng các kỹ thuật học sâu hiện đại.
Công nghệ AI không gian thời gian này đã được thử nghiệm trong một thử nghiệm dự đoán độ dài hàng đợi trước một giờ trên 1.098 vị trí đường ở Tokyo trong khoảng thời gian hai tháng bằng cách sử dụng dữ liệu do Sở Cảnh sát Thủ đô cung cấp (Hình 2, Hình 3). Kết quả cho thấy dự đoán có độ chính xác cao, đạt được sai số trung bình từ 40 mét trở xuống bằng cách dự đoán chính xác cả trường hợp tắc nghẽn nghiêm trọng và trường hợp không tắc nghẽn (Hình 4). Thành tích này thể hiện mức giảm đáng kể 12,6% lỗi dự đoán so với các phương pháp học sâu hiện đại nhất hiện có. Hơn nữa, QTNN sử dụng các mô hình luồng giao bóng đá tỷ lệ, cho phép giải thích một số kết quả dự đoán, chẳng hạn như mô tả mối quan hệ giữa luồng giao bóng đá tỷ lệ, tốc độ trung bình và chiều dài hàng đợi, "Sẽ có sự gia tăng nhanh chóng về lượng phương tiện vào khoảng 6:00, dẫn đến chiều dài hàng đợi tăng đáng kể" và "Độ dài hàng đợi đang đạt đến đỉnh điểm, khiến lưu lượng giao bóng đá tỷ lệ và tốc độ trung bình giảm. Do một luồng giao bóng đá tỷ lệ nhất định trên các đường xung quanh, hàng đợi này sẽ tiếp tục cho đến khoảng 10:00" (Hình 5).

3. Hiệu ứng gợn sóng và kế hoạch tương lai
QTNN đang được xem xét sử dụng trong dự án của Sở Cảnh sát Thủ đô nhằm tăng cường hệ thống điều khiển giao bóng đá tỷ lệ bóng đá tỷ lệ qua việc sử dụng AI và dữ liệu lớn. Trong tương lai, nhóm nhà nghiên cứu có kế hoạch tiến hành các thử nghiệm đánh giá trên một số con đường nhất định để đánh giá độ tin cậy của công nghệ AI này, như một bước hướng tới việc triển khai toàn diện công nghệ này trong các tình huống thực tế. Nhóm cũng đặt mục tiêu hiện thực hóa công nghệ AI không gian thời gian giúp hình thành nền tảng cơ sở hạ tầng đô thị bằng cách sử dụng linh hoạt bóng đá tỷ lệ tin liên quan đến kiểm soát tín hiệu, xây dựng đường và xảy ra tai nạn để dự đoán độ dài hàng đợi.

4. Về dự án nghiên cứu
Một phần của nghiên cứu này được Cơ quan Khoa học và Công nghệ Nhật Bản (JST) hỗ trợ trong Chương trình Nghiên cứu Cơ bản Chiến lược PRESTO (Sakigake) trong lĩnh vực AI đáng tin cậy với mã nghiên cứu JPMJPR20C5.
Trong dự án Shin-Tosei, một dự án cải cách cơ cấu của Chính quyền Thủ đô Tokyo, nó được thực hiện như một nghiên cứu liên quan đến dự án nâng cấp hệ thống kiểm soát giao bóng đá tỷ lệ sử dụng AI và dữ liệu lớn (https://shintosei.metro.tokyo.lg.jp/lead-project/lead-project-08/).

<Bảng thuật ngữ
◉ Hướng dẫn lộ trình: Dựa trên điều kiện giao bóng đá tỷ lệ của đường, tuyến đường đề xuất từ ​​vị trí hiện tại đến đích được tính toán để tránh các khu vực tắc nghẽn và hướng dẫn được cung cấp bằng hệ thống định vị ô tô hoặc ứng dụng bản đồ trên điện thoại bóng đá tỷ lệ minh.

◉ Kiểm soát tín hiệu: Việc phân bổ thời gian xanh cho tín hiệu giao bóng đá tỷ lệ và thời gian chuyển đổi giữa xanh và đỏ được điều chỉnh dựa trên điều kiện giao bóng đá tỷ lệ được đo bằng thiết bị phát hiện phương tiện lắp đặt trên đường.

◉ AI dự đoán độ dài hàng đợi: Đây là công nghệ dự đoán độ dài hàng đợi bằng cách sử dụng dữ liệu lớn về lưu lượng truy cập được tích lũy ở các thành phố. Nghiên cứu và phát triển trong lĩnh vực này đang được tiến hành tích cực trên toàn thế giới. Tuy nhiên, ở nhiều quốc gia khác, tốc độ trung bình và lưu lượng giao bóng đá tỷ lệ chỉ được đo chủ yếu, điều đó có nghĩa là có rất ít nghiên cứu tập trung vào việc dự đoán chiều dài hàng đợi. Bản chất hộp đen của các tính toán nội bộ được coi là một thách thức khác trong lĩnh vực này.

◉ Khả năng diễn giải của AI: Thuật ngữ này được sử dụng khi bày tỏ mối lo ngại về độ tin cậy của AI do nó là một “hộp đen” trong đó không rõ những tính toán nào đang được thực hiện trong nội bộ và không rõ lý do đằng sau những dự đoán của nó.

◉ Kỹ thuật Giao bóng đá tỷ lệ: Một lĩnh vực con của kỹ thuật dân dụng liên quan đến nghiên cứu liên quan đến giao bóng đá tỷ lệ đường bộ nói chung. Đặc biệt trong những năm gần đây, nghiên cứu liên quan đến Hệ thống Giao bóng đá tỷ lệ bóng đá tỷ lệ minh đang được chú ý.

◉ Học sâu: Một loại mạng thần kinh nhiều lớp học các mẫu từ lượng dữ liệu khổng lồ. Đây là công nghệ thúc đẩy sự bùng nổ AI gần đây, tuy nhiên, nó cũng bị chỉ trích vì tính chất hộp đen, nơi các tính toán nội bộ không minh bạch. Ngoài ra, không giống như phân tích văn bản, hình ảnh và giọng nói, độ chính xác của phân tích dữ liệu giao bóng đá tỷ lệ vẫn được coi là không đủ, ngay cả khi học sâu.

◉Dữ liệu lớn về giao bóng đá tỷ lệ: Thuật ngữ này dùng để chỉ lượng lớn dữ liệu giao bóng đá tỷ lệ đô thị được tích lũy bóng đá tỷ lệ qua hệ thống định vị ô tô, điện thoại bóng đá tỷ lệ minh và hệ thống điều khiển giao bóng đá tỷ lệ. Trong nghiên cứu này, nó bao gồm dữ liệu trong một năm về tốc độ trung bình, lưu lượng giao bóng đá tỷ lệ và thời gian tắc nghẽn, được đo 5 phút một lần, tại 1.098 địa điểm trên các tuyến đường chung trong 23 phường của Tokyo. Xin lưu ý rằng chiều dài trung bình của các đoạn đường là 882 m, với dải phân cách là 750 m. Ngoài ra. Chiều dài hàng đợi được đo bằng cách đo chiều dài của một dòng xe liên tục dừng lại và chạy dưới một tốc độ nhất định.

◉Công nghệ AI không gian thời gian: Thuật ngữ này dùng để chỉ AI được phát triển để tìm hiểu và phân tích các mối quan hệ không gian thời gian phức tạp của một hiện tượng (chẳng hạn như mối tương quan giữa những thay đổi theo thời gian trong điều kiện giao bóng đá tỷ lệ và những thay đổi không gian do kết nối đường bộ) dựa trên bóng đá tỷ lệ tin về thời gian và địa điểm đo dữ liệu.

◉Mô hình giao bóng đá tỷ lệ: Đây là mô hình toán học dùng để mô tả các điều kiện giao bóng đá tỷ lệ. bóng đá tỷ lệ thường, nó mô tả mối quan hệ giữa ba biến: lưu lượng giao bóng đá tỷ lệ, tốc độ trung bình và mật độ. Tuy nhiên, hệ thống điều khiển giao bóng đá tỷ lệ không thể quan sát trực tiếp mật độ. Do đó, QTNN sử dụng mô hình mối quan hệ được gọi là "mô hình kính cát", bao gồm độ dài hàng đợi.

◉Lỗi: Đây là giá trị thu được bằng cách đánh giá mức độ sai lệch giữa giá trị dự đoán và giá trị quan sát thực tế bằng cách sử dụng sai số bình phương trung bình gốc khi dự đoán độ dài hàng đợi trong tương lai cho đến một thời điểm nhất định phía trước bằng cách sử dụng dữ liệu lưu lượng truy cập trong quá khứ.

<Nhận xét của nhà nghiên cứu
Trong cuộc cạnh tranh khốc liệt về nghiên cứu AI trên toàn thế giới, chúng tôi tin rằng chuyên môn của Nhật Bản về công nghệ đo lường dữ liệu chính xác và kiến ​​thức chuyên sâu về miền có thể mang lại lợi thế đáng kể so với phần còn lại của thế giới bằng cách kết hợp chúng với công nghệ AI không gian thời gian tiên tiến. Chúng tôi hy vọng rằng nghiên cứu này sẽ giúp hình dung ra các giải pháp mới để giải quyết vấn đề tắc nghẽn giao bóng đá tỷ lệ và đóng góp đáng kể cho sự bền vững của các thành phố. Chúng tôi sẽ tiếp tục theo đuổi công nghệ AI an toàn và đáng tin cậy trong tương lai.


<Tên bài báo và tác giả

Tiêu đề	QTNet: Dự đoán độ dài hàng đợi dựa trên lý thuyết cho giao bóng đá tỷ lệ đô thị
Tác giả	Ryu Shirakami, Toshiya Kitahara, Koh Takeuchi, Hisashi Kashima
Đã xuất bản vào năm	Kỷ yếu Hội nghị Kiến thức ACM SIGKDD lần thứ 29 Khám phá và khai thác dữ liệu (KDD '23)
DOI	10.1145/3580305.3599890

<Số liệu tham khảo

Hình. 1: Sơ đồ QTNN. Sử dụng dữ liệu về độ dài hàng đợi trong quá khứ, tốc độ trung bình và luồng giao bóng đá tỷ lệ, hệ thống học sâu (STGNN) dự đoán tốc độ trung bình và lưu lượng giao bóng đá tỷ lệ trong tương lai. Trong khi điều chỉnh mô hình lưu lượng truy cập dựa trên những dự đoán này (lớp QT), độ dài hàng đợi trong tương lai sẽ được dự đoán.





Hình. 2: (a) Ví dụ về mạng lưới đường bộ ở Tokyo. (b), (c), (d) Ví dụ về những thay đổi tạm thời về điều kiện giao bóng đá tỷ lệ trên hai con đường được sử dụng trong thí nghiệm. Khi hàng đợi xảy ra ở phần hạ lưu của phần 1, có thể thấy rằng hàng đợi sau đó sẽ xuất hiện ở phần 2.





Hình. 3: Biểu đồ dữ liệu: (a) Tốc độ trung bình, (b) Lưu lượng giao bóng đá tỷ lệ và (c) Độ dài tắc nghẽn.





Hình. 4: Lỗi dự đoán trung bình từ 15 đến 60 phút tới: (a) Được đánh giá bằng tất cả dữ liệu, (b) Được đánh giá bằng dữ liệu tắc nghẽn nghiêm trọng nhất (5% cao nhất của tất cả dữ liệu)
QTNN đạt được số lỗi thấp hơn so với các mô hình AI tiên tiến khác (DCRNN, AGCRN, GWNT, MagaCRN) trong mọi trường hợp.





Hình. 5: Kết quả dự đoán (đường màu đỏ) về tốc độ trung bình, lưu lượng giao bóng đá tỷ lệ và chiều dài hàng đợi thu được bằng phương pháp đề xuất so với giá trị quan sát được (đường chấm). Có thể thấy rằng các dự đoán theo phương pháp đề xuất nhìn chung gần với các giá trị quan sát được.