bóng đá bóng đá tỷ lệ07 tháng 8 năm 2023

Tổng quan
Tắc nghẽn giao bóng đá tỷ lệ không chỉ gây ra căng thẳng hàng ngày mà còn dẫn đến mất khoảng 10 nghìn tỷ yên mỗi năm ở Nhật Bản và góp phần phát thải khí nhà kính, khiến nó trở thành một vấn đề nghiêm trọng. Là một công nghệ để giải quyết vấn đề này, AI có thể dự đoán khi nào và nơi tắc nghẽn giao bóng đá tỷ lệ sẽ xảy ra đang thu hút sự chú ý trên toàn thế giới. Trợ lý Giáo sư Koh Takeuchi và Giáo sư Hisashi Kashima thuộc Trường Tin tức sau đại học tại Đại học Kyoto, cùng với Sumitomo Electric Systems Co., Ltd., đã phát triển một công nghệ AI không gian mới

Tính năng quan trọng nhất của QTNN là khả năng tìm hiểu mối quan hệ giữa các thay đổi trong tắc nghẽn và mạng lưới đường dựa trên kiến thức từ kỹ thuật giao bóng đá tỷ lệ. Trong các thí nghiệm dự đoán chiều dài hàng đợi một giờ trước trên 1.098 địa điểm đường ở Tokyo bằng cách sử dụng dữ liệu do Sở Cảnh sát Metropolitan cung cấp, QTNN đạt được dự đoán chính xác cao với lỗi trung bình từ 40 m trở xuống. Kết quả này thể hiện sự giảm 12,6% đáng chú ý trong các lỗi dự đoán so với các phương pháp học sâu hiện đại hiện có.
Di chuyển về phía trước, Nhóm nghiên cứu có kế hoạch tiến hành các bài kiểm tra đánh giá trên một số con đường nhất định để đánh giá độ tin cậy của công nghệ AI này, như một bước tiến tới việc thực hiện toàn diện trong các kịch bản trong thế giới thực.
Thành tích này sẽ được trình bày tại Hội nghị ACM SIGKDD thứ 29 về Khám phá kiến 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 Hoa Kỳ.



Thiết kế minh họa: Yuka Tsuda (UMA / Design Farm)
Illustrator: Toshinori Yonemura

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

2. Phương pháp và kết quả nghiên cứu
QTNN, a novel spatiotemporal AI technology proposed in this research, is built upon knowledge of traffic engineering and has the capability to learn the relationship between changes in traffic congestion and the road network through big data (Fig. 1). QTNN first predicts the average speed and traffic flow at each road segment using deep learning, based on data on congestion status at many road segments and the road network as a whole. It then forecasts the queue length while adjusting the traffic flow model commonly used in traffic engineering. By employing this two-stage prediction approach, the researcher group has realized queue length predictions that align with traffic engineering knowledge, even while leveraging state-of-the-art deep learning techniques.
Công nghệ AI không gian này đã được thử nghiệm trong một thử nghiệm dự đoán độ dài hàng đợi trước một giờ trên 1.098 địa điểm đường trong Tokyo trong khoảng thời gian hai tháng sử dụng dữ liệu do Sở Cảnh sát Metropolitan cung cấp (Hình 2, Hình 3). Kết quả đã chứng minh một dự đoán chính xác cao, đạt được một lỗi trung bình từ 40 mét hoặc ít hơn bằng cách dự đoán chính xác cả các trường hợp tắc nghẽn nghiêm trọng và không đối xứng (Hình 4). Thành tích này thể hiện sự giảm 12,6% đáng chú ý trong các lỗi dự đoán so với các phương pháp học sâu hiện đại hiện có. Hơn nữa, QTNN sử dụng các mô hình lưu lượng giao bóng đá tỷ lệ, cho phép một số cách giải thích về kết quả dự đoán, chẳng hạn như thể hiện mối quan hệ giữa lưu lượng giao bóng đá tỷ lệ, tốc độ trung bình và chiều dài hàng đợi, "sẽ có sự gia tăng nhanh chóng của xe vào khoảng 6:00 sẽ tiếp tục cho đến khoảng 10:00 "(Hình 5).

3. Hiệu ứng Ripple và các kế hoạch trong tương lai
QTNN đang được xem xét sử dụng trong dự án của Sở Cảnh sát Metropolitan nhằm tăng cường các hệ thống kiểm soát giao bóng đá tỷ lệ bóng đá tỷ lệ qua việc sử dụng AI và dữ liệu lớn. Tiến về phía trước, nhóm nghiên cứu có kế hoạch tiến hành các bài kiểm tra đánh giá trên một số con đường nhất định để đánh giá độ tin cậy của công nghệ AI này, như một bước để thực hiện toàn diện trong các kịch bản trong thế giới thực. Nhóm cũng nhằm mục đích nhận ra một công nghệ AI không gian, tạo thành nền tảng của 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 tai nạn để dự đoán thời lượng hàng đợi.

4. Về dự án nghiên cứu
Một phần của nghiên cứu này được hỗ trợ bởi Cơ quan Khoa học và Công nghệ Nhật Bản (JST) theo Chương trình nghiên cứu cơ bản chiến lược Presto (Sakigake) trong lĩnh vực AI đáng tin cậy với mã nghiên cứu JPMJPR20C5.
In the Shin-Tosei project, a structural reform project by the Tokyo Metropolitan Government, it was conducted as a study related to a project for upgrading traffic control systems using AI and big data (https: //shintosei.metro.tokyo.lg.jp/leading-project/leading-project-08/).


Hướng dẫn tuyến đường: Dựa trên các điều kiện giao bóng đá tỷ lệ của đường, tuyến đường được đề xuất từ vị trí hiện tại đến đích được tính toán để tránh các khu vực bị tắc nghẽn và hướng dẫn được cung cấp bằng hệ thống điều hướng xe hơi hoặc ứng dụng MAP trên điện thoại bóng đá tỷ lệ minh.

Điều khiển tín hiệu: Phân bổ thời gian xanh cho tín hiệu giao bóng đá tỷ lệ và thời gian chuyển đổi giữa màu xanh lá cây và màu đỏ được điều chỉnh dựa trên các điều kiện giao bóng đá tỷ lệ được đo bằng máy dò xe được cài đặt trên đường.

◉ Queue length prediction AI: This is a technology that predicts queue length using traffic big data accumulated in cities. Research and development in this field are actively conducted worldwide. However, in many other countries, only average speed and traffic flow are mainly measured, which means there are very few studies that have focused on predicting queue length. The black box nature of internal calculations is considered another challenge in this area.

Khả năng diễn giải của AI: Thuật ngữ này được sử dụng khi thể hiện mối quan tâm về độ tin cậy của AI do nó là một hộp đen của nó, nơi không rõ các tính toán nào được thực hiện trong nội bộ và những lý do đằng sau dự đoán của nó.

Kỹ thuật giao bóng đá tỷ lệ: Một trường 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 các hệ thống giao bóng đá tỷ lệ bóng đá tỷ lệ minh đã thu hút sự chú ý.

Học sâu: Một loại mạng thần kinh nhiều lớp học các mẫu từ một lượng lớn dữ liệu. Đó là một công nghệ thúc đẩy sự bùng nổ AI gần đây, tuy nhiên, nó cũng bị chỉ trích vì bản chất hộp đen của nó, 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 lưu lượng vẫn được coi là không đủ, ngay cả khi học sâu.

◉Traffic big data: This term is used to refer to the vast amount of urban traffic data accumulated through car navigation systems, smartphones, and traffic control systems. In this research, it includes one year of data for average speed, traffic flow, and congestion length, measured every 5 minutes, at 1,098 locations on general roads within the 23 wards of Tokyo. Please note that the average length of road segments is 882 m, with a median of 750 m. In addition. Queue length was measured by means of measuring the length of a line of vehicles that repeatedly stopped and drove below a certain speed.

◉Spatiotemporal AI Công nghệ: Thuật ngữ này được sử dụng để chỉ AI được phát triển để tìm hiểu và phân tích các mối quan hệ không gian phức tạp của hiện tượng

Mô hình ◉traffic: Đây là một mô hình toán học được sử dụng 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 lưu lượng, tốc độ trung bình và mật độ. Tuy nhiên, các hệ thống kiểm soát giao bóng đá tỷ lệ không thể quan sát trực tiếp mật độ. Do đó, QTNN sử dụng mô hình mối quan hệ gọi là "mô hình cát", bao gồm chiều dài hàng đợi.

error: 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 lỗi bình phương trung bình gốc khi dự đoán độ dài hàng đợi trong tương lai cho đến một thời gian nhất định trước khi sử dụng dữ liệu lưu lượng trong quá khứ.

<Nhận xét của nhà nghiên cứu
Trong cuộc cạnh tranh khốc liệt của 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 miền chuyên sâu 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 ngắn. Chúng tôi hy vọng rằng nghiên cứu này sẽ giúp hình dung các giải pháp mới để giải quyết các 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 đáng tin cậy và an toàn trong tương lai.


<Tiêu đề giấy 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
Xuất bản trong	Kỷ yếu của Hội nghị ACM SIGKDD thứ 29 về kiến thức Khai thác Discovery và Data (KDD '23)
doi	10.1145/3580305.3599890

<Hình tham chiếu

Hình. 1: Sơ đồ của Qtnn. Sử dụng độ dài hàng đợi trong quá khứ, tốc độ trung bình và dữ liệu lưu lượng giao bóng đá tỷ lệ, hệ thống học tập 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 dựa trên các dự đoán này (lớp qt), độ dài hàng đợi trong tương lai được dự đoán.





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





Hình. 3: Biểu đồ của 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 trước: (a) được đánh giá với tất cả dữ liệu, (b) được đánh giá với dữ liệu tắc nghẽn nghiêm trọng nhất (5% hàng đầu của tất cả dữ liệu)
QTNN đạt được các lỗi thấp hơn so với các mô hình AI hiện đại khác (DCRNN, AGCRN, GWNT, MAGACRN) trong mọi trường hợp.





Hình. 5: Kết quả dự đoán (đường màu đỏ) của 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 các giá trị quan sát được (đường chấm chấm). Có thể thấy rằng các dự đoán bằng phương pháp đề xuất thường gần với các giá trị được quan sát.