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.
102201_102413
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 (Khai thác dữ liệu và học máy), vào ngày 6 tháng 8 năm 2023 Hoa Kỳ.



Minh họa Thiết kế: Yuka Tsuda (trang trại UMA / Design)
Illustrator: Toshinori Yonemura

1. Lý lịch
102955_103966

2. Phương pháp và kết quả nghiên cứu
QTNN, một công nghệ AI không 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 các thay đổi trong 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 mỗi phân đoạn đường bằng cách sử dụng Deep Learning, dựa trên dữ liệu về tình trạng tắc nghẽn tại nhiều phân đoạn đường và toàn bộ mạng lưới đường bộ. Sau đó, nó dự báo độ dài hàng đợi trong khi điều chỉnh mô hình lưu lượng 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 nghiên cứu đã thực hiện các dự đoán chiều dài hàng đợi phù hợp với kiến ​​thức kỹ thuật giao bóng đá tỷ lệ, ngay cả khi tận dụng các kỹ thuật học tập sâu hiện đại.
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 (Sakigake) trong lĩnh vực AI đáng tin cậy với mã nghiên cứu JPMJPR20C5.
106850_107056https: //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.

Dự đoán chiều dài hàng đợi AI: Đây là một công nghệ dự đoán độ dài hàng đợi bằng cách sử dụng lưu lượng dữ liệu lớn được tích lũy tại các thành phố. Nghiên cứu và phát triển trong lĩnh vực này được tích cực tiến hành trên toàn thế giới. Tuy nhiên, ở nhiều quốc gia khác, chỉ có tốc độ trung bình và lưu lượng giao bóng đá tỷ lệ chủ yếu được đo, điều đó có nghĩa là có rất ít nghiên cứu tập trung vào dự đoán độ 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 giải thích 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, 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.

109156_109764

◉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.

110501_110761

<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.