محققان از سراسر آزمایشگاه ملی ارگون وزارت انرژی ایالات متحده (DOE) با استفاده از تکنیک هوش مصنوعی (AI) به نام یادگیری ماشین ، از ابر رایانه های آرگون برای هضم الگوهای ترافیک از داده های تقریباً یک ساله گرفته شده از 11160 حسگر در امتداد سیستم بزرگراه بزرگ کالیفرنیا استفاده کرد. سپس از این اطلاعات برای آموزش مدلی برای پیش بینی ترافیک با سرعت بالا استفاده شد – مطمئناً سریعتر از ترافیک لوس آنجلس در عرض میلی ثانیه ، مدل می تواند ساعت گذشته اطلاعات را بررسی کرده و ساعت بعدی ترافیک را با دقت زیادی پیش بینی کند.

هوش مصنوعی چگونه به کنترل و حل ترافیک لس آنجلس کمک می کند ؟

کار با اعضای بخش ریاضیات و علوم کامپیوتر آرگون (MCS) و تسهیلات رایانه ای رهبری آرگون (ALCF) ، در یک  دفتر کاربری علمی وزارت علوم DOE ، تیم نتایج خارق العاده ای در پیش بینی ترافیک بدست آورد و اخیراً نتایج را در سابقه تحقیقات حمل و نقل ،مجله هیئت تحقیقات حمل و نقل منتشر کرد. پراسانا بالاپراکش ، دانشمند کامپیوتر در MCS با انتصاب مشترک در ALCF ، گفت: “هوش مصنوعی و قابلیت های فوق رایانه ای که در این کار استفاده شده است ، به ما امکان می دهد تا مشکلات واقعاً بزرگی را حل کنیم.” “مقیاس این پروژه زیاد است و این مقدار داده برای مقابله با آن به یک منبع محاسباتی به همان اندازه بزرگ نیاز دارد.” دانشمندان با استفاده از منابع محاسباتی کلاس جهانی ALCF تعداد ساعات رایانه مورد نیاز برای آموزش مدل را به شدت کاهش دادند. به عنوان مثال ، برای آموزش مدل پیش بینی ترافیک در یک هفته ممکن است یک رایانه رومیزی برتر از یک هفته طول بکشد ، می توان همین روند را در مدت سه ساعت روی یک ابر رایانه انجام داد. استفاده از قدرت یادگیری عمیق مبتنی بر نمودار – شکل پیچیده ای از یادگیری ماشینی که می تواند تصمیم گیری کند و تقریباً به طور خودکار پیش بینی های یک مدل را بهبود بخشد – مدل آنها از داده های تاریخی برای پیش بینی الگوهای ترافیک استفاده می کند ، در حالی که سرعت و جریان را به طور همزمان پیش بینی می کند. این مهم است زیرا جریان های ترافیکی در هر منطقه در هر زمان به سرعت و جریان ترافیک در نزدیکی بستگی دارد. اریک راسک ، مهندس اصلی تحقیقات قبلی در مرکز تحقیقات حمل و نقل آرگون و یکی از دانشمندان درگیر در این مطالعه گفت: “رویکردهای پیش بینی ترافیک برای توسعه استراتژی های سازگار برای حمل و نقل بسیار مهم است. “الگوهای ترافیکی وابستگی های مکانی و زمانی پیچیده ای دارند که پیش بینی دقیق در شبکه های بزرگراهی را به عنوان یک کار چالش برانگیز در نظر می گیرند.”

با ویرا سگال کارو همراه باشید