Čo sa deje! Ako dodávateľ transformátorov som veľa premýšľal o skvelých aplikáciách transformátorov v predpovedi dopravného prúdu. V tomto blogu rozoberiem, ako tieto šikovné zariadenia robia vlny vo svete premávky.
Najprv získajme základné pochopenie toho, čo sú transformátory. Možno poznáte elektrické transformátory, ako naprVysokoúčinný trojfázový distribučný transformátoraleboOlejom naplnený sieťový transformátor s dlhou životnosťou. Používajú sa na zmenu úrovní napätia v elektrických systémoch, ale v súvislosti s predikciou toku premávky hovoríme o inom druhu transformátora – o architektúre neurónovej siete.
Táto architektúra transformátora zmenila hru v oblasti umelej inteligencie. Je navrhnutý tak, aby spracovával sekvenčné údaje, čo je mimoriadne dôležité, pokiaľ ide o predpovedanie toku premávky. Dopravné údaje sú v podstate sled informácií v priebehu času, napríklad počet áut prechádzajúcich určitým bodom na ceste v rôznych intervaloch.
Jednou z kľúčových vlastností transformátora je mechanizmus vlastnej pozornosti. To umožňuje modelu zamerať sa pri vytváraní predpovedí na rôzne časti vstupnej sekvencie. V predpovedi dopravného toku dokáže analyzovať rôzne faktory súčasne. Môže napríklad venovať pozornosť historickým vzorcom návštevnosti na konkrétnom mieste, dennej dobe, dňu v týždni a dokonca aj vonkajším faktorom, ako sú poveternostné podmienky.
Povedzme, že je upršané pondelkové ráno. Transformátor môže brať do úvahy, že v daždivých dňoch je premávka pomalšia a v pondelok je zvyčajne väčšia premávka. Použitím vlastnej pozornosti môže tieto rôzne faktory vhodne zvážiť, aby bolo možné presnejšie predpovedať tok premávky na konkrétnej križovatke.
Ďalšou skvelou vecou na transformátoroch je ich schopnosť zvládnuť dlhodobé závislosti. Dopravný tok ovplyvňujú udalosti, ktoré sa stali pred hodinami alebo dokonca dňami. Napríklad významná udalosť v centre mesta v predchádzajúci deň môže viesť k zvýšenej premávke nasledujúce ráno, pretože ľudia stále cestujú do alebo z oblasti. Transformátor dokáže zachytiť tieto dlhodobé vzťahy v dátach, čo bolo pre tradičné modely výzvou.
Teraz si povedzme o niektorých aplikáciách v reálnom svete. Jeden z najzrejmejších je v systémoch riadenia dopravy. Mestskí plánovači a centrá riadenia dopravy môžu použiť modely založené na transformátoroch na predpovedanie dopravných zápch vopred. Potom môžu prijať proaktívne opatrenia, ako je úprava načasovania semaforov alebo presmerovanie dopravy na menej preplnené trasy.
Napríklad, ak model predpovedá hustú premávku na hlavnej diaľnici počas večernej špičky, centrum riadenia dopravy môže nastaviť premenlivé dopravné značky, aby informovali vodičov o alternatívnych trasách. To nielen pomáha znižovať preťaženie, ale tiež zlepšuje celkovú efektivitu prepravnej siete.
Transformátory sú tiež užitočné pre služby zdieľania a doručovania. Spoločnosti ako Uber a FedEx môžu tieto modely použiť na optimalizáciu svojich trás. Presným predpovedaním toku dopravy môžu odhadnúť čas potrebný na vyzdvihnutie a vyloženie cestujúcich alebo doručenie balíkov. To vedie k lepšiemu zákazníckemu servisu, pretože zákazníci môžu získať presnejšie časy príchodu a tiež to spoločnostiam znižuje prevádzkové náklady.
Poisťovne môžu navyše profitovať z predikcie dopravného prúdu pomocou transformátorov. Môžu použiť údaje na posúdenie rizika spojeného s rôznymi trasami jazdy. Ak je na určitej trase vysoká pravdepodobnosť dopravných zápch a nehôd, môžu upraviť poistné pre vodičov, ktorí túto trasu často využívajú.
Ako dodávateľ transformátorov (v zmysle neurónových sietí, ale zaoberáme sa aj elektrickými transformátormi ako naprTrojfázové prepätie - Odolný transformátor), v tejto oblasti vidím veľký potenciál. Dopyt po presnej predpovedi dopravného toku sa bude len zvyšovať, keď sa naše mestá stanú viac obývanými a dopravná infraštruktúra bude zložitejšia.
Neustále pracujeme na zlepšovaní našich modelov založených na transformátoroch na predpovedanie dopravného toku. Zhromažďujeme viac údajov z rôznych zdrojov vrátane dopravných senzorov, zariadení GPS vo vozidlách a meteorologických staníc. Kombináciou týchto údajov a použitím pokročilých tréningových techník môžeme urobiť naše modely ešte presnejšie a spoľahlivejšie.
Ak pôsobíte v odvetví dopravy, či už ste orgán pre riadenie dopravy, spoločnosť na zdieľanie jázd alebo poskytovateľ poistenia, mohli by ste skutočne ťažiť z našich riešení založených na transformátoroch. Naše modely sú navrhnuté tak, aby boli flexibilné a dajú sa prispôsobiť vašim špecifickým potrebám.
Chápeme, že každý dopravný systém je jedinečný a má svoj vlastný súbor dopravných vzorcov a požiadaviek. Preto ponúkame celý rad služieb, od vývoja modelu až po implementáciu a nepretržitú podporu. Náš tím odborníkov je vždy pripravený spolupracovať s vami, aby ste zaistili, že z našich riešení predpovedania dopravného toku na základe transformátora získate maximum.
Ak máte záujem dozvedieť sa viac o tom, ako môžu naše transformátory pomôcť vášmu podnikaniu, neváhajte nás kontaktovať. Sme tu, aby sme sa porozprávali, odpovedali na vaše otázky a diskutovali o tom, ako môžeme spolupracovať na zlepšení vašich operácií súvisiacich s návštevnosťou. Či už ide o malý miestny projekt alebo veľkú iniciatívu v rámci celého mesta, máme odborné znalosti a technológiu, aby sme to zrealizovali.
Záverom možno povedať, že transformátory, elektrické aj architektúra neurónovej siete, zohrávajú kľúčovú úlohu v budúcnosti predikcie dopravného toku. Transformátory neurónových sietí spôsobujú revolúciu v spôsobe, akým analyzujeme a predpovedáme prevádzkové údaje, a ako dodávateľ sme nadšení, že môžeme byť v popredí tejto inovácie. Ak teda hľadáte spoľahlivého partnera na predpovedanie plynulosti premávky, zakričte nám a začnime túto cestu spoločne.
Referencie
- Vaswani, A., Shazer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, An, ... & Polosukhin, I. (2017). Pozornosť je všetko, čo potrebujete. Pokroky v systémoch spracovania neurónových informácií.
- Li, Y., Yu, R., Shahabi, C., & Liu, Y. (2018). Difúzna konvolučná rekurentná neurónová sieť: Predpovedanie premávky riadené údajmi. arXiv predtlač arXiv:1801.07455.
