ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ В ТРАНСПОРТЕ
Гаврилычев В.С.
Научный руководитель: И.И. Соколова, к.э.н.,
доцент кафедры «Информационные системы цифровой экономики»
РУТ (МИИТ)
Аннотация: В условиях современного мира машинное обучение всё больше и больше затрагивает жизнь людей, и все они так или иначе сталкиваются с использованием транспорта в повседневной жизни. В данной статье рассказывается о возможностях применения машинного обучения в транспортной индустрии. Приведены реальные примеры и рассмотрены перспективы дальнейшего развития технологий машинного обучения в транспорте.
Ключевые слова: наука о данных, искусственный интеллект, машинное обучение, транспорт
В современном мире человек практически не может существовать без транспорта, особенно в больших городах, где путь на работу может занимать час и даже больше. К счастью для людей, технологии также развиваются и внедряются в разные сферы жизни, в том числе и в транспорт. Одной из таких технологий является искусственный интеллект, который служит для того, чтобы с помощью машинного обучения автоматизировать различные процессы. Если есть какая-либо отрасль, где машинное обучение непосредственно затрагивает жизнь большинства населения, транспорт, безусловно, находится в верхней части списка.Будь то мониторинг транспортной инфраструктуры для оптимизации дорог и процессов общественного транспорта или прогнозирование потребностей самих транспортных средств, машинное обучение сможет многое предложить путешественникам в ближайшем будущем.
|
|
|
До недавнего времени самоуправляемые автомобили были предметом научной фантастики, но такие компании, как Uber, а также Google, Tesla, Ford и General Motors продолжают работать над внедрением широкого производства самоуправляемых автомобилей. Скоро эти автономные машины станут обычным делом [1].
Однако, для того чтобы самоуправляемые машины работали широко используются технологии машинного обучения. Только небольшая часть автономных автомобилей способна контролировать направлениедвижения транспортного средства. Этого добиваются с помощью методов машинного зрения, таких как свёрточные нейронные сети для распознавания дороги и препятствий [2]. Инженеры создают программы, способные самостоятельно управлять автомобилями, чтобы определить, где дорога, а где бездорожье, а также реагировать на опасности, такие как автомобили на других полосах и пешеходов. Благодаря машинному обучению транспортные средства становятся способны понимать эти опасности и могут безопасно управлять собой.
Даже если самоуправляемые автомобили широко не используются, методы машинного обучения обещают сэкономить обычное время, бензин и нервы. Во всех крупных городах существует серьёзная проблема с заторами на дорогах.
|
|
|
Одним из проверенных методов уменьшения заторов на дорогах является предоставление пассажирам информации о том, где находится затор и как его обойти[8]. Если власти заранее предскажут, где возникнут заторы, они смогут более эффективно перенаправлять движение и избегать ненужных задержек.
Например, исследователи взяли данные видеонаблюдения и использовали кластеризацию K-средних для классификации моделей трафика, наиболее связанных с заторами, и прогнозирования заторов до того, как это произойдет [3]. Google Maps использует аналогичную стратегию, объединяя исторические данные видеонаблюдения с данными GPS для прогнозирования " типичного трафика” для данного дня и времени в регионе пользователя.
В 2018 году в Приамурье рухнул мост, по которому проезжал самосвал, прямо на проезжающий под ним товарный поезд. В происшествии были пострадавшие, а также нарушено движение транспорта [6].
Чтобы предотвратить трагедии такого рода можно также использовать технологии машинного обучения, автоматически обнаруживая структурные дефекты на ультразвуковых изображениях, а также прогнозируя отказы мостов на основе исторических данных использования и обслуживания.
|
|
|
Например, исследователи подготовили классификаторы, такие как Метод опорных векторов (supportvectormachine) и Случайный лес (Random Forests), для выявления мостов высокого риска на основе таких особенностей, как сейсмический потенциал земли и структурные характеристики самого моста[5]. Такая работа позволяет властям закрывать и ремонтировать мосты, дороги и дорожно-транспортную инфраструктуру пока ремонт обходится дешевле, и чтобы предотвратить перекрытие транспортного движения и дальнейшие трагедии.
Исследователи также изучают методы прогнозирования потребностей в обслуживании транспортных средств на основе данных в реальном времени, собираемых датчиками в транспортном средстве. Один из способов прогнозирования потребностей транспортного средства в обслуживании заключается в создании базы данных об отклонениях (от нормальных функций транспортного средства), которые, как известно, вызывают незапланированный ремонт в долгосрочной перспективе.
Например, в научной статье[4]производился контроль датчиков двигателя для автобусного парка и дальнейшая идентификация данных датчиковпри помощи визуализации этих данных в виде гистограмм. В результате, обнаружилось отклонение на некоторых датчиках и затем их сопоставили с тем, что автобусы с отклонениями в показателях за данный период часто нуждались в ремонте. Таким образом обучение классификатора по распознаванию отклонений в двигателях, может стать важным благом для служб общественного транспорта, где заранее обнаруженные проблемы с транспортными средствами могут сэкономить государственные деньги. Кроме того, такой классификатор мог бы в конечном счете выявить проблемы с двигателем для обычных водителей, с тем чтобы они могли исправить свои транспортные средства благодаря более дешевому упреждающему обслуживанию, прежде чем им потребуется серьёзный ремонт.
|
|
|
Кроме того, датчики в транспортных средствах могут продолжать собирать больше данных и дополнять существующие базы данных об отклонениях в работе транспортных средств, что позволит улучшить прогнозирование технического обслуживания с течением времени и использовать классификатор для большего числа транспортных средств.
Наконец, при наличии дополнительных данных можно надеяться, что конструкция двигателя и транспортного средства может быть оптимизирована заводами-изготовителями в целях повышения как надежности, так и потенциальной топливной экономичности путем, например, мониторинга типичных условий работы двигателя и транспортного средства.
Одним из самых сложных факторов для учета в общественном транспорте является время прибытия автобусов, троллейбусов, трамваев и поездов. Общественный транспорт может опаздывать по целому ряду причин: от заторов на дорогах, плохой погоды, отказов транспортных средств.
Методы машинного обучения могут использоваться здесь для точного прогнозирования времени прибытия автобусов на основе данных о местоположении автобусов в режиме реального времени и таких факторов, как пробки, ожидаемые рабочие задержки, а также время, необходимое для загрузки пассажиров на разных остановках.
Например, в России подобной технологией воспользовался Яндекс для разработки своего приложения по прибытию общественного транспорта «Яндекс Транспорт» [7]. Каждое транспортное средство оборудовано GPSдатчиками, которые раз в 20-60 секунд передают данные о своём местоположении на сервер перевозчика. Сервис получает от перевозчиков ID машины, номер маршрута, тип транспорта (автобус, троллейбус, трамвай или маршрутка), время сигнала и координаты, широту и долготу, а также известны траектории маршрутов всех номеров, чтобы отслеживать только те, транспортные средства, которые в данный момент следуют маршруту. Затем, с помощью специальных алгоритмов данные обрабатываются и передаются в виде меток на карту города.
Благодаря технологии отслеживания общественного транспорта, люди могут точно планировать свой маршрут, оптимизировать его и тратить меньше времени в дороге. Также это помогает контролировать движение транспорта, отслеживая задержки и своевременно устраняя проблемы для избежание заторов.
Это всего лишь несколько из многих транспортных областей, которые улучшаются методами машинного обучения. Еще предстоит выяснить, сколько времени потребуется для реализации государственными органами стратегий оптимизации, основанных на данных, или же самоуправляемые автомобили мгновенно станут массовым явлением. Однако, в долгосрочной перспективе, методы машинного обучения показывают большие перспективы для того, чтобы сделать поездки безопаснее, быстрее и дешевле.
Список использованной литературы
1. ДжафаровЭ. И., ПтицынС. Д., ХромоваА. В. Возможные перспективы развития беспилотныхтранспортных средств и их оценка / Электронный научный журнал «вектор экономики» № 1 2019
2. BojarskiM., Del TestaD., DworakowskiD., FirnerB., FleppB., GoyalP., JackelL. D., MonfortM., MullerU., ZhangJ., ZhangX., ZhaoJ., ZiebaK. End to End Learning for Self-Driving Cars / Cornell University 2016
3. LiF., GongJ., LiangY., ZhouJ.Real-time congestion prediction for urban arterials using adaptive data-driven methods / Журнал Multimedia Tools and Applications №75 2016
4. PrytzR. Machine learning methods for vehicle predictive maintenance using off-board and on-board data / Halmstad University Press, 2014
5. RoknedinK., GhoshJ., Dueñas-OsorioL., PadgettJ. Seismic reliability assessment of bridge networks by statistical learning / Conference: 11th International Conference on Structural Safety and Reliability, At New York, NY 2013
6. В Свободном рухнул автомобильный мост [Электронныйресурс]. – Режимдоступа:https://ampravda.ru/2018/10/09/84711.html(дата обращения: 18.03.2019)
7. Как это делается. Как работает приложение «Яндекс.Транспорт» [Электронныйресурс]. – Режимдоступа:https://daily.afisha.ru/archive/vozduh/technology/kak-rabotaet-prilozhenie-yandekstransport/ (дата обращения: 18.03.2019)
8. Traffic Congestion and Reliability:Trends and Advanced Strategies for Congestion Mitigation [Электронныйресурс]. – Режимдоступа: https://ops.fhwa.dot.gov/congestion_report/executive_summary.htm (дата обращения: 18.03.2019)
Дата добавления: 2019-07-15; просмотров: 506; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!