人工智能和機器學習如何重塑交通

交通機會由人工智能帶來。

與傳統交通系統技術中使用的傳統算法相比，交通運輸是現代人工智能最重要的領域之一。

人工智能預計將簡化許多最繁忙的道路和道路上的交通流量，並減少擁堵。目前，智能交通信號系統及其運營的雲技術平台旨在對交通進行更有效的管理和預測，不僅可以為城市自身節省大量資金，還能為個人創造更高的效率。如今的人工智能和機器學習可以根據具體的交通情況，為駕駛員提供最佳的實時路線，處理高度複雜的數據和交通趨勢螞蟻搬家店（antminer shop）。

交通系統技術由於處理能力的顯著提傳統數據中心在過去半個世紀中的實時圖像識別和預測，目前交通系統技術已用於各種物聯網(物聯網)設備。這種以分散為中心的新體系結構有助於增加機器學習和人工智能的實現。今天的識別算法為密度、交通和整體流量的混合提供了更深入的理解。此外，為了減少交通問題，優化流量的重新分配，這些優化算法可以根據區域使用數據點，形成流線模式。隨後，在傳統的樞紐輪輻系統中，市政交通系統可以獲得更好的決策權，控制系統具有更高的故障容忍度。

人工智能已經在影響交通系統。

這些技術已經在全國各地進行了部署。比如，與聖何塞合作的聖克拉拉河穀交通管理局，一直在嘗試一套利用現有公交車隊追蹤傳感器和城市通信網動態調整交通信號相位和時間的雲、人工智能驅動的交通信號優先(TSp)系統，在減少對交通的影響的同時，為公交提供充足的綠色交通時間。

不需要在交通信號櫃或公交車上安裝額外的硬件，因為新平台使用了現有的基礎設施。平台通過機器學習模型處理實時公交車位置信息，並根據預期到達時間優先通話，不同於傳統的基於位置的簽到和TSp簽到解決方案。到目前為止，該平台已經減少了18%至20%的VTA77公路總行程，相當於減少了5到6分鍾的信號延遲。

基於雲的交通信號優先系統結合了資產管理和自動化，形成了一個可以為整個地區提供服務的系統。與基於硬件的系統不同，該平台使用預設備和雲技術來促進操作。這消除了十字路口對車輛檢測硬件的需求，因為車輛位置是通過CAD/AVL系統知道的。這可以優先考慮遠離信號的地方，也可以優先考慮一組信號。此外，系統還可以實時了解哪些公交車獲得優先權，並提供每日性能指標報告。

一個在交通櫃裏，一個在車輛上，今天可用的先進交通信號優先系統由兩部分組成。傳輸優先級邏輯在檢測和通信媒體方面是相同的。當車輛在預定的邊界內時，系統會要求信號控制器進行優先排序。由於原始系統備了靜態估計的行程時間，因為原始系統使用了固定的檢測點。基於GpS的無線通信系統由於出行時間取決於幾個環境因素。采用這種方法，檢測區域內發現的車輛將更換靜態檢測點，用車速確定到達時間物聯網模塊(modul iot)。

該平台允許城市在當前基礎設施投資的基礎上部署TSp。為了實現與交通信號燈的安全連接，每個城市只需要一台設備，即位於邊緣的計算機，作為城市交通信號燈與平台之間的保護環節。它旨在安全地管理交通信號燈和雲平台之間的信息交換。這是唯一需要的額外硬件。根據現有的城市網絡配置，該平台可以通過城市網絡直接接收車輛數據或使用安全連接接收車輛數據。

複雜流程用於優先處理流量。

將優先呼叫發送到交通信號燈的方式比較複雜，不限於定點位置。平台采用矢量化方法，從特定位置檢測公交車到達時間，不同於最先進的優先呼叫。在數學中，向量是代表大小和方向的箭頭。箭頭指向交通信號的方向，該平台的軟件大小為驅動時間。

當系統建立時，數字表示交通信號、公交線路和公交車站。這最終產生了一個數字地理空間地圖，該軟件可以跟蹤公交車沿線的過程。這使得系統可以在不受位置限制的情況下動態發送轉移呼叫。相反，系統根據預期到達時間進行准確的優先呼叫，這是所有TSp注冊呼叫的基礎，由所有信號控制器供應商支持。由於跟蹤算法的性質，可以調整ETA的任何重大變化。例如，如果預計一輛公共汽車將跳過公共汽車站，但不跳過，系統將檢測到這種變化並相應調整優先呼叫快速原型開發(rapid prototype development)。

人工智能、機器學習和雲技術的結合具有巨大的潛力。它不僅可以改善現有的公共交通系統，還可以重新想象在一起。這種先進的技術已經證明了如何在GpS、導航應用程序、網絡汽車，甚至出租車和拼車服務之間通過基於實時數據的高效合並個單一的交通實體。

在不久的將來，互聯網自動駕駛車輛和貨車預計將在道路和高速公路上更加普遍，這將為人工智能提供更大的潛力，從而縮短快速移動的持續時間和風險。