Des chercheurs du Laboratoire national d'Argonne (ANL) aux États-Unis ont chargé leurs superordinateurs d'analyser les données de trafic et de prévoir les embouteillages futurs. Après avoir collecté près d'un an de données provenant de plus de 11.000 XNUMX capteurs répartis sur le réseau routier californien, les chercheurs ont travaillé avec des mathématiciens de l'ANL pour transmettre les données aux superordinateurs. Grâce à l'apprentissage automatique (ML), toutes les données ont aidé les chercheurs à former un modèle sur le superordinateur qui peut désormais prédire le trafic avec assez de précision.
Toit de route noir
Les chercheurs ont récemment publié les résultats des prévisions de trafic ainsi que leur méthodologie dans la revue Transportation Research Record. Le modèle serait capable d'examiner la dernière heure de données et de prédire la prochaine heure de trafic avec une grande précision, jusqu'à la milliseconde. Ce n'est pas la première fois que des modèles ML sont utilisés pour prédire le trafic. Cependant, les modèles précédents ne pouvaient traiter que les données d’environ 200 à 300 capteurs. En utilisant une méthode basée sur des partitions graphiques, que les chercheurs ont décrite en détail dans la revue, l'équipe a permis au supercalculateur de traiter les données de plus de 11.000 6 capteurs. Écrivant dans la revue, les chercheurs rapportent que leur modèle peut non seulement prédire les modèles de trafic, mais également prédire la vitesse et les performances du trafic. Le nouveau système serait capable de prédire avec précision les vitesses de circulation dans une plage de XNUMX mph de la vitesse observée n'importe où sur le réseau. La recherche a été menée dans le cadre d'un projet plus vaste visant à concevoir et planifier des systèmes de mobilité plus efficaces susceptibles de réorienter le trafic en cas de congestion anticipée, mais on ne sait pas si le nouveau modèle sera mis en œuvre. service actif. Via : Laboratoire National d'Argonne