劳伦斯伯克利国家实验室利用集成学习算法 实时准确预测交通流量

盖世汽车讯 据外媒报道，城市交通大致会遵循一个与“朝九晚五”工作时间表相关的周期性模式。不过，如果有事故发生，该交通模式就会被打乱。对于交通工程师来说，设计一个准确的交通流量模型，以在发生事故时使用是一个很大的挑战，因为必须要实时适应不可预见的交通场景。

（图片来源：劳伦斯伯克利国家实验室）

现在，美国能源部的劳伦斯伯克利国家实验室（Lawrence Berkeley National Lab）的一组计算机科学家与加利福尼亚州运输部（California Department of Transportation，Caltrans）合作，采用高性能计算和机器学习技术，在发生事故时，帮助Caltrans实时做出决策。该研究是与加利福尼亚高级运输和公路合作伙伴（PATH）、加州伯克利大学的交通研究（ITS）合作进行的，是Connected Corridors项目的一部分，Connected Corridors旨在研究、开发和测试一个综合走廊管理方法（Integrated Corridor Management approach），用于管理加州的交通走廊。

Caltrans和Connected Corridors正在洛杉矶县I-210试点实施该系统。研究人员采用南加州市、县和州的实时数据，目标是通过执行经过协调的多司法管辖区交通事故响应计划，以限制交通事故的负面影响，提高Caltrans的实时决策能力。该系统的首个版本将于2020年部署于阿卡迪亚、杜阿尔特、蒙罗维亚和帕萨迪纳等城市，并计划部署到该州的各地。

伯克利大学计算研究部（CRD）数学家Sherry Li表示：“其实有很多种交通流量预测方法，而且每一种在适当的情况下都可发挥作用。为了减轻人工操作员（有些人有时会盲目信任某个特定模型）的负担，我们的目标是整合多个模型，以更稳定、准确地预测交通流量。为此，我们设计了一个结合不同子模型的集成学习（ensemble-learning）算法。”

集成学习是一种将不同的学习者（单个模型）组合在一起，以提高该模型的稳定性和预测能力的技术。长期以来，机器学习研究人员一直在研究该技术。交通流量的特殊之处在于具备时间性；交通流量的测量值会随着时间变化而变化，不同的单个模型的预测结果也是如此。

在伯克利大学实验室与Caltrans的合作项目中，该集成模型考虑了各个子模型之间的相互依赖性，并且分配了“投票份额”以平衡个体的性能和相互依赖性。相对于对较老历史的预测性能，该模型更看重对最近时间段的预测性能。最后，该合成模型在预测精度和稳定性方面优于测试中使用的任何单一模型。

实时数据，实时决策

该项目利用Caltrans传感器从加州高速公路上收集而来的数据，产生了新颖的算法，能够在15分钟的循环制基础上，进行准确预测。然后，该团队利用Connected Corridors系统收集的实时交通数据，验证并集成了该新算法。Connected Corridors系统是一个实时交通数据中心，可扩展机器学习库Spark Mllib，Spark Mllib会提供机器学习模型，可以在集成学习框架中使用此类模型。该研究的具体成果是在高速公路上安装传感器的地方预测了交通流量，进而能够预测高速公路入口的交通流量需求以及高速出口的交通流量。

集成学习部分解决了交通中有不同类型车辆的问题，但是没有解决因施工或事故突然导致的交通变化问题。该研究小组利用在线（实时）学习技术，使该算法不仅能够学习过去的情况，还能够沿路实时适应新的交通状况。

该算法还可以与上述技术相结合，以更准确、更及时地预测交通，并有助于实时控制交通，如改变交通路线、改变交通灯配置等纠正措施。