NEXCO EAST และ Grid Su ประสบความสำเร็จในการพัฒนาเทคโนโลยีการพยากรณ์การจราจรบนถนนสายแรกของ บริษัท AI ที่ใช้ทางหลวงเป็นคนแรกสำหรับการจราจรที่ติดขัด!

  • Corporate Top
  • ห้องข่าวสารประชาสัมพันธ์
  • สำนักงานใหญ่แถลงข่าว
  • NEXCO EAST และ Grid Su ประสบความสำเร็จในการพัฒนาเทคโนโลยีการพยากรณ์การจราจรบนถนนสายแรกของ บริษัท AI ที่ใช้ทางหลวงเป็นคนแรกสำหรับการจราจรที่ติดขัด!

- เทคโนโลยีพยากรณ์การจราจรติดขัดในระยะยาวหลายเดือนข้างหน้าคล้ายกับนักพยากรณ์การจราจรติดขัดโดยใช้ AI-

21 ธันวาคม 2018
บริษัท ทางด่วนตะวันออก จำกัด
บริษัท กริด จำกัด

บริษัท ทางด่วนตะวันออก จำกัด (ต่อไปนี้คือ NEXCO EAST) และ บริษัท กริด จำกัด (ต่อไปนี้เป็น Grid) ใช้ AI ในการพัฒนาเทคโนโลยีที่ช่วยให้นักจราจรติดขัดเพื่อพยากรณ์การจราจรติดขัดในอีกหลายเดือนข้างหน้า ได้สำเร็จ

Grid เป็น บริษัท ร่วมทุนด้านเทคโนโลยีที่มีหนึ่งในเทคโนโลยี AI ชั้นนำในญี่ปุ่นและแพลตฟอร์มการพัฒนา AI "ReNom" ที่สามารถจัดการกับปัญหาต่าง ๆ ที่พัฒนาและให้บริการโดย Gridและด้วยการใช้เทคโนโลยีการทำนายความแออัดของ NEXCO EAST เราได้พัฒนาแบบจำลองการทำนายที่เทียบเท่ากับเครื่องพยากรณ์การจราจร จากการเปรียบเทียบแบบจำลองการทำนายนี้กับผลลัพธ์ของการจราจรติดขัดในช่วงที่มีการจราจรติดขัดเราสามารถยืนยันระดับความแม่นยำที่แน่นอนและกำหนดขั้นตอนสำหรับการใช้งานจริง

1 การทำนายปริมาณการจราจร

การคาดการณ์สภาพการจราจรติดขัดเช่นช่วงเวลาที่มีการจราจรติดขัดและปฏิทินที่มีความแออัดซึ่งเป็นเวลามากกว่าสองสามเดือนข้างหน้าสามารถทำได้โดยนักพยากรณ์ความแออัดซึ่งก่อนหน้านี้เคยรับผิดชอบงานพยากรณ์ความแออัดของ NEXCO EAST มีการตัดสินใจและคาดการณ์หลังจากพิจารณาสถานการณ์ของเหตุการณ์

แบบจำลองการพยากรณ์ความแออัดโดยใช้ AI เรียนรู้ข้อมูลปัจจัยในอดีตที่น่าจะส่งผลกระทบอย่างมากต่อการเกิดความแออัดและทำนายว่าจะเกิดความแออัดหรือไม่ในวันและเวลาในอนาคต

การพัฒนานี้มุ่งเป้าไปที่ Kan-Etsu Expressway และใช้ข้อมูลจำนวนมาก [1] ถึง [2] ต่อไปนี้เป็นเวลาประมาณ 14 ปีจากปี 2004 ถึงปี 2018 สำหรับการเรียนรู้ ในช่วงเวลาแห่งการเรียนรู้ความรู้ด้านการจราจรติดขัดของ NEXCO EAST นั้นถูกรวมเข้ากับเทคโนโลยีวิศวกรรมแบบจำลองกริดเพื่อสร้างข้อมูลครู

[1] ข้อมูลความเร็วและปริมาณการจราจรที่ได้รับทุก ๆ 5 นาทีจากอุปกรณ์ที่เรียกว่าตัวนับการจราจร
[2] รูปแบบปฏิทินในแต่ละปี (การจัดเรียงวันการจัดเรียงวันหยุด ฯลฯ )

รูปภาพของแพลตฟอร์มการพัฒนา AI ที่เปิดใช้งานการพัฒนาโมเดลด้วยอินเตอร์เฟส GUI
  • แพลตฟอร์มการพัฒนา AI ที่ให้คุณสร้างอัลกอริธึมขั้นสูงได้อย่างอิสระเช่นการเรียนรู้เชิงลึกตามภารกิจและสำหรับงานง่าย ๆ แม้ว่าคุณจะไม่ใช่ผู้เชี่ยวชาญคุณสามารถพัฒนาแบบจำลองด้วยอินเตอร์เฟส GUI โดยไม่ต้องเขียนโปรแกรม .

[ข้อมูลอ้างอิง] การคาดการณ์ปริมาณการใช้โดยผู้พยากรณ์การจราจร

การพยากรณ์การจราจรติดขัดที่ดำเนินการโดยนักพยากรณ์การจราจรติดขัดแบ่งออกเป็นงานต่อไปนี้ [1] ถึง [4]

  • [1] ผลการจราจรติดขัดในอดีตที่ทับซ้อนกัน (เป็นเวลา 3 ปี)
  • [2] การตรวจสอบผลลัพธ์การจราจรติดขัดในอดีต
  • [3] การเพิ่มแนวโน้มการเข้าชมล่าสุด
  • [4] งานแก้ไข (รวมการจราจรที่ติดกันเข้าด้วยกันโดยพิจารณาถึงผลกระทบต่อเส้นทางเชื่อมต่อ)
(วิธีการพยากรณ์ความแออัด) ภาพของวิธีการวางซ้อน

2 ความแม่นยำของการพยากรณ์ความแออัดของการจราจรโดย AI

เมื่อการคาดการณ์ปริมาณการใช้ (GW, Obon) บน Kan-Etsu Expressway ในปีนี้ถูกเปรียบเทียบกับการคาดการณ์ปริมาณการใช้จริงโดย AI และพยากรณ์การจราจรอัตราพลาดของการคาดการณ์อัตราที่ไม่ได้รับทั้งสองมีประมาณ 20% และได้รับการยืนยันว่าการทำนายเป็นไปได้ด้วยความแม่นยำเกือบเท่ากับการทำนายโดยผู้พยากรณ์การจราจรติดขัด

H30GW ถาด H30
ไม่มีอัตรา ไม่มีอัตรา ไม่มีอัตรา ไม่มีอัตรา
ผู้พยากรณ์ ยี่สิบห้า% 20% 19% 11%
AI ยี่สิบสี่% 20% 20% 9%
  • อัตราพลาด:“ จำนวนครั้งที่พลาด (คาดการณ์ว่าจะไม่มีการจราจรติดขัดเกิดขึ้น แต่จำนวนการจราจรติดขัดจริงที่เกิดขึ้น”) /“ จำนวนการจราจรติดขัดทั้งหมด”
    อัตราที่ขาดหายไป:“ จำนวนเหตุการณ์ที่ไม่ได้รับ (จำนวนการจราจรที่ติดขัดที่คาดการณ์ไว้ซึ่งคาดการณ์ว่าจะเกิดการจราจรติดขัด แต่ไม่ได้เกิดขึ้นจริง)” /“ จำนวนการคาดการณ์การจราจรติดขัดทั้งหมด”

นอกจากนี้เมื่อเปรียบเทียบการคาดการณ์การจราจรติดขัดสำหรับวันหยุดสิ้นปีและปีใหม่ของ Kan-Etsu Expressway ในปีนี้การเปรียบเทียบการพยากรณ์อากาศโดย AI และการพยากรณ์การจราจรโดยพยากรณ์การจราจรจะถูกนำมาเปรียบเทียบและประมาณ 80% แสดงแนวโน้มเดียวกัน

<< ตัวอย่างของการทำนาย [1] >> Kan-Etsu Expressway Upline 2 มกราคม (วันพุธ) การเปรียบเทียบระหว่างการทำนาย AI กับการทำนายล่วงหน้า
Kan-Etsu Expressway Upline 2 มกราคม (วันพุธ) ภาพการเปรียบเทียบระหว่างการพยากรณ์อากาศกับการพยากรณ์ล่วงหน้า
<< ตัวอย่างของการพยากรณ์ [2] >> Kan-Etsu Expressway Upline 3 มกราคม (พฤ.) การเปรียบเทียบระหว่าง AI และพยากรณ์พยากรณ์อากาศ
Kan-Etsu Expressway Upline 3 มกราคม (วันพฤหัสบดี) ภาพการเปรียบเทียบระหว่างการพยากรณ์อากาศกับการพยากรณ์ล่วงหน้า

3 การพัฒนาในอนาคตของการพยากรณ์ความแออัดของการจราจรโดยใช้ AI

  • เทคโนโลยีที่พัฒนาในครั้งนี้สามารถนำไปใช้กับที่อื่นนอกเหนือจาก Kan-Etsu Expressway เป้าหมายในอนาคตเราจะศึกษาเส้นทางอื่น ๆ เช่น Tohoku Expressway และมุ่งหวังที่จะ การขยายตัว เส้นทางเป้าหมาย
  • ในเวลานี้มันเป็นเรื่องยากสำหรับนักพยากรณ์การจราจรที่จะคาดการณ์จากการเปลี่ยนแปลงของสภาพถนนและระบบโทรดังนั้นในการพยากรณ์การจราจรเราจะใช้นักพยากรณ์การจราจรเพื่อช่วยในการคาดการณ์เช่นการดูแล
  • หากความแม่นยำของการพยากรณ์การจราจรติดขัดโดย AI จะได้รับการปรับปรุงเพิ่มเติมในอนาคตและความร่วมมือกับระบบการทำนายแบบเดิมจะทำให้ผู้พยากรณ์การจราจรติดขัดจะใช้เวลาทำงานมากเช่น [1] งานซ้อนทับและ [4] คาดว่าจะสั้นลงและงานพยากรณ์ความแออัดจะลดลงครึ่งหนึ่ง
  • ในอนาคตเราจะตรวจสอบความเป็นไปได้ของข้อมูลการเรียนรู้ใหม่เช่นข้อมูลสภาพอากาศและสถานะการเกิดอุบัติเหตุและมุ่งมั่นที่จะปรับปรุงความแม่นยำต่อไป
ลิงค์รูปภาพ (ลิงค์ภายนอก) ไปยังหน้าดาวน์โหลดของ Adobe Acrobat Reader

ในการดูไฟล์ PDF คุณต้องมีซอฟต์แวร์ปลั๊กอิน Adobe Systems "Acrobat Reader (เวอร์ชั่นภาษาญี่ปุ่น)" หากคุณไม่มีดาวน์โหลดที่นี่ (ฟรี)โปรดใช้มัน