Özel: Veriye Dayalı Akıllı Ulaşım Modellemesi Profesör Ukkusuri, Purdue
Daha eksiksiz grafik içeriği için lütfen resmi "THU Data Pie" hesabını (ID: datapi) takip edin
30 Ekim 2016'da, Tsinghua Büyük Veri Teknolojisi · Frontier Serisi Dersler "Veriye Dayalı Akıllı Ulaşım Modellemesi" Tsinghua Üniversitesi FIT binasının çok işlevli salonunda başarıyla gerçekleştirilen bu konferans Purdue Üniversitesi'ne davet edildi. Profesör Satish V. Ukkusuri . Dr. Ukkusuri, Ağustos 2005'ten Ağustos 2009'a kadar Rensselaer Politeknik Enstitüsü İnşaat ve Çevre Mühendisliği Bölümü'nde çalıştı. 2009'dan 2014'e kadar Purdue Üniversitesi'nde doçent olarak çalıştı. Haziran 2014'ten bu yana Purdue Üniversitesi'nde profesör olarak disiplinler arası bir ekibe liderlik ediyor. Trafik Modelleme ve Analiz Laboratuvarı, performansını iyileştirmek ve trafik sisteminin esnekliğini ve sürdürülebilirliğini iyileştirmek için trafik sisteminin karmaşık ağ sorunlarına çözümler bulmaya odaklanmaktadır. Dr. Ukkusuri ayrıca Amerika Birleşik Devletleri'nde ve hatta uluslararası alanda ulaştırma ağı modellemesi ve afet yönetimi konusunda tanınmış bir uzmandır.
Geçtiğimiz dört veya beş yılda, ulaşım alanında pek çok heyecan verici şey yaşandı. Google sürücüsüz arabalar geliştirdi ve Uber, geleneksel taksi endüstrisinde devrim yarattı. Bu, ulaşım endüstrisinin altın çağıdır. Geleneksel ulaşım endüstrisi, yeni teknolojilerin teşvikiyle sürekli gelişmektedir. Değiştirme. Profesör Ukkusurinin araştırma grubu, büyük veri ve ulaşım endüstrisinin entegrasyonuna odaklanıyor. Bu entegrasyon, ulaşım sistemi araştırmasını ne ölçüde daha etkili hale getirecek ve ulaşım sistemini daha iyi anlamak için nasıl modelleme yapılacağı. Modelleme yoluyla şehrin nasıl yapılacağını bulmak gerekiyor. Ulaşım sistemi daha dinamik, daha sürdürülebilir ve şehir sakinlerinin seyahat çözümlerine daha elverişli. Bu ders, trafik büyük verileri ve akıllı ulaşım alanı veri bilimi ve veriye dayalı trafik modelleme yöntemlerine odaklanacak ve bazı araştırma pratik vakalarını tanıtacaktır.
Veri inovasyonu altında trafik modeli Modelleme veri gerektirir ve trafik modellemesi için kullanılabilecek birçok veri kaynağı vardır. Geleneksel veri kaynakları, gömülü indüksiyon bobinleri, ultrasonik ve lazer dedektörleri ve video gibi çoğunlukla yola takılan çeşitli dedektör tipleridir. Bu verilerin ana kusuru, kapsama alanının o kadar küçük olması ki verilerin yol ağının gerçek durumunu iyi yansıtamamasıdır.Bu, geleneksel modelleme yöntemini çoğunlukla veriye model kılar ve bu, o zamanki verilerin gerçek durumu dikkate alındığında çaresizdir. Kaldır. Son on yılda veri toplama ve depolama teknolojisi yeniliklere devam etti.Bunlardan en önemlileri akıllı telefonların ortaya çıkması ve çok sayıda akıllı sensör uygulamasıdır. 2019 yılına kadar akıllı telefon sayısının 1,9 milyara ulaşacağı ve bunları donatacak yer kalmayacağı tahmin edilmektedir. Yer bazlı kayıt hizmeti yok. Gerçek zamanlı algılama cihazları ucuz ve her yerde bulunan cihazlar haline geldi. Bu tür değişiklikler sadece trafik verisinin kaynaklarını arttırmakla kalmıyor, daha da önemlisi veri miktarı keskin bir şekilde arttı ve veri formları daha bol hale geldi, bunlar sakinlerin seyahat davranışlarını da sessizce değiştiriyor ve buna karşılık gelen trafik modelleme yöntemleri de ortaya çıktı. Önemli değişiklikler: veriden modele, verinin kendisinin modelleme yönünü sağlamasına izin veren, geçmişin çaresizliğinden kurtulmuş ve aynı zamanda büyük veri kavramının anlaşılması gibi yeni sorunlar da getirmiştir. Akıllı telefonlar ve akıllı sensörler gibi çok sayıda uygulama, birçok gerçek zamanlı bilgiyi ortaya çıkarmamıza izin verir.Büyük veri doğal olarak kaçınılmaz bir eğilimdir, ancak "büyük veri" kavramının anlaşılması hala önyargılıdır. Pek çok akademisyen ve akademik kuruluş büyük veri kavramına ilişkin kendi görüşlerini veya tanımlarını ortaya koysa da, sektörün bu kavramı anlamasının kamuya açık bir kısmı var, ancak henüz kabul edilmiş bir tanım yok. Profesör Ukkusuri, endüstrinin büyük veri kavramına ilişkin kamuoyunun anlayışını temel alarak öneride bulundu: Birincisi, büyük veri mutlaka "yeni" veri olmayabilir, aynı zamanda geleneksel veri olabilir; ikincisi, büyük veri iyi veriye eşit değildir ve büyük veri karışıktır Gürültü nedeniyle, büyük verilerin uygulanmadan önce dikkatlice kullanılması gerekir ve son olarak, yukarıdaki nedenlerle büyük verilerin "küçük" verilerden daha iyi ve daha güvenilir olması gerekmez. Burada büyük veri kavramını vermemiz gerekiyor: (1) veri miktarı büyük, (2) veri doğal olarak gürültülü ve (3) veri zamanla değişiyor; bu nedenle büyük veriyi işlemek gerekli ve karmaşık bir projedir.
Büyük veriyi işlemek zor olduğundan neden büyük veriyi kullanalım? Büyük veri, geleneksel verilerden daha temsilidir. Geçtiğimiz birkaç yılda Profesör Ukkusuri'nin trafik modellemede kullandığı verilerin çoğu akıllı telefon verileri ve taksi yörünge verilerinden geliyor.İstatistiklere göre 16,7 milyon ABD'li cep telefonu kullanıcısı "kayıt" hizmetini kullanıyor ve bunun 12,7 milyonu Kullanıcıların% 76,3'ü akıllı telefon cihazları kullanıyor. 38.000? GPS cihazlarıyla donatılmış taksiler New York sokaklarında dolaşıyor. Büyük veriye sahip olduktan sonra, gerçek sorunları daha derinlemesine anlamak için büyük veri modellemesi yapmak gerekir. Büyük veri modellemesini gerçekleştirmek için öncelikle veri toplamayı içeren büyük veri olması gerekir; ikinci olarak büyük veriye sahip olma temelinde büyük veri ile nasıl başa çıkılacağını ve hangi modelleme yönteminin kullanılacağını seçmek gerekir; ve son olarak Uygun bir modelleme yöntemi seçmek için görselleştirme, makine öğrenimi, simülasyon, görüntü işleme vb. Yapılabilir. Bunlar arasında, yaygın makine öğrenimi algoritmaları arasında sınıflandırma, regresyon, kümeleme, kural çıkarma vb. Bulunur. Birçok model var, uygun bir model nasıl seçilir? Profesör Ukkusuri, modelin uygun olup olmadığına karar vermek için 6 kural önerdi.
Büyük veri ve ulaşım entegrasyon projeleri örnekleri 1. Coğrafi konum verileri ve bağlantı seyahat süresi tahmini için taksi seyahat verilerinin uygulanması Coğrafi konum verileri (coğrafi konum verileri) genellikle belirli bir süre boyunca coğrafi konum ve zaman dahil olmak üzere büyük bir veri örneğidir ve toplama maliyeti düşüktür. Özelliği, olayın belirli zaman noktasının ayrıntılı olarak açıklanmamasıdır; gizlilik sorunları dikkate alındığında sosyo-ekonomik ilgili hiçbir bilgi yoktur; bazı durumlarda, sosyal medya check-in verileri gibi bazı olaylar eksik olabilir. Uygulama: Şehir bağlantısının seyahat süresini tahmin etmek için büyük ölçekli taksi seyahat verileri sağlayın. Bağlantı seyahat süresini tahmin etmek için aşağıdaki üç alt problem çözülmelidir: ağa veri eşleme, yol çıkarımı ve OD'ye dayalı bağlantı seyahat süresi tahmini. Genel çözüm aşağıda gösterilmiştir:
Model aşağıda gösterilmiştir:
Algoritma aşağıdaki gibidir:
2. Sosyal medya veri analizi ve kentsel aktivite örüntü sınıflandırması Hasan, S., Zhan, X. ve Ukkusuri, SV'de (2013, Ağustos) sosyal medya verileri çeşitli biçimlerde gelir. Çevrimiçi sosyal medyadan büyük ölçekli konum tabanlı verileri kullanarak kentsel insan faaliyetlerini ve mobilite modellerini anlamak. 2. ACM SIGKDD kentsel bilgi işlem üzerine uluslararası atölye çalışması (s. 6). ACM. makalesi kentsel kalıpları sınıflandırmak için New Yorkun check-in verilerini kullanır. Bu makalede kullanılan check-in verileri aşağıda gösterilmiştir:
3. Taksi pazarını modellemek için e-selamlama verilerini uygulayın Uber ve Didi gibi taksi çağırma yazılımlarının ortaya çıkması, geleneksel taksi pazarında büyük bir etkiye sahiptir.Tüketicilere hayati faydalar sağlarken, uygun politikalar önermek için bu taksi çağırma yazılımlarının ortaya çıkmasından sonra taksi pazarının nasıl modelleneceğini düşünmek gerekmektedir. Taksi pazarını düzenlemek için. Profesör Ukkusuri iki model oluşturmuştur: geleneksel taksi hizmeti (TTS), uygulama tabanlı üçüncü taraf taksi hizmeti (ATTS) ve üçlü oyun modeli (aşağıda gösterildiği gibi) Gösterilen) ve bu sorunu çözmek için çoklu lider-takipçi oyunu (çoklu lider-takipçi oyunu).
4. Sosyal medya veri analizi ve acil durum tahliyesi Ukkusuri, SV, Zhan, X., Sadri, AM ve Ye, Q. (2014) SocialMedia Verilerini Kullanarak Kriz Bilişimini Keşfetmek: 2013 Oklahoma 2 Tornado Üzerine Bir Araştırma 3. Ulaşım Araştırma Kaydı, 44 (45), 46. Makale, acil bir durum sonrasında insanların tahliyesini ele almak için sosyal medya verilerini kullanıyor.
5. Sosyal medya veri analizi ve arazi uygulaması Zhan, X., Ukkusuri, SV ve Zhu, F. (2014) Makalesinde Kentsel Arazi Kullanımının Büyük Ölçekli Sosyal Medya Giriş Verileri Kullanılarak Çıkarılması, Ağlar ve Mekansal Ekonomi, 14 (3-4), 647-667 Arazinin rasyonel uygulamasını analiz etmek için sosyal medya verilerini kullanın.
Büyük verinin potansiyeli sonsuzdur.Büyük veri trafiği alanında başarıya ulaşmak için optimizasyon, istatistik, makine öğrenimi ve karmaşık ağlar konusunda derinlemesine öğrenmeniz gerekir.Aynı zamanda programlama (c ++, Python) yeteneğinizi geliştirmeniz ve uluslararası işbirliğini güçlendirmeniz gerekir. Konuşmanın ardından soru cevap bölümünde Profesör Ukkusuri, öğrencilerin endişelerine ilişkin sorularını yanıtladı. Tüm etkinlik kuru ürünlerle doluydu ve misafirlerin harika paylaşımı, etkinliğe katılan öğrencileri ve endüstri profesyonellerini çok heyecanlandırdı. Bu etkinliğe Tsinghua Üniversitesi Veri Bilimi Okulu ve Hang Lung Gayrimenkul Araştırma Merkezi ev sahipliği yaptı ve Tsinghua Büyük Veri Endüstrisi Derneği tarafından ortaklaşa düzenlendi.
