Akıllı ulaşım modellemesi trafik sıkışıklığını tarihe geçirebilir mi?
[Kılavuz] Belki Google'ın sürücüsüz araç teknolojisini duymuşsunuzdur; belki dışarı çıkmak istediğinizde Uber'i aramak için cep telefonunuzu çıkarmaya alışmışsınızdır; belki hala taksi sektörünün devleri arasındaki rekabetin hikayesinden bahsediyorsunuzdur. ..... Peki ulaşım alanının bugünkü haline gelmesini sağlayan teknoloji nedir? Tsinghua Big Data Technology · Frontier Series Lectures'ın bu sayısında, tanınmış bir ulaşım ağı modelleme ve afet yönetimi uzmanı olan Purdue Üniversitesi'nden Profesör Ukkusuri'yi "veriye dayalı akıllı ulaşım modellemesinin" arkasındaki gizemi ortaya çıkarmak için davet ettik.
Misafir profili
Dr. Ukkusuri, Ağustos 2005'ten Ağustos 2009'a kadar Rensselaer Polytechnic Institute'da İnşaat ve Çevre Mühendisliği Bölümü'nde, 2009'dan 2014'e kadar Purdue Üniversitesi'nde doçent olarak çalıştı ve Haziran 2014'ten bu yana Purdue Üniversitesi'nde ulaşım sistemleri, nakliye ve lojistik dersleri veriyor. Planlama kursu, şu anda ulaşım ve altyapı grubunun bir üyesi olan, disiplinler arası ulaşım modelleme ve analiz laboratuvarına liderlik ediyor, performansını, dayanıklılığını ve sürdürülebilirliğini artırmak için diğer ağlarla karıştırılan ulaşım sistemlerinin karmaşık ağ sorunlarına çözüm bulmaya odaklanıyor. . Dr. Ukkusuri ayrıca ulaşım ağı modellemesi ve afet yönetimi konusunda tanınmış bir uzmandır.
1. Veri yeniliği altında trafik modeli
"Veri yok, modelleme yok": modelden veriden veriye modele
Trafik modellemesi için kullanılabilecek geleneksel veri kaynakları temel olarak trafik altyapısıdır (gömülü indüksiyon bobinleri, ultrasonik ve lazer dedektörleri, videolar vb.). Bununla birlikte, bu veriler genellikle küçük miktarlardadır, bu nedenle gerçek durumu iyi yansıtamazlar. Bu geleneksel modelleme yöntemine verinin gerçekliği göz önüne alındığında çaresiz bir hareket olan veriye model denir.
Memnuniyet veren şey, son on yılda verilerin toplanması ve depolanması, yalnızca trafik verilerinin kaynaklarını artırmakla kalmayıp aynı zamanda veri miktarında keskin bir artışa ve daha bol veri formlarına neden olan teknolojik yeniliklere ulaşmış olmasıdır. Bu değişiklikler, sakinlerin seyahat davranışını sessizce değiştirdi ve buna bağlı olarak trafik modelleme yöntemini-verilerini modele dönüştürerek verilerin kendisinin modelleme yönünü sağlamasına izin verdi. Bunların arasında en önemli ve açık örnek, akıllı telefonların ortaya çıkması ve çok sayıda akıllı sensör uygulamasıdır. 2019 yılına kadar sahip olunan akıllı telefon sayısının 1,9 milyara ulaşacağı tahmin ediliyor ve bu akıllı telefonlar her yerde her yerde bulunan konum tabanlı kayıt hizmetleri sunuyor. Aynı zamanda, gerçek zamanlı algılama ekipmanı yeni bir şey değil.
"Büyük Veri" Nedir: Dikkat Edilmesi Gereken Üç Nokta
Akıllı telefonlar ve akıllı sensörler gibi çok sayıda uygulama, büyük veriyi kaçınılmaz bir trend haline getiren birçok gerçek zamanlı bilgiyi araştırmamıza izin verse de, akademik çevreler hala "büyük veri" kavramının nasıl anlaşılacağını tartışıyor.
Profesör Ukkusuri, sektörün büyük veri kavramına ilişkin kamuoyu anlayışına dayalı olarak aşağıdaki görüşleri ortaya koymaktadır:
-
Büyük veri mutlaka "yeni" veri değildir, aynı zamanda geleneksel veriler olabilir
-
Büyük veri, iyi veriye eşit değildir Büyük veri, büyük veriyi uygulamadan önce dikkatlice kullanılması gereken gürültüyle karıştırılır;
-
Aynı nedenle, büyük veri mutlaka "küçük" verilerden daha iyi ve daha güvenilir değildir.
Bu, büyük veriyi işlemenin çok karmaşık bir proje olduğunu gösteriyor. Bu kadar zor olduğuna göre, neden hala yapmak zorundayız?
Bunun nedeni, büyük verilerin geleneksel verilerden daha iyi temsil edilmesidir. İstatistiklere göre Amerika Birleşik Devletleri'nde her yıl "kayıt" hizmetini kullanan 16,7 milyon cep telefonu kullanıcısı var ve bunların 12,7 milyonu (incelemenin yaklaşık% 76,3'ü) akıllı telefon cihazları kullanıyor ve şu anda GPS cihazlarıyla donatılmış 380 milyon taksi bulunuyor. Amerika Birleşik Devletleri sokaklarında yürüyün. Geçtiğimiz birkaç yılda Profesör Ukkusuri'nin trafik modellemesinde kullandığı verilerin çoğu bu akıllı telefonlar ve taksi yörünge verilerinden geldi.
2. Büyük veri ve ulaşımın entegrasyonu örnekleri
Büyük veriye sahip olduktan sonraki adım, gerçek sorunları daha derinlemesine anlamak için büyük veri modellemesi yapmaktır. Bu, yalnızca veri toplamamızı değil, aynı zamanda büyük verileri işlemek için uygun yöntemi ve uygun modelleme yöntemini (görselleştirme, makine öğrenimi, simülasyon, görüntü işleme vb.) Seçmeyi de öğrenmemizi gerektirir. Bunlar arasında, yaygın makine öğrenimi algoritmalarının dört özel yöntemi vardır: sınıflandırma, regresyon, kümeleme ve kural çıkarma. Birçok model var, uygun bir model nasıl seçilir? Profesör Ukkusuri altı öneride bulundu.
Bağlantı seyahat süresi tahmini için coğrafi konum verileri ve taksi seyahat verilerinin uygulanması
Tanım: Coğrafi konum verileri genellikle belirli bir süre boyunca coğrafi konum ve zaman dahil olmak üzere geniş bir veri örneğini ifade eder.
Özellikleri:
(1) Düşük toplama maliyeti;
(2) Olayın belirli zaman noktası ayrıntılı olarak açıklanmamıştır;
(3) Mahremiyet sorunları dikkate alındığında sosyo-ekonomik ilgili bilgi yoktur;
(4) Bazı durumlarda, sosyal medya check-in verileri gibi bazı etkinlikler eksik olabilir.
Uygulama: Büyük ölçekli taksi seyahat verileri göz önüne alındığında, şehir bağlantısının seyahat süresini tahmin edin. Bağlantı seyahat süresini tahmin etmek için aşağıdaki üç alt problem çözülmelidir:
(1) Ağa veri eşleme;
(2) Yol muhakemesi;
(3) OD'ye dayalı olarak bağlantı seyahat süresini tahmin edin.
Genel çözüm aşağıda gösterilmiştir:
Model aşağıda gösterilmiştir:
Algoritma aşağıdaki gibidir:
Sosyal medya veri analizi ve şehir etkinliği örüntü sınıflandırması
Sosyal medya verileri birçok biçim alır. Hasan, S., Zhan, X., ve Ukkusuri, SV (2013, Ağustos) Çevrimiçi sosyal medyadan büyük ölçekli konuma dayalı verileri kullanarak kentsel insan faaliyetlerini ve hareketlilik modellerini anlama 2. ACM SIGKDD uluslararası çalıştayı bildirilerinde Kentsel bilgi işlem üzerine (s. 6) Profesör Ukkusuri, ACM'de kentsel kalıpları sınıflandırmak için New York check-in verilerini kullandı.
Bu makalede kullanılan check-in verileri aşağıda gösterilmiştir:
Taksi pazarını modellemek için e-selamlama verilerini uygulayın
Uber ve Didi gibi taksi çağırma yazılımlarının ortaya çıkışı, geleneksel taksi pazarında büyük bir etkiye sahiptir.Tüketicilere hayati faydalar sağlarken, uyarlamalar önermek için bu taksi çağırma yazılımlarının ortaya çıkmasından sonra taksi pazarını nasıl modelleyeceğimizi de düşünmeliyiz. Mevcut politika düzenlemeleri taksi pazarına geliyor. Bu soruna yanıt olarak Profesör Ukkusuri, çözmeye çalışmak için birkaç model oluşturdu:
(1) Geleneksel taksi hizmeti modeli (geleneksel taksi hizmeti, TTS)
(2) Uygulama tabanlı üçüncü taraf taksi hizmeti platform modeli (uygulama tabanlı üçüncü taraf taksi hizmeti, ATTS)
(3) Üç partili oyun modeli (aşağıdaki şekilde gösterildiği gibi)
(4) Çoklu lider-takipçi oyunu (çoklu lider-takipçi oyunu)
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.
Sosyal medya veri analizi ve arazi uygulaması
Zhan, X., Ukkusuri, SV ve Zhu, F. (2014) Makalesinde Kentsel Arazi Kullanımının Büyük Ölçekli Sosyal Medya Check-in Verileri Kullanılarak Çıkarılması, Ağlar ve Mekansal Ekonomi, 14 (3-4), 647-667 Arazinin rasyonel uygulamasını analiz etmek için sosyal medya verilerini kullanın.
Konuşmanın ardından soru cevap bölümünde Profesör Ukkusuri, öğrencilerin endişelerine ilişkin sorularını yanıtladı. Tüm etkinlik kuru ürünlerle doluydu ve davetlilerin harika paylaşımları, etkinliğe katılan öğrencilerin ve sektör profesyonellerinin çok güçlü tepki vermesini sağladı.
Büyük verinin potansiyeli sonsuzdur. Büyük veri taşımacılığı alanında bir şeyler başarmak istiyorsanız, öğrencilerin optimizasyon, istatistik, makine öğrenimi ve karmaşık ağlar konusunda daha fazla bilgi edinmesi gerekir.Aynı zamanda, programlama (c ++, Python) becerilerini sürekli olarak geliştirmeli ve uluslararası alanda aktif olarak yer almalıdırlar. İşbirliği.
Bu etkinliğe Tsinghua Üniversitesi Veri Bilimi Okulu ve Henglong Emlak Araştırma Merkezi ev sahipliği yaptı ve Tsinghua Büyük Veri Endüstrisi Derneği tarafından ortaklaşa düzenlendi.
Bitirme: Chen Juan
Editör: Zhang Meng
Ekstra takma ad! Büyük bir harika röportaj dalgası geliyor
Data Pie yakın gelecekte birden fazla ekip gönderecek, Saha şirketi denetimi + endüstri liderleriyle röportaj , Finans teknolojisi, sağlık hizmetleri, akıllı şehir, endüstri 4.0 ve diğer alanlar dahil, lütfen bekleyin ve görün ~
Ya sen Büyük veri meraklısı / uygulayıcı : En çok neyi önemsiyorsun? En çok hangi sınır sorunları hakkında bilgi sahibi olmak istiyorsunuz? Makalenin altına bir mesaj bırakmaya hoş geldiniz ~
Ya sen Kurumsal lider / sektör eliti , Ayrıca veri gönderme ekibiyle iletişim kurmak istiyorum, iletişim e-postası aracılığıyla kaydolmaya hoş geldiniz ~
Eposta: datapi@tsingdata.com
