กีฬา (sport)

งานถนนข้างหน้า: การใช้โครงข่ายประสาทเทียมเชิงลึกเพื่อประเมินผลกระทบของเขตงาน

การก่อสร้างริมถนน ไม่ว่าจะเป็นทางอ้อม ช่องทางปิด หรือคนงานและอุปกรณ์ที่เดินผ่านมาช้า โซนงานส่งผลกระทบต่อการจราจรและเวลาในการเดินทางในระดับทั่วทั้งระบบ ความสามารถในการคาดการณ์อย่างชัดเจนว่าผลกระทบเหล่านั้นจะเป็นอย่างไร และวางแผนสำหรับผลกระทบเหล่านั้น จะช่วยได้มากสำหรับทั้งหน่วยงานด้านการขนส่งและผู้ใช้ถนน โครงการ Small Starts ล่าสุดซึ่งได้รับทุนสนับสนุนจากสถาบันเพื่อการขนส่งและชุมชนแห่งชาติซึ่งนำโดย Abbas Rashidi แห่งมหาวิทยาลัย Utah ได้แนะนำโมเดลโครงข่ายประสาทเทียมเชิงลึกที่แข็งแกร่งสำหรับการวิเคราะห์ผลกระทบการจราจรทางรถยนต์ของเขตก่อสร้าง สาเหตุหลักสามอันดับแรกของความล่าช้าของการจราจรที่ไม่เกิดซ้ำ ได้แก่ การชน พื้นที่ทำงาน และสภาพอากาศที่ไม่เอื้ออำนวย โดยโซนการทำงานคิดเป็น 10% ของความล่าช้าที่ไม่เกิดซ้ำทั้งหมด การคาดคะเนผลกระทบของพื้นที่ทำงานที่แม่นยำอาจช่วยลดการใช้เชื้อเพลิงและมลพิษทางอากาศได้อย่างมีนัยสำคัญ “แมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกเป็นเครื่องมือที่ทรงพลังในการสร้างข้อมูลประเภทต่างๆ และคาดการณ์สถานการณ์ในอนาคต การใช้ AI ในการวิเคราะห์ข้อมูลคืออนาคตของวิศวกรรมการขนส่งโดยทั่วไป” Rashidi กล่าว Utah Department of Transportation (UDOT) รวบรวมข้อมูลประเภทต่างๆ ที่เกี่ยวข้องกับการดำเนินงานของโซนงาน ในการทำงานร่วมกับข้อมูลเหล่านี้ Rashidi และผู้ช่วยวิจัยระดับบัณฑิตศึกษา Ali Hassandokht Mashhadi ได้สำรวจวิธีการประเมินผลกระทบของตัวแปรต่างๆ ที่มีต่อสภาพการจราจรและความคล่องตัวของระบบถนนทั้งหมด การวิเคราะห์นี้สามารถช่วยให้ UDOT เข้าใจและวางแผนสำหรับการปฏิบัติงานในเขตพื้นที่ทำงานได้อย่างมีประสิทธิภาพมากขึ้น เลือกระบบการจัดการจราจรที่มีประสิทธิภาพมากที่สุดสำหรับพื้นที่ทำงาน และประเมินต้นทุนที่ซ่อนอยู่ของการดำเนินงานก่อสร้างในเขตพื้นที่ทำงาน ปัจจัยอะไรบ้างที่กระทบต่อการจราจรในรถยนต์? ผลกระทบด้านการจราจรของพื้นที่ทำงานอาจแตกต่างกันไปขึ้นอยู่กับเงื่อนไขที่มีอยู่อื่น ๆ และวิธีที่พวกเขาตัดกับปัจจัยของพื้นที่ทำงาน: ปัจจัยของโซนงาน: แผนผังและที่ตั้งของพื้นที่ทำงาน ความยาวของการปิดถนน ความเร็วของการจราจรที่โซนงาน และรายวัน ชั่วโมงการทำงาน ปัจจัยด้านการจราจร: เปอร์เซ็นต์ของยานพาหนะขนาดใหญ่ การจำกัดความเร็วบนทางหลวง ความจุ ความคล่องตัว การไหล ความหนาแน่น ความแออัด และการเข้าใช้ ปัจจัยด้านถนน: จำนวนช่องจราจรทั้งหมด จำนวนช่องจราจร เกรดและสภาพทางเท้า ปัจจัยด้านเวลา: ปี ฤดู เดือน วันในสัปดาห์ เวลาของวัน และความมืด/แสงสว่าง ปัจจัยเชิงพื้นที่: ความกว้างของช่องจราจรและการมีอยู่และจำนวนทางลาดบนทางหลวงในบริเวณใกล้เคียง UDOT รวบรวมข้อมูลดิบจำนวนมากในพื้นที่ทำงาน รวมถึงข้อมูลเกี่ยวกับปัจจัยข้างต้น ซึ่งทำให้โครงการนี้เป็นไปได้ แบบจำลองโครงข่ายประสาทเทียมระดับลึก (DNN) ที่พัฒนาโดยนักวิจัยสามารถประเมินผลกระทบของหลายปัจจัยและการมีปฏิสัมพันธ์ระหว่างกัน DNN สามารถจับความสัมพันธ์ระหว่างตัวแปรอินพุตและเอาต์พุต ตรงกันข้ามกับอัลกอริธึมการเรียนรู้ของเครื่องแบบดั้งเดิม โมเดลนี้ทำงานอย่างไร? DNN ได้รับการฝึกอบรมและประเมินจากจุดข้อมูลประมาณ 400,000 จุด ซึ่งรวบรวมจากโครงการ 80 โครงการบนถนนยูทาห์ นักวิจัยประเมินประสิทธิภาพของแบบจำลองโดยใช้การวัดที่แตกต่างกันสามแบบ ได้แก่ คะแนน R2, Root Mean Squared Error (RMSE) และ Mean Absolute Error (MAE) ความถูกต้องของผลลัพธ์ของเขตงานทุกประเภท รวมทั้งในระยะสั้นและระยะยาว เวลากลางวันและกลางคืน และเขตงานระหว่างรัฐและทางหลอดเลือด เป็นที่ยอมรับ โดยมีข้อผิดพลาดน้อยกว่า 2% ในปริมาณการจราจรที่คาดการณ์ไว้ นี่เป็นการศึกษาครั้งแรกที่พยายามตรวจสอบผลกระทบของฟีเจอร์โซนงานต่อปริมาณการรับส่งข้อมูลรายชั่วโมง ประโยชน์หลักของรูปแบบที่เสนอคือ ผู้ใช้ไม่ต้องตั้งค่าปัจจัยการปรับแต่งต่างๆ ตามประสบการณ์จริง โมเดลที่พัฒนาก่อนหน้านี้มักต้องการปัจจัยการปรับสองสามตัวในแบบจำลองทางคณิตศาสตร์เพื่อประเมินความจุของโซนงาน อย่างไรก็ตาม โมเดลที่พัฒนาโดย Rashidi และ Mashhadi สามารถประมาณปริมาณการรับส่งข้อมูลรายชั่วโมงโดยไม่ต้องเพิ่มปัจจัยด้วยตนเอง นอกจากนี้ ยังควรสังเกตด้วยว่าด้วยการใช้คุณลักษณะเขตพื้นที่ทำงาน คุณลักษณะของถนน และคุณลักษณะชั่วขณะเป็นตัวแปรอินพุต โมเดลสามารถประมาณการจราจรในพื้นที่ทำงานแม้ในพื้นที่ที่ไม่มีเซ็นเซอร์การจราจร การดำเนินการตามวิธีการ ได้รับทุนสนับสนุนจาก NITC Small Starts โครงการนำร่องนี้แสดงให้เห็นผลลัพธ์ที่น่าพึงพอใจ เพื่อให้โมเดลนี้อยู่ในมือของมืออาชีพที่สามารถใช้งานได้ ทีมวิจัยได้ตีพิมพ์บทความหนึ่งฉบับใน บันทึกการวิจัยการขนส่ง: การทบทวนวิธีการสำหรับการประเมินความจุของโซนงานก่อสร้าง และอยู่ในขั้นตอนของการเผยแพร่บทความในวารสารฉบับอื่น ขั้นตอนต่อไปรวมถึงการแบ่งปันผลการวิจัยกับ UDOT เพื่อรับข้อเสนอแนะและตรวจสอบว่าแบบจำลองจะมีประโยชน์ต่อพวกเขาอย่างไร Rashidi ยังหวังที่จะขยายขีดความสามารถของโมเดลด้วยการวิจัยในอนาคต “การศึกษาครั้งนี้มุ่งเน้นไปที่ข้อมูลของยูทาห์ คงจะดีถ้าเราสามารถทำการศึกษาที่คล้ายกันและเปรียบเทียบผลลัพธ์กับรัฐอื่นๆ ดูว่ารูปแบบพฤติกรรมมีความคล้ายคลึงกันอย่างไร” Rashidi กล่าว ที่มาของเรื่อง: วัสดุที่จัดทำโดยมหาวิทยาลัยแห่งรัฐพอร์ตแลนด์ หมายเหตุ: อาจมีการแก้ไขเนื้อหาสำหรับรูปแบบและความยาว

Back to top button