With the population and the number of vehicles growing in
large cities, managing the heavy traffic in urban areas has
become a challenging yet essential task for the municipality.
Addressing this issue has become particularly urgent for big
cities in China, where millions of people live and commute
every day.
In this use case, big data-based AI technologies are applied to
monitoring and managing the heavy traffic in a metropolitan
area in south China. Previously, significant human resources
were involved in vehicle and road monitoring, and large
investment was made to the computing infrastructure
specific to certain functionalities. To increase the efficiency
of urban transportation and reduce traffic congestion and air
pollution, as well as minimize human labour, machine
learning techniques (e.g. deep learning) are applied to image
and video analysis, such as traffic flow analysis, infraction
detection and incident detection. Example applications
include but are not limited to: 1) detection of traffic rule
violations, e.g. speeding, driving in the wrong lane and
parking. AI-enabled detection produces much faster and
more accurate results, and helps in enforcing the traffic
regulations; and 2) traffic light optimization. Based on the
modelling and analysis of multi-sourced traffic information
(both real-time and historical data), traffic lights are
dynamically configured to divert the flow, increase the
76
passing speed of cars and reduce traffic congestion at major
junctions.
The use of AI has delivered remarkable results that the
infraction detection efficiency has showed a 10X increase,
and the detection accuracy is greater than 95 %. It has
greatly alleviated traffic congestion in urban areas, with
vehicles passing speed through major junctions increasing
by 9 % to 25 %.

Avec la croissance de la population et du nombre de véhicules dans les grandes villes, la gestion du trafic lourd dans les zones urbaines est devenue une tâche difficile mais essentielle pour la municipalité. Aborder ce problème est devenu particulièrement urgent pour les grandes villes de Chine, où des millions de personnes vivent et se déplacent chaque jour. Dans ce cas d'utilisation, les technologies d'IA basées sur les mégadonnées sont appliquées à la surveillance et à la gestion du trafic intense dans une zone métropolitaine du sud de la Chine. Auparavant, des ressources humaines importantes étaient impliquées dans la surveillance des véhicules et des routes, et des investissements importants ont été réalisés dans l'infrastructure informatique spécifique à certaines fonctionnalités. Pour augmenter l'efficacité des transports urbains et réduire les embouteillages et la pollution de l'air, ainsi que minimiser le travail humain, des techniques d'apprentissage automatique (par exemple, l'apprentissage en profondeur) sont appliquées à l'analyse d'images et de vidéos, telles que l'analyse des flux de trafic, la détection des infractions et la détection des incidents. Les exemples d'applications incluent, mais ne sont pas limités à : 1) la détection des violations des règles de circulation, par exemple les excès de vitesse, la conduite dans la mauvaise voie et le stationnement. La détection activée par l'IA produit des résultats beaucoup plus rapides et plus précis et aide à faire respecter les règles de circulation ; et 2) optimisation des feux de circulation. Sur la base de la modélisation et de l'analyse d'informations trafic multi-sources (données en temps réel et historiques), les feux de circulation sont configurés dynamiquement pour détourner le flux, augmenter la vitesse de passage des voitures et réduire la congestion du trafic aux principaux carrefours. L'utilisation de l'IA a donné des résultats remarquables : l'efficacité de la détection des infractions a été multipliée par 10 et la précision de la détection est supérieure à 95 %. Il a considérablement réduit la congestion du trafic dans les zones urbaines, la vitesse des véhicules traversant les grands carrefours augmentant de 9 % à 25 %.

Big data-enabled AI technologies are applied to monitoring
and managing the traffic in a large municipality in China.
Multi-sourced data (traffic flow, vehicle data, pedestrian
movement, etc.) is monitored, from which illegal operation
of vehicles, unexpected incidents, surges of traffic, etc. are
detected and analysed using ML methods. ML tasks
(including training and deployment) are carried out on a
platform supporting the integration of various ML
frameworks, models and algorithms. The platform is based
on heterogeneous computing resources. The efficiency and
accuracy of infraction detection, and the effectiveness of
traffic management are significantly improved, with much
reduced human effort and overall solution cost.

Les technologies d'intelligence artificielle basées sur les mégadonnées sont appliquées à la surveillance et à la gestion du trafic dans une grande municipalité en Chine. Des données multi-sources (flux de trafic, données de véhicules, mouvement des piétons, etc.) sont surveillées, à partir desquelles la conduite illégale de véhicules, les incidents inattendus, les pics de trafic, etc. sont détectés et analysés à l'aide de méthodes ML. Les tâches ML (y compris la formation et le déploiement) sont effectuées sur une plate-forme prenant en charge l'intégration de divers cadres, modèles et algorithmes ML. La plateforme s'appuie sur des ressources informatiques hétérogènes. L'efficacité et la précision de la détection des infractions, ainsi que l'efficacité de la gestion du trafic sont considérablement améliorées, avec un effort humain et un coût global de la solution considérablement réduits.

Enhancing traffic management efficiency and infraction detection accuracy with AI technologies