breadcrumbs icon
Transport

Détection de trafic

Solution d'IA pour l'optimisation des feux de circulation basée sur la fusion de données multi-sources

Solution d'IA pour l'optimisation des feux de circulation basée sur la fusion de données multi-sources

Pour:
Département des transports (DOT) Département de la police (DOP)
Objectif:
Améliorer l'efficacité des opérations
Problème adressé
Trouver une solution efficace et efficiente pour améliorer l'efficacité de l'utilisation de la route en augmentant la vitesse du flux de trafic et en réduisant le temps d'attente du flux de trafic.
But du cas d'usage
Générez des plans de synchronisation des feux de circulation en analysant l'état et les modèles de flux de trafic basés sur la fusion des données Internet, des données des bobines d'induction et des données vidéo, et contrôlez les feux de circulation avec les plans de synchronisation générés en temps réel, de manière auto-adaptative et coopérative.
Description
Un administrateur de la circulation produit des plans de synchronisation des feux de circulation en observant la situation de la circulation sur place aux intersections ou à l'aide de vidéos, et s'appuie sur son expérience personnelle. Ces plans de synchronisation sont ensuite entrés et exécutés par le système de contrôle des feux de circulation. Les inconvénients de cette approche de génération manuelle de plan de synchronisation des feux de circulation sont les suivants : 1. Faible efficacité informatique - il faut beaucoup de temps à un administrateur de trafic pour observer et analyser les modèles de trafic. 2. Faible précision de calcul - un administrateur de trafic se concentre uniquement sur la tendance macro du flux de trafic aux intersections sans calculer les paramètres de trafic détaillés tels que la vitesse, la longueur de la file d'attente dans chaque voie, etc. 3. Réponse lente aux fluctuations du flux de trafic - il est difficile pour un administrateur de trafic pour produire un plan de synchronisation adaptatif à temps pour gérer les fluctuations de flux de trafic en temps réel, en raison de son efficacité informatique limitée, sans parler de devoir coordonner les flux de trafic entre plusieurs intersections en contrôlant les feux de circulation en temps réel. 4. Les administrateurs de la circulation expérimentés sont très rares pour les villes comptant des milliers d'intersections. Pour résoudre les problèmes ci-dessus, le fournisseur d'IA applique une approche de fusion de données multi-sources pour reconnaître l'état du flux de trafic et généraliser le modèle de flux de trafic en analysant les données Internet (c'est-à-dire les données de trajectoire de conduite du véhicule fournies par les fournisseurs de services Internet), les données de détection collectées par des bobines d'induction, et des données structurées reconnues à partir de vidéos. En outre, le fournisseur d'intelligence artificielle développe une méthode d'optimisation qui élabore un plan de synchronisation optimisé des feux de circulation en répondant de manière auto-adaptative aux fluctuations du flux de trafic en temps réel et peut fournir une coordination du flux de trafic entre plusieurs intersections. Les méthodes développées ont été appliquées dans la pratique au sein d'une région donnée dans une grande ville. Il génère des plans de synchronisation des feux de circulation pour tous les carrefours de la région en fonction de leur fluctuation des flux de trafic en temps réel, avec une fréquence de mise à jour de 5 m/t. Par rapport aux plans de chronométrage manuel des feux de circulation des administrateurs de la circulation, les plans générés par la nouvelle méthode ont augmenté la vitesse moyenne de conduite des véhicules de 9 % et réduit le temps d'attente moyen des véhicules de 15 %.
understand frame img
Réseau bayésien
analyse de séries temporelles
Intéressé par le même projet ou un projet similaire ?
Soumettez une demande et obtenez une évaluation gratuite de votre projet.