ArcGIS , AI и Machine Learning для прогнозирования длительности поездок для транспортных сетей с большим количеством переменных.

Сотрудничество и позволило объединить ГИС , искусственный интеллект , машинное обучение и обучить искусственную нейронную сеть для прогнозирования длительности поездки для транспортных сетей с учетом большого количества сложных, сложно поддающихся моделированию факторов.

Крупные логистические компании при планировании доставок на следующий день сталкиваются задачей оптимизации расписания посещения тысячи остановок сотнями автомобилей в рамках единой задачи оптимизации.

Кроме этого при оптимизации маршрутов необходимо учитывать изменения скоростей дорожного движения, вызванные сезонностью и погодными условиями, предпочтительные маршруты пользователя, индивидуальные особенности транспортного средства и водителя, влияющие на производительность, и т.д.

За частую некоторые из этих параметров сложно формализовать, что делает не возможным применение традиционных алгоритмов построения маршрутов.

Для обучения искусственной нейронной сети были использованы 300 миллионов «маршрутов» для территории Калифорнии и Невады, смоделированных по дорожному графу, которые представляли из себя начальные и конечные точки маршрута, а так же время начала поездки и ее продолжительность.

Несмотря на простоту входных данных, нейронная сеть, пройдя обучение, смогла точно предсказывать длительность поездки между любыми двумя точками в Калифорнии и Неваде, принимая во внимание время выезда и учитывая загруженность дорог.

После обучения нейронная сеть может производить прогнозы с огромной пропускной способностью: одна настольная машина с картой NVIDIA GV100 может вычислять более 300 000 маршрутов в секунду с ожидаемым временем прибытия, что на два-три порядка быстрее традиционных детерминированных алгоритмов.

На видео - паттерн дорожного трафика попавший в нейронную сеть во время обучения. Анимация показывает как 25-минутная изохрона, разделенная на 125 секундные интервалы, изменяется в течение суток. Изохрона сжимается в рабочее время и расширяется в течение ночи.

Все подробности описаны в статье в GeoNet https://community.esri.com/community/gis/applications/arcgis-pro/blog/2018/03/27/predicting-travel-times-with-artificial-neural-network-and-historical-routes?adumkts=social&utm_source=social&aduc=social&adum=external&aduSF=twitter&aduca=social_branding&aduco=Predicting_Travel_Times&aduat=blog&adbsc=social_branding_20180402_2246161&adbid=979494427767877633&adbpl=tw&adbpr=16132791&adbid=980823439790325766&adbpl=tw&adbpr=16132791 одним из лучших инженеров Esri Дмитрием Кудиновым, который делился результатами своей исследовательской работы на нашей Конференции пользователей Esri в России и странах СНГ https://youtu.be/ly5n7Fzg66g?t=26m22s в 2017 году

Источник: youtu.be

Комментарии: