ΕπόμενοΕπόμενος οδηγός
AI στη βελτιστοποίηση τιμών και τη δυναμική τιμολόγηση
Εφαρμογές
ΟΔΗΓΟΣ Εφαρμογών
AI στη βελτιστοποίηση σημάτων κυκλοφορίας
Η τεχνητή νοημοσύνη προσαρμόζει δυναμικά τον χρονισμό των φαναριών σε πραγματικό χρόνο με βάση την πραγματική ζήτηση οχημάτων και πεζών, αντί να βασίζεται σε σταθερά χρονοδιαγράμματα.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
The payoff is shorter waits, less stop-and-go, lower emissions, and smoother urban travel.
Βαθιά κατάδυση
Τα παραδοσιακά σήματα κυκλοφορίας εκτελούνται σε σταθερά σχέδια χρονισμού που έχουν καθοριστεί χρόνια νωρίτερα, τα οποία ταιριάζουν ελάχιστα στην απρόβλεπτη κυκλοφορία του πραγματικού κόσμου. Τα συστήματα που βασίζονται σε τεχνητή νοημοσύνη χρησιμοποιούν αισθητήρες, κάμερες και δεδομένα συνδεδεμένων οχημάτων για να ανιχνεύσουν την τρέχουσα ζήτηση σε κάθε διασταύρωση και να προσαρμόσουν ανάλογα τις πράσινες ώρες. Πολλά συστήματα χρησιμοποιούν ενισχυτική μάθηση, όπου ένας πράκτορας μαθαίνει μια πολιτική ελέγχου σήματος με δοκιμή και σφάλμα στην προσομοίωση, ανταμείβεται για τη μείωση της συνολικής καθυστέρησης του οχήματος. Ο συντονισμός πολλαπλών διασταυρώσεων είναι πιο δύσκολος, καθώς η αλλαγή ενός φωτός κυματίζεται σε γείτονες, έτσι οι προσεγγίσεις πολλαπλών πρακτόρων επιτρέπουν στα σήματα να συνεργάζονται κατά μήκος των διαδρόμων. Το Πράσινο φως του έργου του Google, που αναπτύχθηκε σε πόλεις όπως το Σιάτλ και το Μάντσεστερ, χρησιμοποίησε την τεχνητή νοημοσύνη για να προτείνει προσαρμογές χρονισμού, αναφέροντας σημαντικές μειώσεις στις στάσεις και τις εκπομπές διασταυρώσεων σε πιλοτικές μελέτες.
Υλοποίηση σε πραγματικό κόσμο
Το Πράσινο Φως του Έργου Google ανέλυσε τα μοτίβα οδήγησης για να προτείνει τον επαναχρονισμό του σήματος στις πόλεις, μειώνοντας τις στάσεις σε πολυσύχναστες διασταυρώσεις.
Το προσαρμοστικό σύστημα Surtrac του Πίτσμπουργκ χρησιμοποίησε αποκεντρωμένους ελεγκτές τεχνητής νοημοσύνης για να μειώσει τους χρόνους ταξιδιού και το ρελαντί κατά μήκος των διαδρόμων.
Οι πόλεις δίνουν προτεραιότητα στο σήμα διέλευσης, ώστε η τεχνητή νοημοσύνη να επεκτείνει τα πράσινα φώτα όταν ένα λεωφορείο με καθυστέρηση πλησιάζει σε μια διασταύρωση.
Η πρόληψη έκτακτης ανάγκης οχημάτων χρησιμοποιεί σήματα συντονισμένα με AI για να ανοίξει μια διαδρομή για ασθενοφόρα και πυροσβεστικά οχήματα μέσω της κυκλοφορίας.
Το μέλλον της τεχνητής νοημοσύνης στη βελτιστοποίηση σημάτων κυκλοφορίας
Καθώς τα συνδεδεμένα και αυτόνομα οχήματα εξαπλώνονται, τα σήματα θα διαπραγματεύονται απευθείας με τα πλησιέστερα αυτοκίνητα, επιτρέποντας ενδεχομένως λιγότερες σκληρές στάσεις και ακόμη και συντονισμένες διασταυρώσεις χωρίς σήμα μακροπρόθεσμα. Αναμένετε στενότερη συγχώνευση προτεραιότητας συγκοινωνίας, πρόληψης οχημάτων έκτακτης ανάγκης, ασφάλειας πεζών και ποδηλατών και βελτιστοποίησης σε όλη την πόλη. Η ανίχνευση διατήρησης του απορρήτου και η τεχνητή νοημοσύνη αιχμής στους τοπικούς ελεγκτές θα μειώσουν την εξάρτηση από τη συνδεσιμότητα στο cloud, καθιστώντας τον προσαρμοστικό έλεγχο φθηνότερο για την ανάπτυξη σε κλίμακα σε μικρότερους δήμους.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Δημιουργήστε επιλογές. Ο σχεδιασμός σε επίπεδο εφαρμογής καθορίζει εάν η τεχνητή νοημοσύνη βελτιώνει τα πραγματικά αποτελέσματα.
- Ομάδα και ροή εργασίας. Η καλή ενσωμάτωση ροής εργασιών δημιουργεί κέρδη παραγωγικότητας που μπορούν να εμπιστευτούν οι χρήστες.
- Κίνδυνος και ασφάλεια. Οι καλές περιπτώσεις χρήσης μειώνουν την κόπωση λόγω αλλαγής και τον κίνδυνο εφαρμογής.
Προσέξτε
- Η αυτοματοποίηση μιας διαλυμένης διαδικασίας μπορεί να ενισχύσει τα υπάρχοντα προβλήματα.
- Οι ομάδες μπορεί να αυτοματοποιήσουν υπερβολικά και να αφαιρέσουν την απαραίτητη ανθρώπινη κρίση.
- Η ποιότητα μπορεί να αλλάξει αν τα αποτελέσματα δεν αξιολογούνται συνεχώς.
Επόμενα βήματα
- Χαρτογραφήστε την τρέχουσα ροή εργασίας και εντοπίστε το βήμα της υψηλότερης τριβής.
- Καθορίστε ανθρώπινα σημεία ελέγχου πριν από την πλήρη αυτοματοποίηση.
- Εκπαιδεύστε τους χρήστες σε προτροπές, διαδρομές κλιμάκωσης και πρότυπα ποιότητας.
- Παρακολουθήστε τα αποτελέσματα σε επίπεδο εργασίας για να επιβεβαιώσετε τη σταθερή αξία.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the AI in Traffic Signal Optimization quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
What is AI in Traffic Signal Optimization?
Η τεχνητή νοημοσύνη προσαρμόζει δυναμικά τον χρονισμό των φαναριών σε πραγματικό χρόνο με βάση την πραγματική ζήτηση οχημάτων και πεζών, αντί να βασίζεται σε σταθερά χρονοδιαγράμματα. Η ανταμοιβή είναι μικρότερη αναμονή, λιγότερες στάσεις, χαμηλότερες εκπομπές ρύπων και ομαλότερη αστική μετακίνηση.
Ποιος είναι ο κύριος περιορισμός των παραδοσιακών σημάτων κυκλοφορίας σταθερού χρονισμού;
Τα σταθερά σχέδια χρονισμού ορίζονται εκ των προτέρων και δεν προσαρμόζονται στις μεταβλητές συνθήκες κυκλοφορίας σε πραγματικό χρόνο σε μια διασταύρωση.
Ποια προσέγγιση μηχανικής εκμάθησης χρησιμοποιείται συνήθως για την εκμάθηση πολιτικών ελέγχου σήματος;
Η ενισχυτική μάθηση επιτρέπει σε έναν πράκτορα να μάθει τις πολιτικές ελέγχου με δοκιμή και σφάλμα, ανταμείβεται για τη μείωση της καθυστέρησης του οχήματος.
Σε έναν πράκτορα κυκλοφορίας μάθησης ενίσχυσης, τι τιμωρεί συνήθως η ανταμοιβή;
Η ανταμοιβή συνήθως τιμωρεί τη συνολική καθυστέρηση ή τη διάρκεια της ουράς, ωθώντας τον πράκτορα να διατηρήσει την κίνηση σε κίνηση.
Γιατί ο συντονισμός πολλαπλών διασταυρώσεων είναι πιο δύσκολος από τη βελτιστοποίηση μιας;
Τα σήματα είναι αλληλεξαρτώμενα, επομένως μια αλλαγή στο ένα φως κυματίζει προς τα κάτω, απαιτώντας συντονισμό πολλών παραγόντων για πράσινα κύματα.
Τι σχεδιάστηκε για να κάνει το Project Green Light του Google;
Το Project Green Light χρησιμοποίησε τεχνητή νοημοσύνη για να αναλύσει τα μοτίβα οδήγησης και να συστήσει τον επαναχρονισμό του σήματος για τη μείωση των στάσεων και των εκπομπών.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα