LegközelebbKövetkező útmutató
AI az ároptimalizálásban és a dinamikus árképzésben
Alkalmazások
Alkalmazási ÚTMUTATÓ
Az AI dinamikusan, valós időben állítja be a közlekedési lámpák időzítését a tényleges jármű- és gyalogosigények alapján, ahelyett, hogy a rögzített menetrendekre hagyatkozna.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
A kifizetődő rövidebb várakozás, kevesebb megállás és út, alacsonyabb károsanyag-kibocsátás és gördülékenyebb városi utazás.
A hagyományos közlekedési jelzőlámpák évekkel előre meghatározott fix időzítési tervek alapján futnak, amelyek rosszul illeszkednek a kiszámíthatatlan valós forgalomhoz. Az AI-alapú rendszerek érzékelőket, kamerákat és csatlakoztatott járműadatokat használnak az aktuális kereslet érzékelésére az egyes kereszteződésekben, és ennek megfelelően állítják be a zöldidőt. Sok rendszer megerősítő tanulást használ, ahol az ügynök szimulációban próbálgatással tanulja meg a jelvezérlési politikát, és jutalmazza a jármű teljes késleltetésének csökkentését. Több kereszteződés koordinálása nehezebb, mivel az egyik lámpa cseréje a szomszédokra hullámzik, így a többszeres megközelítések lehetővé teszik a jelzések együttműködését a folyosókon. A Google Green Light projektje, amelyet olyan városokban telepítettek, mint Seattle és Manchester, mesterséges intelligencia segítségével javasolta az időzítést, és a kísérleti tanulmányok során a megállások és a kereszteződések károsanyag-kibocsátásának jelentős csökkenését jelentette.
A Google projekt Green Light elemezte a vezetési mintákat, hogy javaslatot tegyen a jelzések visszaállítására a városokban, csökkentve a megállásokat a forgalmas kereszteződésekben.
A pittsburghi Surtrac adaptív rendszer decentralizált mesterséges intelligencia-vezérlőket használt az utazási idők és az üresjáratok csökkentésére a folyosókon.
A városok elsőbbséget biztosítanak a tömegközlekedési jelzéseknek, így az AI kiterjeszti a zöld lámpákat, amikor egy késleltetett busz megközelíti a kereszteződést.
A sürgősségi járművek elővétele mesterséges intelligencia által koordinált jelzéseket használ, hogy megszabadítsa a mentők és a tűzoltóautók útját a forgalomban.
Ahogy az összekapcsolt és autonóm járművek elterjednek, a jelzések közvetlenül érintkeznek a közeledő autókkal, ami potenciálisan kevesebb kemény megállást és hosszú távon akár jelzés nélküli koordinált kereszteződéseket tesz lehetővé. A tömegközlekedési elsőbbség, a sürgősségi gépjárművek elővásárlása, a gyalogosok és kerékpárosok biztonsága, valamint az egész városra kiterjedő optimalizálás szorosabb fúziójára számíthat. A helyi vezérlők magánélet-megőrző érzékelése és szélső mesterséges intelligencia csökkenti a felhőkapcsolattól való függőséget, így az adaptív vezérlés olcsóbbá válik a kisebb településeken.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az AI dinamikusan, valós időben állítja be a közlekedési lámpák időzítését a tényleges jármű- és gyalogosigények alapján, ahelyett, hogy a rögzített menetrendekre hagyatkozna. A kifizetődő rövidebb várakozási idő, kevesebb megállás és út, alacsonyabb károsanyag-kibocsátás és gördülékenyebb városi utazás.
A rögzített időzítési terveket előre beállítják, és nem alkalmazkodnak a kereszteződésekben változó, valós idejű forgalmi viszonyokhoz.
A megerősítő tanulás lehetővé teszi az ügynökök számára, hogy próba és hiba útján megtanulják a vezérlési irányelveket, és jutalmazzák a jármű késésének csökkentését.
A jutalom általában a teljes késést vagy a várakozási sor hosszát bünteti, és arra készteti az ügynököt, hogy tartsa a forgalmat.
A jelek kölcsönösen függenek egymástól, így az egyik fényváltozás lefelé hullámzik, ami több ágens koordinációt igényel a zöld hullámokhoz.
A Project Green Light mesterséges intelligencia segítségével elemezte a vezetési mintákat, és a megállások és a károsanyag-kibocsátás csökkentése érdekében a jelek újraszabályozását javasolta.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI az ároptimalizálásban és a dinamikus árképzésben
Alkalmazások