Các nhà nghiên cứu tại Bộ Năng lượng Hoa Kỳ (DOE) đang thiết kế một hệ thống mới, giúp dự đoán và điều khiển lượng giao thông dày đặc tại Los Angeles.

Giao thông của Los Angeles vẫn luôn tai tiếng vì mật độ dày đặc của nó – thường dẫn đầu trong bảng xếp hạng mật độ giao thông tại Hoa Kỳ. Nhiều ước tính còn cho rằng, người dân tại đây thường tốn ít nhất 120 tiếng mỗi năm cho các vụ kẹt xe. Giao thông tại đây vẫn luôn là một ác mộng đối với các tài xế, song lại có những lợi ích nhất định cho việc thiết kế các hệ thống dự đoán giao thông.

Và các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ đang cố gắng thực hiện chính xác điều này.

Cụ thể, đội ngũ nghiên cứu này đang sử dụng các siêu máy tính tại Argonne để xử lý dữ liệu giao thông trong một năm, được thu thập từ 11.160 thiết bị cảm biến thuộc hệ thống đường cao tốc California. Điều này được thực hiện thông qua một kỹ thuật trí tuệ nhân tạo (AI) mang tên machine learning (học máy), và các thông tin thu được sẽ được sử dụng để huấn luyện mộ hình giúp dự đoán tình trạng giao thông trên thời gian thực. Chỉ trong vòng vài mili giây, mô hình sẽ có thể dự đoán vô cùng chính xác tình trạng giao thông trong 1 tiếng tiếp theo, dựa trên các dữ liệu của tiếng trước đó.

Đội ngũ hiện đang hợp tác với các thành viên thuộc Ban Toán học và Tin học Argonne (MCS), cùng với ALCF – một cơ sở khoa học trực thuộc DOE. Kết quả cho thấy nhiều dấu hiệu tích cực trong việc dự đoán giao thông, và hiện nghiên cứu đã được đăng tải trên Tờ Transportation Research Record: Journal of the Transportation Research.

“Thông qua việc phối hợp AI và các năng lực siêu máy tính của Argonne, chúng tôi đã có thể xử lý các vấn đề lớn, Prasanna Balaprakash, một nhà khoa học máy tính tại MCS, chia sẻ. “Quy mô của dự án này rất lớn, và để có thể xử lý tất cả các dữ liệu liên quan, ta cần có những tài nguyên máy tính tương ứng.”

Và cơ sở vật chất hàng đầu tại ALCF đã giúp các nhà khoa học giảm được đáng kể số thời gian cần thiết cho việc huấn luyện mô hình. Cụ thể, một máy tính đời mới thông thường sẽ tốn tới 1 tuần để huấn luyện mô hình dự đoán giao thông này, trong khi đó siêu máy tính Argonne sẽ chỉ mất chưa tới 3 tiếng đồng hồ.

Mô hình cũng sử dụng công nghệ graph-based deep learning – một dạng machine learning phức tạp hơn, đồng thời có khả năng ra quyết định và cải thiện dự đoán của mô hình một cách tự động. Trong khi đó, các xu thế giao thông được dự đoán – bao gồm cả tốc độ và luồng giao thông – lại thường được đưa ra dựa trên các dữ liệu lịch sử. Điều này là rất quan trọng bởi lẽ thông thường luồng giao thông tại một thời điểm bất kỳ đều sẽ chịu ảnh hưởng của các tốc độ và luồng giao thông ở những khu vực lân cận.

Các phương thức dự đoán giao thông là vô cùng cần thiết cho việc phát triển các chiến lược thích ứng trong giao thông,” Eric Rask, nguyên kỹ sư nghiên cứu trưởng tại Trung tâm Nghiên cứu Giao thông Argonne, cũng là một tác giả của nghiên cứu, đã chia sẻ. “Xu hướng giao thông thường chịu ảnh hưởng của nhiều yếu tố về cả không gian lẫn thời gian, khiến cho việc dự đoán chúng, đặc biệt là trên các hệ thống cao tốc, trở nên rất khó khăn.”

Ông cũng khẳng định rằng, kết quả nghiên cứu lần này không chỉ thành công bao hàm các yếu tố trên, mà còn ứng dụng được trên một mạng lưới giao thông với nhiều cảm ứng và địa điểm dự đoán hơn bất cứ mô hình nào trước đó. Thông qua việc chia một mạng lưới lớn thành nhiều mạng nhỏ, đội ngũ nghiên cứu đã có thể huấn luyện độc lập từng phần của hệ thống, giúp cải thiện đáng kể cả tốc độ lẫn hiệu quả của mô hình.

Trước đây, các mô hình thường chỉ có thể xử lý dữ liệu của 200-300 điểm cảm ứng. Còn giờ đây với phương thức này, nhóm nghiên cứu đã có thể xử lý dữ liệu của hơn 11.000 điểm với thời gian huấn luyện ngắn hơn đáng kể. Có thể nói, kỹ thuật mới không chỉ nhanh mà còn chính xác: nó có thể dự đoán chính xác tốc độ giao thông trước 1 tiếng, với độ chênh lệch dưới mức 10km/h tại mọi địa điểm trên mạng lưới được phân tích.

Quy mô và độ chính xác của kỹ thuật dự đoán này sẽ giúp ta đưa ra được các quyết định đúng đắn hơn,” Tanwi Mallick, first author (tác giả chính) của nghiên cứu chia sẻ.

Mallick và các đồng nghiệp đều tin rằng, mô hình đã sẵn sàng để được tích hợp vào các trung tâm quản lý giao thông, giúp việc phản ứng và giải quyết tắc nghẽn trở nên hiệu quả hơn.

Theo TechXplore

Tin liên quan: