Fot. 1. Etapy gromadzenia, przetwarzania i walidacji danych
Naukowcy WAT zaprojektowali innowacyjny sposób modelowania ruchu drogowego. Do przewidywania czasu przejazdu zaproponowali model sztucznej inteligencji (AI). Wdrożenie tego podejścia w systemach zarządzania ruchem znacząco poprawi jakość podróżowania. Wyniki badań opisali w czasopiśmie „Expert Systems With Applications”. Biorąc pod uwagę indeks Impact Factor, praca jest jedną z najlepszych publikacji o transporcie, jaka została opublikowana przez polskich naukowców.
Na całym świecie regularnie zwiększa się liczba użytkowników dróg. Rosnąca liczba pojazdów i nienadążająca za tym rozbudowa infrastruktury drogowej wpływają na zwiększenie obciążenia na odcinkach dróg, zwłaszcza na obszarach silnie zurbanizowanych. W odpowiedzi na te wyzwania naukowcy Wojskowej Akademii Technicznej opracowali innowacyjne rozwiązania technologiczne, które spełniają oczekiwania kierowców.
„Modelowanie ruchu drogowego stanowi duże wyzwanie ze względu na złożoną naturę systemów drogowych oraz częste interakcje między użytkownikami dróg. Wyzwaniem badawczym jest właściwe opisanie tego zjawiska i uwzględnienie szerokiej gamy czynników, które przyczyniają się do powstawania zatorów drogowych” – mówi kpt. dr inż. Igor Betkier z Wydziału Bezpieczeństwa, Logistyki i Zarządzania WAT.
Artykuł „A novel approach to traffic modelling based on road parameters, weather conditions and GPS data using feedforward neural networks” przedstawia innowacyjny sposób modelowania ruchu drogowego w sieci transportowej i zawiera opis modelu predykcyjnego z użyciem sieci neuronowej Multilayer Perceptron.
Wyniki badań kpt. dr. inż. Igora Betkiera oraz kpt. mgr inż. Mateusza Oszczypały z Wydziału Inżynierii Mechanicznej WAT zostały opublikowane w czasopiśmie „Expert Systems With Application” wydawnictwa Elsevier. Opracowane rozwiązanie uwzględnia szerokie spectrum czynników, określonych w literaturze jako sprzyjające zjawisku kongestii (zwiększenia natężenia ruchu drogowego), a tym samym obniżeniu prędkości pojazdów w sieci transportowej.
Realizacja projektu rozpoczęła się od modelowania matematycznego, podczas którego dokonano identyfikacji 38 kluczowych parametrów, które determinuje sformułowany parametr traffic factor, będący stosunkiem średniej aktualnej prędkości pojazdu przemieszczającego się pomiędzy dwoma węzłami transportowymi do średniego historycznego czasu przejazdu pomiędzy nimi.
Poszczególne etapy gromadzenia, przetwarzania i walidacji danych w ramach niniejszego projektu, zostały zaprezentowane na Fot. 1.
Etap 1
Sieć transportowa, w oparciu o którą przygotowano bazę danych dla sieci neuronowej, składała się z 462 węzłów oraz 602 połączeń, będących dokładnym odwzorowaniem sieci dróg krajowych województwa mazowieckiego. Struktura ta została zbudowana na podstawie danych pozyskanych z Generalnej Dyrekcji Dróg Krajowych i Autostrad (instytucji zarządzającej), w oparciu o platformę Neo4j umożliwiającą tworzenie struktur danych na bazie grafu skierowanego.
Etap 2
Na tym etapie zaprogramowano webserwis w języku Python, który dokonywał pobierania danych z usługi Distance Matrix API serwisu Google Maps od 25 maja do 22 czerwca 2022 roku z interwałem dwugodzinnym. Aplikacja pobierała wartość parametrów traffic factor dla poszczególnych połączeń transportowych. Ponadto na bazie współrzędnych geograficznych węzłów początkowego i końcowego dla poszczególnych połączeń, określono współrzędne geograficzne punktu leżącego w połowie odległości pomiędzy tymi węzłami. Przyjęta konwencja miała na celu określenie punktu, do którego zostanie przypisany kod pocztowy lub nazwa miejscowości, w oparciu o co możliwe będzie m.in. określenie parametru gęstości zaludnienia dla właściwej gminy.
Etap 3
W etapie 3 wykorzystano przypisane do poszczególnych rekordów kody pocztowe lub jednostki terytorialne i przy pomocy autorskiego webserwisu stworzonego w oparciu o język Python, przeszukano bazę danych Poczty Polskiej. Rekordom, w których znajdował się kod pocztowy, przypisano nazwę gminy, dla której był właściwy.
Etap 4
W etapie 4 kody pocztowe oraz nazwy jednostek terytorialnych zostały porównane z bazą danych GUS zawierającą informację o gęstości zaludnienia dla poszczególnych gmin.
Etap 5
W etapie 5 rekordy bazy danych uzupełniono o warunki atmosferyczne występujące w chwili pomiaru parametru traffic factor. By było to możliwe, zaprogramowano webserwis w języku Python, który dla parametrów wejściowych – współrzędnych geograficznych punktu leżącego w połowie odcinka drogowego oraz chwili pomiaru parametru traffic factor, pobierał wybrane elementy ze zwróconej przez serwer portalu www.timeanddate.com odpowiedzi.
Etap 6
W etapie 6 rekordy bazy danych uzupełniono o zdarzenia drogowe. W tym celu zaprogramowano webserwis w języku Python, który dokonywał analizy raportowanych utrudnień udostępnianych w serwisie Generalnej Dyrekcji Dróg Krajowych i Autostrad. W przypadku pojawienia się utrudnienia drogowego w województwie mazowieckim, aplikacja dokonywała jego skojarzenia z właściwymi rekordami na podstawie numeru i pikietażu drogi, na którym ono wystąpiło.
Etap 7
W ostatnim etapie dokonano przeglądu parametrów traffic factor, przyjmując konwencję road-after-road. Każde z połączeń w bazie danych zostało sprawdzone pod kątem poprawności danych. Na tym etapie odrzucono odcinki drogowe, dla których oceniono, że parametr traffic factor został oszacowany błędnie.
Ostateczna baza danych zawierała 41945 rekordów w pełni skompletowanych wartości zmiennych wejściowych.
Po przygotowaniu bazy danych, rozpoczął się etap projektowania sieci neuronowej. Naukowcy zaproponowali uniwersalną sieć Feedforward Neural Network (FNN) w postaci modelu Mutlilayer Perceptron (MLP) 38-10-1, która została wytrenowana przy wykorzystaniu algorytmu Levenberga-Marquardta, gdzie neuronom warstwy wejściowej przekazywany był wektor wartości wejściowych odpowiadający typom i właściwościom technicznym drogi, porze dnia, dniom tygodnia, występowaniu incydentów, warunkom atmosferycznym czy gęstości zaludnienia obszaru. W badaniach uzyskano satysfakcjonujący poziom średniego bezwzględnego błędu procentowego dla zbioru testowego (9.12%) oraz innych metryk.
„Ponadto podjęliśmy próbę opracowania wyspecjalizowanych modeli odnoszących się do czterech typów dróg krajowych: autostrad (A), dróg ekspresowych (S), dróg głównych ruchu przyspieszonego (GP) oraz dróg głównych (G). Rezultaty modeli MLP 34-10-1 oraz MLP 38-10-1 są znacząco lepsze od dotychczasowych modeli prezentowanych w literaturze naukowej. Podejście zaprezentowane w procesie gromadzenia, przetwarzania i walidacji danych może zostać zaimplementowane w ramach inteligentnego systemu transportowego (ITS) w kategorii inteligentnych systemów zarządzania ruchem oraz w ramach rozwiązań z obszaru inteligentnej infrastruktury, z uwagi na wysoką skalowalność i użycie wyspecjalizowanych serwisów internetowych” – zapewnia kpt. dr inż. Igor Betkier.
Praca rozszerza obszary związane ze sztuczną inteligencją, w tym aspekty inteligentnej infrastruktury i inteligentnych systemów transportowych (ITS). Expert Systems With Applications jest czasopismem zajmującym 28 miejsce na świecie wśród 3111 czasopism indeksowanych w kategorii inżynieria według wskaźnika H index w rankingu Scimago (H index – 249). Tym samym artykuł jest jedną z najlepszych publikacji (pod względem indeksu Impact Factor, który dla tego czasopisma wynosi 8.5/punkty MEiN: 200) w obszarze transportu jaka została opublikowana przez polskich naukowców w ciągu ostatnich kilku lat. Publikacja powstała w ramach realizacji przez kpt. dr. inż. Igora Betkiera projektu MINIATURA-5, dofinansowanego przez Narodowe Centrum Nauki.
Marcin Wrzos
Fot. 2. Sieć neuronowa – Feedforward Neural Network (FNN) – w postaci modelu Mutlilayer Perceptron (MLP) 38-10-1
