Gépi tanulással a forgalomcsökkentésért

Ülünk az autóban, és várjuk a zöldet. Várakozás közben vajon hányszor gondolkoztunk el a közlekedés hatékonyságának növelésén? Mindenkinek eszébe juthatott…

Úgy tűnik, a kínai Tsinghua Egyetem megoldja helyettünk. Kutatói ugyanis rájöttek, hogy a közlekedési jelzések megerősítéses mélytanulással optimalizálhatók, és így kevesebb lesz a dugó.

A közlekedés hatékonyabbá tétele azért problémás, mert komoly kihívásokkal jár: előbb a folyamatról kell hatékony modell, amit aztán optimalizálhatunk. Az első feladatot nyolcsávos kereszteződés egyszerűsített modelljével kivitelezték: a jelzőlámpák csak piros és zöld fénnyel világítanak, a járművek csak egyenesen előre haladhatnak. Ezt követően megerősítéses tanulóalgoritmusokkal próbálták meghatározni a legtöbb rendszerszintű előnnyel járó jelzést, majd a mindkét irányban formálódó sorok hosszát számszerűsítették. Az algoritmusok megkísérelték minimalizálni a forgalmi sorok hosszát és csökkenteni a sofőrök várakozási ideit.

A megerősítéses tanulóalgoritmusokat mélytanulás-algoritmusokkal kombinálva jelentősen csökkent az optimalizált megoldások megtalálására fordított számítási idő.

A kutatók elmondták, hogy a megerősítéses mélytanulás-megoldások jelentősen túlszárnyalják a hagyományos megerősítéses tanulóalgoritmusokat, sokkal jobb eredményeket érnek el.

Egy teljes nap szimulációjában ezerrel kevesebb autó állt meg teljes egészében, és csúcsidőben átlagosan 13 másodperccel csökkent a közlekedésre fordított idő.