3S Market deliver Smart and Valuable information for Business 3S Market 傳遞 智慧應用與價值的商業資訊 今日主題 工業 4.0 \智慧車載交通\公共工程\經營管理 智慧車載交通\公共安全 智慧經營管理與市場商機論壇 |
智慧工廠\工業 4.0\公共工程
2025年7月30日 星期三
@ 2025\07\30\3S MARKET Daily 智慧產業新資訊
★ 交通預測：機器學習如何幫助預測塞車和規劃最佳路線
Klacci 凱樂奇交通運輸業解決方案
2021 年，紐約司機平均在擁堵中損失了 102 小時 —— 在疫情爆發之前，這個數字甚至更糟。 你自己經常陷入困境，希望你事先知道這件事並走不同的路線？ 你多久要向客戶道歉一次，因為你的司機因為交通堵塞而遲到？
谷歌地圖或 Waze 等導航工具，向你顯示旅行所需的時間，計算你的預計到達時間，並根據道路狀況和預測的交通情況建立最佳路線。 多個物流相關企業嚴重依賴這些計算的準確性。 但你有沒有想過，谷歌地圖如何知道在路上會發生什麼？
在這篇報導中，我們探討了流量預測的幕後情況，使用了哪些資料，實施了哪些技術和演算法，以及如何將所需的預測顯示到你的螢幕上。 但首先，讓我們先解釋一下為什麼它很重要。
Klacci 物流業解決方案
什麼是流量預測，誰需要它，為什麼它很重要？
交通預測是指預測交通流量的數量和密度，通常是為了管理車輛移動，減少塞車，並產生最佳（最少耗時或能耗）路線。流量預測對兩組組織來說主要很重要（我們不是在談論計劃週末度假的人，你知道的）。
1. 國家/地方交通當局。 在過去的十到二十年裡，許多城市採用了支援城市交通網路規劃和交通管理的智慧交通系統（ITS）。 這些系統使用當前的交通訊息以及生成的預測，透過告知使用者當前的道路狀況，和調整道路基礎設施（例如路燈）來提高運輸效率和安全性。
ITS警報。 來源：WTI
2. 物流公司。 另一個實施領域是物流行業。 運輸、送貨、現場服務和其他企業，必須準確安排營運，並建立最有效的路線。 通常，它不僅與當前的旅行有關，也與未來的活動有關。 精確預測道路和交通狀況以避免塞車，這對此類公司的規劃和績效非常重要。
那麼，交通是如何預測的呢？
截至今天，能夠處理大量歷史和即時資料的不同機器學習（特別是深度學習）技術，用於預測交通流量、密度和速度。 我們將進一步描述一些有效的演算法。 但首先，我們將研究流量預測需要哪些資料，以及你可以從哪裡獲得這些資料。
資料類型和來源
流量受到許多因素的影響，你應該考慮所有這些因素來做出準確的預測。 因此，你必須獲得幾個主要資料組。
流量預測所需的資料
地圖資料。 首先，你需要有一張包含道路網路和相關屬性的詳細地圖。 連線到谷歌地圖、TomTom、HERE 或 OSM 等全球地圖資料提供商，是獲取完整和最新資訊的好方法。
交通資訊。 然後，你必須收集歷史和當前交通相關資訊，例如在特定點透過的車輛數量、速度和車型（卡車、輕型車輛等）。 用於收集此資料的裝置是
- 環路探測器，
- 攝影機，
- 稱重運動感測器，以及
- 雷達或其他感測器技術。
幸運的是，你不必自己到處安裝這些裝置。 從上述提供商那裡獲取此資訊更容易，這些提供商從感測器系統、各種第三方來源收集資料，或使用 GPS 感測器資料。 （如果你不熟悉收集、處理和儲存資料的基礎設施，是如何設計和工作的，你可以連線我們關於資料工程的相關報導來獲取想法。）
其他平台，如 Otonomo，使用創新的車輛到一切（V2X）技術，從嵌入式調變解調器中，收集所謂的互聯汽車資料。你還可以從資料提供商那裡獲得有關事件（道路封閉或道路工程）、興趣點等的其他重要資訊。
天氣資訊。 天氣資料（歷史、當前和預測）也是必要的，因為氣象狀況會影響道路狀況和駕駛速度。 你可以連線許多天氣資料提供商 —— 例如 OpenWeather 或 Tomorrow.io。
關於道路狀況的額外資料。 有一些外部資料來源可以提供影響交通流量的重要資訊。 想想關於該地區體育賽事的社群媒體報導，關於民間抗議活動的當地新聞，甚至關於犯罪現場、事故或道路堵塞的警察掃描器。
提取用於流量預測的社交媒體資料。 來源：透過結合稀疏的 GPS 探測資料和社交媒體資料來計算城市交通擁堵
我們不會專注於資料管理的儲存和準備方面（儘管它們也很重要，需要專家的接觸），但我們會直接進入有趣的部分。
生成流量預測的演算法
交通預測涉及預測特定路段的可駕駛速度，以及堵塞的發生和演變。 讓我們來看看這項任務的不同方法。
流量預測如何運作
統計方法
統計方法允許你以不同的尺度辨識交通模式：白天、一週的不同日子、季節等。 它們通常比機器學習更容易、更快、更便宜地實施。 然而，它們的準確性較低，因為它們無法處理那麼多的多變數資料。
具體來說，自 20 世紀 70 年代以來，自動迴歸綜合移動平均線（ARIMA）模型，一直被積極用於預測交通，因為它們易於實施，並且與其他統計方法相比，顯示出更高的準確性。 這是分析過去事件和預測未來事件的經典統計方法。 它觀察從一系列定期時間間隔中收集的資料，並假設過去的模式在未來會重複。
然而，流量是一個複雜的結構，有許多變數，在單變數 ARIMA 模型的幫助下無法有效處理。
 |
| tyco 監控攝影機系列（總代理上敦企業） |
機器學習方法
機器學習（ML）允許你建立預測模型，這些模型考慮了來自不同來源的大量異構資料。 已經對 ML 演算法應用，來預測道路交通進行了大量研究。 這裡有一些成功的例子。
隨機森林演算法建立多個決策樹，並合併其資料以獲得準確的預測。 它相當快，並且在有足夠的訓練資料中，可以產生有效的結果。 當應用於道路擁堵問題時，該方法的準確率為 87.5%。 在這種情況下，天氣狀況、時間段、道路的特殊情況、道路品質和假期被用作模型輸入變數。
k-最近鄰居（KNN）演算法依靠特徵相似性原理來預測未來值。 KNN 模型的實驗顯示，短期交通流量預測的準確率超過 90%。
深度學習方法
事實證明，與機器學習或統計技術相比，深度學習（DL）方法在預測道路交通方面非常有效，始終顯示出約 90% 的預測準確率或更高。 深度學習演算法基於神經網路。
神經網路（NN）或人工神經網路（ANN）由相互連線的節點（神經元）組成，這些節點排列在兩個或多層中，其功能類似於人腦。 有許多類型的神經網路是為不同的目的而開發的。 以下是一些用於交通分析和預測的。
卷積神經網路（CNN）是影像辨識和分析方面值得信賴的領導者。 它們對交通問題的自然應用之一，是使用道路上監控攝影機的影像進行塞車檢測。 在這種情況下，分類的平均準確率達到 89.5%。 至於流量預測，CNN 不是首選。 然而，有人試圖建構 CNN 的預測交通網路速度的模型。 為了實現這一目標，研究人員將描述交通流的時空資料，轉換為二維影像矩陣。
與 CNN 相比，遞迴神經網路（RNN）目的在處理在一定時間間隔內，收集的時間序列資料或觀測結果。 交通模式是此類觀察的一個很好的例子。 研究顯示，在應用 RNN 模型時，預測塞車演變的準確性很高。 然而，他們的缺點是漸變消失問題，這意味著前幾層的部分資料丟失了（這就是為什麼RNN被稱為「有短期記憶」的原因）。 這種「健忘」使模型訓練更加困難和耗時。
長短期記憶（LSTM）和門控遞迴單元（GRU）是解決消失梯度問題的 RNN 的變體。 一項比較這些模型效能的研究顯示，GRU 模型在交通流量預測方面更準確，也更容易訓練。
大量研究顯示，建構其他類型的 NN 模型用於交通預測，例如圖神經網路、模糊神經網路、貝葉斯神經網路等，以及使用結合兩種或多種演算法的混合方法。 截至今天，還沒有發現可以應用於所有情況，並建立最準確的預測的單一最佳技術。
如何實施流量預測
如果你經營物流業務，你很可能不需要流量預測本身，而是需要它對你瀛樂的影響。 正如我們已經提到的，準確的預測對於路由和排程目的很重要。 如果是這種情況，有三種主要方法可以獲得這些預測並建立最佳路線。
現成的解決方案
市場上有很多為任何類型的業務開發的現成軟體解決方案。 如果你的公司是中小型企業，並且你的營運（無論是現場服務、最後一英里送貨、計程車、搬家還是長途運輸）或多或少是標準化的，你可以找到一個滿足你需求，並具有路由能力來支援你的業務活動的工具。
OptimoRoute、Fixlastmile、Badger Maps、Route4Me 或 Routific —— 無數平台提供路線規劃和最佳化功能（特別是在短期角度）。 選擇取決於你的行業和特定的業務需求。
自定義開發和 API 整合
如果你經營一家大型企業，並且有獨特的業務需求，請考慮建構一個自定義模型，來解決你的特定需求，並將其實施到你的平台中。 做好準備，這需要大量投資、熟練的資料專家和大量時間，來連線不同的資料提供商，並訓練那些花哨的 ML/DL 演算法。 從好的方面來說，你將獲得自己的預測，並獨立於軟體供應商。
另一個選擇是利用外部平台的流量預測功能。 在這種情況下，你繼續使用符合你需求和員工習慣的你自己的系統，同時避免 ML 模型構建、訓練、評估等複雜過程。 為了實現這一目標，你必須與流量資料提供商，建立 API 整合。 這裡有一些選擇。
流量預測平台比較
谷歌地圖平台。 如果你想與最大的地圖資料提供商合作，請記住：你只能將當前的流量層新增到地圖中，但無法預測。 此外，他們的文件警告說：「交通訊息經常重新整理，但不是立即重新整理。 對同一區域的快速連續請求不太可能產生不同的結果。」 他們還提供了一套多樣化的API，將地圖或路由功能，新增到你的基於位置的產品中。
Waze。 另一個谷歌產品和第二受歡迎的導航應用程式，僅從使用者開車獲取有關交通、事故、交通堵塞和其他道路狀況的資訊。 資訊每 2 分鐘更新一次，可以透過本地化的 XML 和 JSON Geo RSS 資料來源連線。 請注意，只有當該地區有足夠的司機時，此資訊才會可靠。 你還可以在網站上嵌入 Waze Live Map 的搜尋和路由功能。 至於預測，該應用程式不提供任何預測。
TomTom。 TomTom 的 Traffic RESTful API 可以連線與交通事故和流量相關的歷史和即時資料。TomTom 利用超過 6 億個 GPS，和浮動汽車資料感測器來收集最新資訊（每 30秒 更新一次），對其進行分析，並提前 24 小時進行預測。 你可以利用這些資料使用你自己的應用程式建立路由，或獲取他們的綜合路由產品。
HERE。 HERE 即時交通平台從 100 多個事件報告服務中收集資料，每天使用數十億個 GPS 資料點。 它的資料每分鐘更新一次。HERE 提供即時資訊，並根據歷史和當前流量資料，對未來 12 小時進行準確的預測。 有關詳細資訊，請檢視他們的 Traffic RESTful API 文件。
ArcGIS。 ArcGIS 交通服務 REST API 允許你在應用程式中，視覺化交通狀況。交通資料每 5 分鐘更新一次，並可預測未來 4 小時。 此外，網路地圖提供了有關事件的資訊。
PTV。 PTV 交通資料和 PTV 資料分析平台，支援他們自己的地圖和路由產品（例如，PTV Optima），並且可以連線起來，以獲得歷史和即時交通資訊以及短期預測（最多提前 60 分鐘）。 如果你需要額外的地圖內容（例如，卡車特定限制），請連線他們的交通資訊 API 頁面，獲取整合詳細資訊，或數為地圖 API頁面。
還有什麼需要考慮的
關於實施 ML 技術進行流量預測，還有幾件事需要提及。
你必須記住，當有足夠的資料來訓練模型，並微調它們以達到最大的準確性時，ML/DL 演算法效果最好。 因此，你獲得的資料集越大，你將獲得更好的結果。
另一個重要點與新冠肺炎疫情有關。 從 2020 年初開始，世界各地的交通模式發生了重大變化。 出於這個原因，在建構預測模型時，優先考慮最新的歷史資料和流量模式是有意義的。
截至今天，我們上面描述的所有分析解決方案，僅提供了對近期的預測。 這是可以理解的：短期預測顯然比長期預測更準確，因為路上總是有可能出現不可預見的情況。 因此，雖然獲得更擴充結果的可能性仍在研究中，但你必須找到符合你需求的黃金手段。
| iF+ 系列雙系統免接觸式智慧門鎖 |