Sử dụng khoa học dữ liệu để tạo giao thông thông minh hơn ở châu Âu


Nguyễn Bình Dương
3 năm trước
Hữu ích 6 Chia sẻ Viết bình luận 0
Đã xem 3666

Đầu năm nay, tôi đã xem một báo cáo mới của Tập đoàn Giao thông đô thị, trong đó kiểm tra dữ liệu vai trò đang diễn ra trong quá trình chuyển đổi giao thông công cộng.

Với những chiếc xe không người lái có khả năng đến các thành phố của chúng tôi trong vòng một thập kỷ, lượng dữ liệu được tạo ra bởi các hệ thống giao thông đô thị của chúng tôi có thể sẽ tăng lên đáng kể. Giống như các phương tiện trở nên tự động, do đó, cũng sẽ là các phân tích nằm phía sau, và thực sự là trên tất cả các dữ liệu này. Phân tích này sẽ cho phép các nhà hoạch định khám phá các xu hướng và mối quan hệ đơn giản là quá phức tạp đối với con người.

Dữ liệu thông minh

Một ví dụ điển hình về loại đổi mới mà chúng ta đang nói đến là ứng dụng Path to Park , được tạo bởi công ty vận tải Parkeon. Nó sử dụng AI để dự đoán nơi các tài xế có nhiều khả năng tìm thấy chỗ đỗ xe có sẵn bằng cách thu thập dữ liệu IoT trực tiếp từ đồng hồ đỗ xe.

Ứng dụng kết quả xử lý một khối lượng lớn dữ liệu IoT (Gb / s) từ hàng triệu giao dịch đến từ đồng hồ đỗ xe. Dữ liệu cuối cùng được kết hợp với thông tin địa lý từ OpenStreetMap và được sử dụng để dự đoán hành vi của ô tô và giao thông bằng cách xây dựng mô hình thời gian thực của mỗi thành phố có thể phân tích và dự đoán 'áp lực đỗ xe' trên đường phố thành phố.

Một ví dụ khác là Coyote , nhà lãnh đạo châu Âu về thông tin đường bộ thời gian thực, người đã phát triển một nền tảng khoa học dữ liệu máy học thử nghiệm phân tích sự bất thường trong các thiết bị IoT của họ để cải thiện độ chính xác của thông tin đường bộ cho 4,8 triệu người dùng trên khắp châu Âu .

Các thiết bị và ứng dụng IoT của Coyote phụ thuộc rất nhiều vào độ chính xác của dữ liệu đến. Cụ thể, giới hạn tốc độ lái xe trong các bản đồ nhúng của họ phải được cập nhật liên tục với dữ liệu thời gian thực từ các thiết bị CoTote IoT khác.

Công ty đã sử dụng học máy trong Dataiku DSS để phát triển một thuật toán tận dụng lượng lớn dữ liệu có nguồn gốc IoT. Giải pháp phân đoạn đường thành các phần và phân tích các mẫu trong mỗi phần. Điều này cho phép Coyote xây dựng mô hình dự đoán ước tính giới hạn tốc độ của phần đường. Quá trình Machine Learning tạo điều kiện phát hiện các dị thường giới hạn tốc độ và do đó, cho phép Coyote ước tính chất lượng và độ tin cậy toàn cầu của giới hạn tốc độ được hiển thị.

Dự án R & D đã tăng độ tin cậy giới hạn tốc độ lên 9% trong một thử nghiệm mẫu, có khả năng dẫn đến thông tin về thời gian thực và tính toán thời gian thực hiệu quả và chính xác hơn cho 4,8 triệu người dùng Coyote trên khắp châu Âu. Ngoài ra, nhờ nền tảng mới tập trung vào tinh thần đồng đội và hợp tác, cho phép các nhân viên với các bộ kỹ năng khác nhau làm việc cùng nhau, việc khai thác dữ liệu và Trực quan hóa hiện đang lan rộng trong Coyote và nhận thức ngày càng tăng về các vấn đề dữ liệu thông minh.

Khoa học dữ liệu IoT với Dataiku DSS

Những giải pháp này đã được thực hiện bởi công nghệ đằng sau Dataiku , nhà sản xuất nền tảng phần mềm khoa học dữ liệu hợp tác Dataiku Data Science Studio (DSS). Dataiku DSS giúp các tổ chức có thể gặt hái những lợi ích của khoa học dữ liệu nhờ giao diện hợp tác cho cả chuyên gia và nhà phân tích và nhà khoa học dữ liệu mới bắt đầu. Dataiku cung cấp một nền tảng phần mềm phân tích nâng cao hoàn chỉnh và có thể truy cập, tận dụng tất cả các công cụ và công nghệ cần thiết để phát triển bộ phận nghiên cứu và phát triển dữ liệu có thể xây dựng các giải pháp dựa trên dữ liệu để cải thiện kinh doanh.

Dữ liệu vận chuyển đang mọc lên như nấm, và khả năng hiểu được dữ liệu đó trong thời gian tốt và chi phí hiệu quả sẽ rất quan trọng trong việc quản lý thành công cơ sở hạ tầng giao thông của chúng tôi. AI sẽ đóng một vai trò quan trọng trong đó, và các ví dụ trước cung cấp một cái nhìn thoáng qua về những gì chúng ta đang làm và những gì có thể trong tương lai.

Hữu ích 6 Chia sẻ Viết bình luận 0
Đã xem 3666