Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Machine learning for computational efficient predictions of long-term congestion patterns in large-scale transport systems

Alternativ tittel: Maskinlæring for beregningseffektive prediksjoner av langsiktige kømønstre i store transportsystemer

Tildelt: kr 12,0 mill.

Forsinkelser, tapt fritid, økt luftforurensning: Bilkøer er kilde til betydelige samfunnsøkonomiske kostnader for bedrifter og privatpersoner i Norge, særlig i Oslo-området. Byplanleggere trenger verktøy for å evaluere hvor investeringer i veikapasitet er mest effektive for å redusere bilkøer. En utfordring med dagens verktøy (såkalte strategiske transportmodeller) er at kun svært spesialiserte fagpersoner kan bruke dem og at beregningstiden kan være opptil flere døgn. I dette prosjektet tar vi sikte på å bygge en ny type prediksjonsverktøy. Verktøyet vårt vil være basert på maskinlæring. For å kunne anvende maskinlæring for langsiktige prognoser må vi trene modellen på data der befolkning og veikapasitet varierer. Vår ide er å etablere slike treningsdata basert på agent-baserte trafikksimuleringsmodeller. Verktøyet vil være åpent tilgjengelig og det forventes å være mye raskere og mye mer brukervennlig enn dagens transportmodeller. Vi starter opp i august 2021 og planlegger å avslutte i august 2025. Prosjektet er et samarbeid mellom Transportøkonomisk institutt, Universitet i Bergen (UiB), Statens väg- och transportforskningsinstitut (VTI), AI-selskapet Epigram AS, samt Statens vegvesen. Prosjektet inkluderer et doktorgradsprosjekt ved Institutt for informatikk ved UiB.

PRELONG puts forward artificial intelligence (AI), in the form of machine learning, as an accessible and capable method to predict long-term outcomes and performances of large-scale transport systems. PRELONG will showcase the capability of AI to reliably predict effects of interventions to the transport systems (as road capacity increases and changes to the road toll structure) and that much faster (in a few seconds) than current transport models. Fast computation times and easy access are potential game changers in how we utilize transport models for effective transport planning. The overall data flow includes 1) Establishing synthetic travel populations 2) Run agent-based traffic simulations and iteratively calibrate underlying parameters in the simulator c) Train a binarized DNN on the simulated traffic data d) Implement the trained DNN within an open-access and user-friendly GIS-based sketch planning tool. The scenarios of the multiple runs with the traffic simulator (MATSim) will be careful predefined by an experimental design varying a) road toll structure b) speed limit c) road capacity on single road network links d) population in different zones in the Oslo metropolitan area. To ground DNN predictions to the empirical real world, we calibrate the detailed traffic simulator against real data. This enables the simulator to credibly predict a wide range of future scenarios at a high level of resolution. These simulator predictions are then used to train a neural network that can quickly approximate complex future scenarios in a sketch planning setup. We plan to use binarized neural networks analysed and interpreted using an exact encoding into propositional logic. PRELONG is a collaboration between the Institute of Transport Economics, the Department of Informatics at the University of Bergen, the Swedish National Road and Transport Institute, the AI-company Epigram AS, as well as the Norwegian Public Road Administration.

Aktivitet:

IKTPLUSS-IKT og digital innovasjon