Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada Enrique Onieva (Mobility Unit – DeustoTech, University of Deusto) enrique.onieva@deusto.es @EnriqueOnieva
Motivación: Congestión Hoy en día, la congestión en las autovías es un problema global El adelantarse a las congestiones es un componente clave de los ITS La correcta predicción puede beneficiar: A los conductores A los gestores de tráfico A las autoridades
Aplicación de técnicas de inteligencia artificial a la predicción del tráfico Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
2
Motivación: Interpretabilidad La minería de datos aplicada a problemas de transporte: Se basa en técnicas clásicas de inteligencia artificial Árboles de Decisión Técnicas de Regresión Redes Neuronales
Se centran en la precisión del sistema No en su interpretabilidad Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
3
Motivación: Imbalanceo Los datos de tráfico suelen ser altamente imbalanceados: Situaciones anormales son muy poco frecuentes Algunas predicciones tienen un alto grado de acierto No habrá un atasco en los próximos 20 minutos El tráfico permanecerá sin variaciones significantes Nadie en esta sala ganará la lotería
Pero no son útiles
Las técnicas clásicas se centran en el grado de acierto No son competitivas en entornos imbalanceados Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
4
Fuente de Datos Departamento de Transporte de California Datos Septiembre 2013 Tramo de 9 km 13 sensores de paso 4 incorporaciones 4 salidas Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
5
Datos Obtenidos Frecuencia: 5 minutos 13 sensores de paso: Flujo, Ocupación, Velocidad
4 incorporaciones Flujo
4 salidas Flujo
4 posibles estados de congestión
Tráfico Fluido Congestión Leve Congestión Moderada Congestión Severa Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
6
Datos Obtenidos Datos Completos 47 Variables
13 flujos de paso 13 ocupaciones de paso 13 velocidades de paso 4 flujos de entrada 4 flujos de salida
Datos Simplificados 13 Variables
3 flujos de paso 3 ocupaciones de paso 3 velocidades de paso 2 flujos de entrada 2 flujos de salida
6 Horizontes de Predicción 10, 20, 30, 40, 50, 60 minutos
Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
7
Técnicas utilizadas Árboles de decisión C4.5 TARGET
Clasificadores estadísticos LDA LMSLC
Reglas Difusas y Algoritmos Evolutivos CORE SLAVE Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
8
Experimentación Cada método se ejecuta 5 veces, usando diferentes partes de los conjuntos de datos para: Aprender Ponerse aprueba
Medimos:
Ejecución 1 Ejecución 2 Ejecución 3 Ejecución 4 Ejecución 5 Datos de Entrenamiento Datos de Prueba
El porcentaje de aciertos global El porcentaje de aciertos por cada nivel de congestión
Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
9
Resultados Preliminares Todas se comportan bien ante la predicción de tráfico fluido Las mayores dificultades se dan con congestión leve No encuentran dificultades al aumentar el horizonte de predicción Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
10
Propuesta Definir una estructura jerárquica para predecir congestiones
Optimizar todos sus componentes
Variables utilizadas Orden de entrada al sistema Funciones de pertenencia difusas Reglas difusas Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
11
Propuesta Optimizar mediante una hibridación entre Algoritmos Evolutivos y Métodos Estadísticos (Entropía Cruzada) Doble codificación Permutación Variables usadas y su orden Números reales Etiquetas y reglas difusas
98% de acierto en el nivel de congestión a 10 minutos 85% de acierto en el nivel de congestión a 60 minutos Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
12
Conclusiones Gran potencial de la inteligencia artificial para su aplicación en la predicción del estado del tráfico. Resultados codificables por un relativamente bajo número de reglas Algunas mejoras deben ser incluidas para adaptar los métodos A entornos altamente imbalanceados Obtener resultados muy precisos con modelos altamente interpretables
ICSI: Intelligent Cooperative Sensing for Improved Traffic Efficiency EU/FP7 (call FP7-ICT-2011-8) - Grant 317671
Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
13
Trabajos en curso Usar más fuentes de información para estimar estados futuros de la vía Redes vehiculares, datos abiertos, redes sociales, agendas de eventos, meteorología
Usar predicciones para construir rutas más eficientes Usar meta-heurísticas para la localización automática de servicios TIMON: Enhanced real time services for an optimized multimodal mobility relying on cooperative networks and open data H2020 - Transport call. Mobility for growth (Topic MG3.5 - 2014) – Grant no 636220 Sistemas de predicción de congestión basados en Inteligencia Artificial Avanzada enrique.onieva@deusto.es @EnriqueOnieva
14
Muchas Gracias Enrique Onieva (Mobility Unit – DeustoTech, University of Deusto) enrique.onieva@deusto.es @EnriqueOnieva