隨著時間的推移，我們通勤的方式可能發(fā)生了改變，但交通管理的方式卻沒有改變。INRIX全世界交通記分卡報告稱，2018年，全世界20個最擁堵的城市人均擁堵時間減少了164至210小時。城市車輛的指數(shù)增長是造成交通擁堵的核心原因。

改善公共交通是解決方案，但與此同時，我們也需要考慮如何提高交通管理的效率，以改善現(xiàn)場。交通管理部門曾嘗試將被動管理轉(zhuǎn)變?yōu)橹鲃拥慕煌ü芾恚恢笔艿骄W(wǎng)絡(luò)速度和邊緣處理能力的限制。5G和人工智能為交通管理提供了巨大的機遇。

當5G上路時

借助更密集和更復雜的道路網(wǎng)絡(luò)、更新的技術(shù)和更大的數(shù)據(jù)，5G將提供更大的可見性和對交通的控制。反過來，這將有助于更快地疏通交通網(wǎng)絡(luò)，進一步減少堵塞，消除連鎖效應，并使所有用戶的道路更安全。借助5G，邊緣設(shè)備在通過AI分析服務(wù)器傳輸和處理大量數(shù)據(jù)方面將變得更加強大，這只會有利于流量管理。

它的速度比4G快70倍，它將提供對所有道路使用者——人和交通——的運動的綜合可見性，從而實現(xiàn)更好的整體規(guī)劃。借助大量傳感器、攝像頭甚至無人機，5G將道路網(wǎng)絡(luò)轉(zhuǎn)變?yōu)橐唤M微型云，每個云都可以相互通信，包括自動駕駛車輛。自動駕駛或自動駕駛車輛中的傳感器產(chǎn)生的大量數(shù)據(jù)可以毫不費力地被5G容納，從而實現(xiàn)車輛間和傳感器間的通信。

這些車輛中的傳感器將根據(jù)記錄的觀察結(jié)果收集關(guān)鍵信息，以做出決策和改變路線。來自芬蘭VTT技術(shù)研究中心的自動駕駛汽車Martti已經(jīng)過測試，可以提前檢測結(jié)冰的路況以及在車輛間傳輸3D視圖。

人工智能解決方案和大數(shù)據(jù)

人工智能(AI)和大數(shù)據(jù)的力量與5G技術(shù)的優(yōu)勢相結(jié)合，將提供一個強大的解決方案，將高可靠性和無處不在的網(wǎng)絡(luò)接入相結(jié)合。5G提供的低延遲在這里是關(guān)鍵，人工智能模型使用實時網(wǎng)絡(luò)信息和歷史數(shù)據(jù)來檢測事件的可能性，并即時設(shè)計優(yōu)化的響應計劃以高速交付。使用傳統(tǒng)和基于邊緣的AI系統(tǒng)的組合，可以實時捕獲來自整個道路網(wǎng)絡(luò)的交通元數(shù)據(jù)。5g和人工智能的這種結(jié)合將成為未來十年改變交通管理的答案。它還可能標志著協(xié)作連接系統(tǒng)中自動駕駛汽車急需的推動力。讓我們看看兩個基于AI的特定解決方案及其對車輛活動的影響。

人工智能和智能交通燈

基于人工智能的紅綠燈控制將對車輛活動產(chǎn)生重大影響，顯著減少車輛行駛中的沖突并增加道路網(wǎng)絡(luò)容量。有效交通管理的集成設(shè)置將涉及自適應交通燈系統(tǒng)、邊緣系統(tǒng)和后端監(jiān)控系統(tǒng)。使用IP攝像頭捕獲的視頻被中繼到基于邊緣的AI系統(tǒng)，該系統(tǒng)在將數(shù)據(jù)發(fā)送給后端監(jiān)控之前分析數(shù)據(jù)。預訓練的深度學習模型將處理后的信息實時發(fā)送回自適應交通信號燈，以創(chuàng)造交通流暢性。

通過紅綠燈實時適應不斷變化的交通，道路上的運動可以通過紅綠燈定時來控制，紅綠燈定時可以自我調(diào)整?？梢酝ㄟ^互操作的通信共享不斷變化的交通場景和交叉路口的時間，以便所有交叉路口都準備好優(yōu)化接近的交通流量。據(jù)報道，在賓夕法尼亞州匹茲堡部署的試點系統(tǒng)將旅行時間減少了26%，怠速時間減少了41%，排放量減少了21%。有趣的是，自適應紅綠燈系統(tǒng)還將總事故和致命事故減少了13-36%。

交通事故人工智能

由于事件是意料之外的，有時甚至是災難性的，將AI納入具有智能交通信號燈的綜合可持續(xù)交通事件管理系統(tǒng)可以改變交通監(jiān)控。這就是混合技術(shù)聯(lián)盟的用武之地。來自IP攝像頭、GPS、手機跟蹤、探測車輛和環(huán)路檢測器的大數(shù)據(jù)被合并，以得出比獨立研究大量信息時更精確的推論。然后，人工智能算法會持續(xù)、即時地分析數(shù)據(jù)，從而融合以檢測潛在事件。

交通模擬器可以研究事件發(fā)生時間和地點的存檔數(shù)據(jù)和實時數(shù)據(jù)，以分析影響。預測事故持續(xù)時間的AI模型還可以指示需要注意的特定點以及對道路子網(wǎng)絡(luò)的整體影響。此外，深度學習模型可以探索強度和整體影響之間的相關(guān)性，幫助確定事件及其響應的優(yōu)先級。數(shù)據(jù)分析的集成有助于測試各種交通場景，從中可以得出有效、實時、自動化的交通事故響應計劃。

在德里，來自7,500多個閉路電視攝像機、程序化交通信號燈和1000個LED標志的傳感器收集實時數(shù)據(jù)，人工智能將這些數(shù)據(jù)處理成即時洞察力，當局使用這些數(shù)據(jù)來改善交通管理。從安裝在英國米爾頓凱恩斯的全市智能攝像頭收集的數(shù)據(jù)在深度學習模型上運行，以89%的準確率預測提前15分鐘的交通狀況。

簡化交通管理

為了兌現(xiàn)5G的承諾，道路和運輸網(wǎng)絡(luò)管理系統(tǒng)也需要隨著時間的推移而發(fā)展。來自不同來源的數(shù)據(jù)必然會更加復雜。所有系統(tǒng)協(xié)同工作以普遍并立即響應的過程需要精確實施。在技術(shù)適應性中，重要的是智能網(wǎng)絡(luò)決策是自主且易于理解的。當需要時，這將為人類決策和干預以及技術(shù)提供空間。雖然自世界上第一條高速公路建成以來，我們可能已經(jīng)過了一個世紀，但直到現(xiàn)在，世界才開始為推動這一進程而加速。