Sistemas de predicción de congestión basados en inteligencia artificial avanzada.

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