Real-Time Urban Traffic Flow Prediction Based on Graph Convolutional Networks and Big Data Analytics

Stel je de stad voor als een gigantisch, levend organisme. De wegen zijn de aderen die het levensbloed van auto's, bussen en vrachtwagens vervoeren. Net als een menselijk lichaam heeft dit stadsorganisme een complex zenuwstelsel: sensoren bij kruispunten en op snelwegen fungeren als piepkleine ogen en oren, die constant observeren hoe snel het bloed stroomt en waar het vastloopt. Lange tijd probeerden wetenschappers verkeersopstoppingen te voorspellen met eenvoudige wiskunde, zoals het kijken naar een rechte lijn en raden waar deze als volgende heen gaat. Maar steden zijn geen rechte lijnen; het zijn rommelige, kronkelende webben waarbij een blokkade in één buurt kan uitwaaieren en drie mijl verderop chaos kan veroorzaken. Dit is de wereld van "Intelligent Transportatie", een vakgebied dat zich volledig inzet voor het gebruik van computers om deze complexe patronen te begrijpen, zodat we het verkeer soepel kunnen laten doorstromen. De grote uitdaging is dat verkeersdata enorm, rommelig en elke seconde veranderend is, wat het voor traditionele computers moeilijk maakt om te begrijpen wat er gaat komen.

Hier komt een nieuw soort digitaal detectivewerk aan de orde, beschreven in dit onderzoeksrapport. De auteur, Jianming Zhang van de Ezhou Vocational University, stelt een systeem voor dat het wegennetwerk van de stad niet behandelt als een lijst met getallen, maar als een gigantische, verbonden kaart — een "graaf". Denk bij deze graaf aan een sociaal netwerk voor wegen: elk kruispunt is een persoon (een knoop) en elke straat die hen verbindt is een vriendschap (een zijde). Het artikel suggereert het gebruik van een speciaal type kunstmatige intelligentie genaamd een Graph Convolutional Network (GCN). Als je een traditionele AI voorstelt als een student die een boek pagina voor pagina leest, dan is een GCN als een student die de hele klas in één oogopslagslag kan overzien, en ziet hoe elke student met zijn buren praat om de stemming van de hele kamer te begrijpen. Door dit "sociale netwerk"-perspectief op de wegen te combineren met "Big Data" (enorme hoeveelheden realtime informatie), hebben de onderzoekers een systeem gebouwd dat de verkeersstroom in realtime kan voorspellen.

De studie testte dit idee met behulp van een enorme dataset van een grote Oost-Aziatische stad, waarbij gegevens werden verzameld van ongeveer 218 sensoren gedurende zes maanden in 2023. Deze sensoren registreerden verkeersdoorstroming, snelheid en hoe vol de rijstroken waren elke vijf minuten. De onderzoekers voedden deze data aan hun nieuwe "Spatio-Temporele GCN"-model, dat ontworpen is om zowel de fysieke lay-out van de wegen (ruimte) als de manier waarop het verkeer in de loop van de tijd verandert (tijd) te begrijpen. De resultaten waren veelbelovend: het nieuwe model was nauwkeuriger dan oudere methoden zoals LSTM (een type geheugen-gebaseerde AI) en standaard GCN's. Specifiek, bij het voorspellen van het verkeer 15 minuten vooruit, had het nieuwe model een gemiddelde fout van 47,9 auto's; voor 30 minuten, 67,2 auto's; en voor 60 minuten, 114,6 auto's. Ter vergelijking: de oudere modellen maakten grotere fouten, met foutmarges variërend van 55,8 tot meer dan 159 auto's, afhankelijk van het tijdsbestek.

Het artikel benadrukt dat deze nieuwe aanpak bijzonder goed is in het omgaan met de rommelige, real-world zaken die andere systemen in de problemen brengen. Zo bleek het model bijvoorbeeld veerkrachtiger tijdens hevige regenval in juni. Zelfs toen de onderzoekers deden alsoverlijk dat 10% van de sensoren defect was of ontbrekende gegevens had, steeg de foutmarge van het nieuwe model met minder dan 18%, terwijl de fout van het oudere LSTM-model met meer dan 35% toenam. Dit suggereert dat het nieuwe systeem beter is in het "invullen van de gaten" wanneer informatie ontbreekt, waarschijnlijk omdat het begrijpt hoe de wegen met elkaar verbonden zijn. De onderzoekers merkten ook op dat hoewel het model geweldig is, het nog steeds een beetje moeite heeft bij rivierovergangen en gebieden met frequente, ongeplande ongelukken, wat suggereert dat het toevoegen van specifieke gegevens over deze gebeurtenissen het nog beter zou kunnen maken.

Uiteindelijk suggereert het artikel dat door de stad als een verbonden graaf te behandelen en deep learning te gebruiken om de patronen in die graaf te lezen, we slimmere verkeerssystemen kunnen bouwen. De auteur betoogt dat deze methode nauwkeuriger en stabieler is dan voorgaande technieken, vooral in complexe, veranderende omgevingen. Hoewel ze niet beweren het verkeer voor altijd opgelost te hebben, tonen hun experimenten aan dat deze datagestuurde aanpak een sterke stap voorwaarts is voor het beheer van stedelijke mobiliteit, wat steden potentieel kan helpen om hun "aders" vrij te houden en hun "zenuwstelsel" kalm te houden.