Системи моніторингу трафіку є звичайним явищем на всіх розвинених дорожніх мережах світу. Вони зазвичай складаються з світлофорів, статичних і динамічних дорожніх знаків, індуктивних детекторів транспортних засобів, радіообладнання, камер контролю швидкості, камер розпізнавання номерних знаків та камер відеоспостереження. Самі системи управління трафіком керуються із захищеної диспетчерської, де уповноважений персонал забезпечує управління системою.
Оператори диспетчерських зазвичай є висококваліфікованими та досвідченими, що робить їх затребуваними. Часто буває важко найняти та утримати таких операторів і забезпечити достатню кількість кваліфікованих операторів у зміні, оскільки ці диспетчерські працюють цілодобово. Штучний інтелект може суттєво допомогти операторам диспетчерських у більш ефективному керуванні та виконанні більшої кількості завдань на основі подій, таких як виявлення аномальних подій, включаючи поломки транспортних засобів, зіткнення транспортних засобів або інші небезпеки на дорозі, та визначення швидкості руху.
Це дослідження випадку досліджує, як експертну систему штучного інтелекту можна розгорнути та використовувати в диспетчерській кімнаті моніторингу трафіку для досягнення кращих результатів для всіх, хто взаємодіє зі складними системами. Таким чином, оператори диспетчерських та пасажири переміщуються різними дорожніми мережами.
Методи обчислювальної геометрії, які є добре встановленими в комп'ютерній графіці, можуть бути використані для виявлення додаткового контексту після відстеження об'єктів. Наприклад, зіткнення двох транспортних засобів може бути ефективно виявлено за допомогою алгоритмів обчислювального виявлення зіткнень, включаючи перетин двох обмежувальних рамок, що оточують кожен відповідний транспортний засіб.
Важливо використовувати класичні алгоритмічні методи в експертних системах, оскільки вони є більш надійними та ефективними, враховуючи їх точне програмування. Системи штучного інтелекту повинні бути обмежені таким чином, щоб людина приймала остаточне рішення щодо дій, які будуть вжиті. Це пов'язано з тим, що, хоча системи штучного інтелекту є високонадійними, існує межа похибки, яку необхідно пом'якшити. Таким чином, ми рекомендуємо впроваджувати експертні системи гібридним способом, використовуючи найкраще як від штучного інтелекту, так і від класичних алгоритмічних методів програмування.
Організаційний виклик: огляд
Експертні системи складно впровадити в умовах, наприклад, диспетчерської. Окрім технологічних викликів, для забезпечення належного впровадження необхідно дотримуватися численних адміністративних перепон, вимог до відповідності та внутрішніх процесів. Хоча впровадження технологій є складним завданням для управління проектами в багатьох великих організаціях, переваги зазвичай перевищують витрати від їх невпровадження через технічний борг.
Постійне спостереження за екранами протягом годин поспіль, коли більшість часу нічого надзвичайного не відбувається, є складним завданням для більшості людей і було б нудним. Природно припустити, що з часом підтримувати концентрацію буде важко. Вищеописане — це сфера, де переважають експертні системи AI. Система може постійно моніторити камери на предмет подій, які вимагають реагування, та надавати пропозиції оператору диспетчерської щодо того, як діяти далі.
Нижче наведено кілька прикладів, що описують, як AI може працювати разом з оператором диспетчерської:
- Якщо два або більше транспортних засобів зіткнуться, AI виявить це, зафіксує інцидент і попередить оператора диспетчерської.
- Якщо транспортний засіб рухається з недопустимою швидкістю, AI може розглянути можливість попередження водія за допомогою цифрового знака.
- Якщо на дорозі виявлено небезпеку, AI може попередити оператора диспетчерської та запропонувати закрити смугу руху, поки бригада не усуне небезпеку.
Організаційні дані, доступні як вхідні дані для AI
Нижче наведено списки джерел даних, що використовуються автоматизованими системами моніторингу трафіку:
- Камери CCTV, розташовані вздовж різних дорожніх мереж.
- Інформація від сигналів дорожніх камер, що вказує на стан дорожньої мережі.
- Індуктивні детектори транспортних засобів надають такі дані, як вага транспортного засобу.
- Дані з сенсорів LiDAR для доповнення потоків CCTV, що в деяких випадках застосування може бути надійнішим для обробки комп'ютерного розпізнавання.
Методологія інтеграції
Нижче наведено огляд процесу, який ми б виконали для інтеграції експертної системи моніторингу трафіку на основі інтелектуального аналізу статей у диспетчерській:
- Визначте потоки CCTV/LiDAR та систему камер, яка забезпечує моніторинг та запис таких потоків.
- Пересилайте потоки даних на суперкомп'ютер або до провайдера хмарних обчислень для аналізу та обробки в реальному часі.
- Пропустіть потоки даних через Telemus AI™ та поверніть доповнені відеопотоки назад у системи моніторингу безпеки в межах диспетчерської.
- Налаштуйте спеціалізовані сповіщення для персоналу безпеки на основі виявленого та відповідно до параметрів, у яких оператори диспетчерської хочуть, щоб це працювало.
- Постійно оцінюйте продуктивність системи штучного інтелекту для її покращення, щоб безперервно досягати ще більшої ефективності.
Оскільки Telemus AI™ бере на себе технічну реалізацію штучного інтелекту, організації можуть зосередитися на бізнес-логіці та внутрішніх процесах і процедурах, впроваджуючи технологічні можливості.
Організаційні застосування
Нижче наведено інші потенційні додатки для вашої організації:
- Підвищення ефективності, результативності та продуктивності диспетчерських керування дорожнім рухом.
- Визначення вузьких місць трафіку для оптимізації міського планування з метою зменшення заторів.
- Відстеження автотранспорту парку, якщо він знаходиться на парковці та повернутий співробітниками компанії.
- Відстеження транспортних засобів на парковках та вимірювання тривалості перебування для кращого розуміння поведінки пасажирів.
Потенційні та реалізовані переваги
Потенційні переваги експертних систем на основі штучного інтелекту є величезними. Впровадження може призвести до підвищення продуктивності операторів диспетчерських, зменшення помилок у виявленні подій, кращого планування міст та доріг, зменшення заторів та загального покращення знань про дорожню мережу, все це з урахуванням часового виміру, що покращує розуміння типових статичних методів.
Наразі багато з цих систем все ще перебувають на стадії досліджень та розробки. Однак організаційне планування має відбуватися вже зараз, оскільки проблеми впровадження будуть величезними, навіть якщо стан технологій покращиться. Telemus AI™ має надійні реалізації технологій штучного інтелекту та може впровадити системи, які працюють у масштабі.
Telemus AI™ — це австралійська компанія з розробки штучного інтелекту, яка надає передові рішення для уряду та бізнесу. Зв'яжіться з нами сьогодні для безкоштовної консультації щодо того, як Telemus AI™ можна впровадити у вашу організацію.
