Encontré un buen resumen de la investigación actual en una circular publicada por la Junta de Investigación del Transporte en http://onlinepubs.trb.org/online….
Tipos de IA utilizadas
Su definición de IA son métodos informáticos inspirados biológicamente, que incluyen:
- ¿Qué trabajos probablemente AI no destruirá?
- ¿Cómo se puede hacer la transición a la investigación de IA fuerte?
- ¿Cómo funciona la computadora de inteligencia artificial ANNABELL?
- ¿Es la inteligencia artificial la nueva carrera armamentista?
- ¿Qué es realmente tan diferente sobre la inteligencia artificial en comparación con los buenos algoritmos antiguos?
- sistemas basados en el conocimiento (KBS), que son motores de inferencia basados en reglas, como sistemas expertos, sistemas de razonamiento basados en casos o agentes.
- redes neuronales (NN), o sistemas de neuronas artificiales con métodos de aprendizaje como la retropropagación
- sistemas difusos (FS), que definen la membresía establecida como un grado de membresía en lugar de una distinción de entrada / salida binaria
- algoritmos genéticos (GA), o métodos aleatorios de combinar y probar soluciones para determinar la solución más adecuada en varias generaciones de intentos
- métodos basados en agentes (ABM), una nueva forma de modelar sistemas complejos con partes interactivas que parece encajar bastante bien con los problemas de transporte.
KBS son los más populares
KBS constituye el 90% de los más de 200 sistemas que se observaron en este estudio. Son, con mucho, la categoría más popular de IA utilizada en la planificación del transporte.
KBS son populares porque:
- Pueden trabajar de manera flexible en tiempo real con datos limitados o incompletos.
- Son mejores para describir por qué se tomaron sus decisiones, lo que aumenta la confianza de los usuarios del sistema.
Sin embargo, a veces son limitados en el tipo de conocimiento superficial que poseen y debido a la incapacidad de encontrar expertos apropiados para llenar sus bases de datos.
Ejemplos de su uso incluyen:
- la gestión del tráfico
- determinar lugares de viaje peligrosos
- Diseñar o evaluar la integridad estructural
- planificación de actividades de construcción
- programación de mantenimiento
Redes neuronales
NN son buenos en diversas tareas, que incluyen:
- aproximación de funciones
- predicción no lineal
- reconocimiento de patrones
- agrupamiento
- extracción de características.
Sin embargo, explicar por qué una red neuronal se comporta de la manera que lo hace es bastante difícil en comparación con un KBS, lo que reduce la confianza del usuario.
La red neuronal más utilizada en el transporte es el perceptrón multicapa (MLP). Estos consisten en un flujo de información unidireccional a través de capas de entrada, ocultas y de salida. A pesar de su simplicidad, se cree que son capaces de aproximar cualquier función matemática.
Algunos usos para NN han sido:
- Predecir las condiciones del pavimento y las necesidades de mantenimiento.
- Pronosticar el volumen de tráfico futuro, la velocidad y los tiempos de viaje. Esta sección en las páginas 27-28 del informe parece más relevante para su consulta y debe leerla en detalle.
Sistemas difusos
La lógica difusa es útil en la investigación del transporte, porque los objetivos a menudo están mal definidos e inciertos, y se desea un rango de resultados probablemente. Esto también nos permite describir sistemas como el control de tráfico o las reglas de manejo de una manera más natural.
La lógica difusa es diferente de la estadística, ya que la lógica difusa representa la incertidumbre subjetiva sobre una evaluación, mientras que la estadística representa la divergencia de las mediciones objetivas en una distribución.
La lógica difusa se usa solo cuando las opiniones o acciones humanas están involucradas en el sistema de tráfico. Es usado para:
- Elimine las inconsistencias en los datos confusos sobre la actividad humana.
- Optimización bajo restricciones difusas o entre grupos de personas en conflicto.
- Tiempo de señalización, planificación de rutas, despacho y análisis de impacto de patrones de tráfico humano.
- Evaluar juicios humanos subjetivos sobre las condiciones del tráfico, el diseño del vehículo, la comodidad del pasajero y la seguridad.
Algoritmos genéticos
GA imita el proceso de selección natural. Presentan pasos de selección, recombinación y mutación de solución en una generación de posibles procedimientos. Luego se evalúa la aptitud de cada procedimiento, y se conserva el ajuste más adecuado para más combinaciones.
Los GA se utilizan para problemas de optimización complejos que no son fáciles de someter a técnicas tradicionales basadas en derivadas.
GA se han utilizado para:
- Mejora de la sincronización y el control de la señal de tráfico al experimentar con los parámetros de sincronización de la señal.
- Diseño de redes de tráfico que minimizan el costo dada la red, la demanda y la política.
Modelado basado en agentes
Los ABM son lo opuesto al enfoque tradicional de arriba hacia abajo para analizar los sistemas de transporte. ABM comienza describiendo los actores en el sistema, llamados “agentes”, luego simula sus interacciones para generar el comportamiento de salida deseado.
ABM es útil porque las interacciones complejas entre agentes pueden producir un comportamiento emergente inesperado que un ABM podría predecir.
Un ejemplo sería modelar una situación de tráfico modelando un conjunto de conductores, su ubicación, velocidad, conocimiento de la situación y acciones disponibles para ellos.
Los usos potenciales de ABM incluyen:
- Modelado de causas y curas de congestión de tráfico.
- Comprender cómo la interacción del conductor puede causar consecuencias perversas que no son evidentes a partir de una descripción del sistema de nivel superior.
- Modelado del comportamiento de sistemas como conductores y peatones donde la toma de decisiones humanas es el elemento más importante.
Como ABM es el método más nuevo y parece prometedor, es posible que desee centrarse en él. Tenga en cuenta que estas técnicas también se pueden combinar productivamente en sistemas híbridos de IA.
¿Por qué usar AI en la planificación del transporte?
Hay varias razones, que incluyen:
- Con frecuencia se requieren datos tanto cualitativos como cuantitativos para soluciones a problemas de transporte, por ejemplo, en KBS y FS.
- Los datos que son complejos y difíciles de entender se pueden modelar con NN.
- Los problemas de optimización difíciles a menudo se pueden solucionar con un enfoque de GA.
- El comportamiento emergente de sistemas complejos que involucran actores humanos es una nueva área de investigación de ABM.
Investigación más específica
Para obtener más información, sugeriría desarrollar una estrategia de búsqueda particular que combine el tipo de problema de planificación de transporte que le interesa y el tipo de IA que cree que podría ser útil.
