Si utilizáramos el aprendizaje automático para operar los semáforos y el tráfico de los EE. UU. En las principales ciudades, ¿cuánto mejoraría eso la vida diaria?

Resulta que vivo cerca de la ciudad de Oss en los Países Bajos.
Durante los últimos 5 años han estado trabajando en un proyecto llamado “camino del futuro” que forma parte de los caminos inteligentes e interactivos del mañana.

No participé en ese proyecto, por lo que no estoy seguro de si realmente utilizan el aprendizaje automático para optimizar muchas de las soluciones inteligentes que tienen implementadas. Sin embargo, estoy seguro de que cualquiera de los datos recopilados por esos sistemas terminará en la optimización de la tecnología en su lugar, probablemente utilizando algoritmos de aprendizaje automático.

De hecho, he pensado mucho en esto antes de conducir.

Para ser sincero, estoy bastante seguro de que la gestión del tráfico ya es bastante buena. Ya se han recopilado datos sobre el tráfico, y supongo que se actualizan de vez en cuando. Estoy haciendo esa suposición, aunque puede ser incorrecta. He visto varias líneas en la carretera que, además de la velocidad, probablemente pueden rastrear fácilmente las tasas de tráfico. Hay horarios de tiempos de señal. En general, supongo que ya están optimizados en un 75-85%. Solo una puñalada en la oscuridad, pero es lo que supongo.

Me recuerda cómo en CS puede proporcionar predicción de rama, y ​​puede hacerla cada vez más avanzada, pero incluso la predicción básica de rama es sorprendentemente buena (digamos que solo miraron el tipo de carretera, como calle principal vs calle suburbana, etc.) el corolario de la predicción de ramificaciones y cosas similares), y si lo ve a ese respecto, creo que la cantidad ahorrada sería significativa después de unos años, pero no necesariamente tanto en términos de la infraestructura más grande. Además, no sé lo costoso que sería implementarlo.

Incluso con el aprendizaje automático, solo va a aproximar una función a las entradas y salidas dadas. Por lo tanto, podría resultar que solo obtienes un 89% de optimización o algo así a largo plazo, y tendrías que verificar el historial para asegurarte de que no sea algo temporal o actualizar tu modelo constantemente. Digamos, por ejemplo, que hay una mudanza estacional de estudiantes universitarios o quién sabe, tal vez se apruebe una nueva legislación sobre inmigrantes, o hay un despido masivo en una gran empresa cercana y de alguna manera el tráfico se ve afectado temporalmente en un área. Tendría que tener una manera de evitar que el modelo se vea afectado por él.

A fin de cuentas, dudo que valga la pena hacerlo a través del aprendizaje automático.

Un mejor enfoque si ya quisiera invertir en esta infraestructura sería decir un seguimiento regional de grupos de automóviles y tráfico coordinado a ese respecto para optimizar todo el tráfico en tiempo real, en lugar de un modelo. Esto podría ser peligroso si se hace mal, y probablemente sería costoso, pero si tuviera que hacer una suposición ciega, diría que probablemente podría alcanzar el 95% o algún lugar en los años 90 superiores de optimización. Digamos que un grupo de autos viene de una gran compañía o de una fiesta de cumpleaños, o tal vez no hay nadie a la vista, excepto un auto que viene por la carretera principal. Las luces podrían anticipar estos segundos antes y cambiar en tiempo casi real. Todavía no sería perfecto, pero probablemente estaría muy cerca.

No mucho en mi humilde opinión. La mayoría de los retrasos se deben al comportamiento del conductor: seguir de cerca, enviar mensajes de texto y no prestar atención en general.

Por ejemplo, suponga que todos los automóviles en una luz roja dejan suficiente espacio por delante, todo el archivo podría comenzar a moverse tan pronto como la luz se vuelva verde, que es O (1), mientras que con n conductores esperando al siguiente conductor adelante, tiene una O (n) retraso, y si todos enviaran mensajes de texto a todos los demás, el límite superior sería O (n × n) 😉

Actualmente, probablemente no mucho. Pero con suficientes datos, creo que podría hacer una gran diferencia. La idea es que necesitas una IA que pueda mirar una región entera de la ciudad, no solo una intersección. Y las matemáticas necesarias para calcular la ruta óptima se vuelven rápidamente intratables. Y la arquitectura de Von Neuman que se usa actualmente para las computadoras no es adecuada para el tipo de pensamiento holístico que usaría un humano. Pero eventualmente, sí, llegaremos allí.

No esperaría grandes mejoras, pero depende de lo que establezcamos como objetivo de optimización: ¿es la reducción de la extracción independientemente de la velocidad? ¿Es velocidad? ¿Es tiempo? ¿Es la priorización del transporte público? ¿Es la optimización del estacionamiento? ¿Es la descongestión de la hora pico? ¿Se trata de obras viales?

Supongo que el intento de optimización global tendría más sentido cuando tanto los semáforos Y los vehículos Y las rutas Y el clima Y las condiciones transitorias se aborden simultáneamente. Todavía estamos bastante lejos de esto. (Todavía no lo estamos haciendo para trenes, ¡donde sería mucho más fácil!)

@mgua

Los gobiernos rara vez invierten en iniciativas que destruyen creativamente empleos o erosionan las ganancias de las empresas. Por lo tanto, una iniciativa de este tipo, aunque en general es buena, rara vez despega.