Idą wakacje i podróże. To, co kiedyś robiły dla nas atlasy samochodowe, a dziś robi Google i inne usługi nawigacji, będzie robić jeszcze bardziej zaawansowany hi-tech. Rozwiązania połączą modele dyskretnego wyboru i głębokie sieci neuronowe od dawna postrzegane jako sprzeczne metody, a skorzystają transport i podróżni.
Naukowcy z interdyscyplinarnej grupy badawczej Future Urban Mobility (FM) z singapurskiego przedsiębiorstwa badawczego Singapore-MIT Alliance for Research and Technology (SMART) stworzyli syntetyczną strukturę zwaną teoretyczna szczątkowa sieć neuronowa TB-ResNet. Łączy ona modele dyskretnego wyboru (DCM, z ang. Dynamic causal modelling – dynamiczne modelowanie przyczynowe) i głębokie sieci neuronowe (DNN, z ang. Deep Neural Networks – głębokie sieci neuronowe), znane również jako głębokie uczenie się (DL, Deep Learning) w celu poprawy analizy indywidualnego podejmowania decyzji stosowanej w badaniach zachowań podróżnych.
W pracy Theory-based residual neural networks: A synergy of discrete choice models and deep neural networks opublikowanej w czasopiśmie Transportation Research badacze z ekipy SMART wyjaśniają opracowane przez siebie ramy TB-ResNet i w rezultacie demonstrują siłę połączenia metod DCM i DNN. Według nich są one komplementarne. Uczenie maszynowe jest coraz częściej stosowane w dziedzinie transportu, ale owe dwie rozbieżne koncepcje badawcze, DCM i DNN, przez długi czas były postrzegane jako zwyczajnie ze sobą sprzeczne.
Deep Neural Network - wyjaśnienie
Najprościej rzecz ujmując, sieć neuronowa o pewnym poziomie złożoności, zwykle co najmniej dwuwarstwowa, kwalifikuje się jako głęboka sieć neuronowa (DNN). W skrócie czasami jest określana jako deep net – nie mylić z deep web. Głębokie sieci przetwarzają dane w skomplikowany sposó i stosują wyrafinowane modelowanie matematyczne. Aby naprawdę zrozumieć głębokie sieci neuronowe, najlepiej jest postrzegać je jako ewolucję. Poza tym zanim powstały, to musiało zostać zbudowanych kilka elementów.
Po pierwsze, musiało rozwinąć się uczenie maszynowe – machine learning. ML to framework do automatyzacji modeli statystycznych w celu uzyskania lepszych przewidywań przez algorytmy. Te przewidywania są robione z pewną dokładnością. Interesuje nas tutaj podejmowanie decyzji + rozumienie ich konsekwencji. Model, który działa i jednocześnie się uczy – i tutaj kryje się owo tajemnicze uczenie maszynowe – rozpoznaje wszystkie swoje złe przewidywania i dostraja się, aby stać się takim, który będzie popełniać coraz mniej błędów.
Dynamic Causal Modelling - wyjaśnienie
Modele przyczynowe są modelami matematycznymi reprezentującymi związki przyczynowe w obrębie jakiegoś pojedynczego systemu. Ułatwiają wnioskowanie w zakresie związków przyczynowych płynących z danych statystycznych. Zostały one również zastosowane do tematów interesujących filozofów, takich jak logika kontrfaktyczności, teoria decyzji i analiza rzeczywistej przyczynowości. Samo modelowanie przyczynowe jest dziedziną interdyscyplinarną, która wywodzi się z rewolucji statystycznej lat 20-tych XX wieku, a w szczególności z prac amerykańskiego biologa i statystyka Sewalla Wrighta (1921). Ważny wkład wniosły do niego informatyka, ekonometria, epidemiologia, filozofia, statystyka i inne dyscypliny. Model przyczynowy pozwala zatem przewidywać zachowanie systemu. W szczególności określa wartość prawdy lub prawdopodobieństwo przeciwstawnych twierdzeń o systemie. Przewiduje efekty interwencji; oraz określa prawdopodobną zależność lub niezależność zmiennych zawartych w modelu.
Połączone koncepcje machine learning
Synergia dwóch ważnych paradygmatów badawczych, TB-ResNet wykorzystuje prostotę DCM i siłę ekspresji DNN do generowania bogatszych wyników i dokładniejszych przewidywań dla indywidualnej analizy decyzyjnej. Opracowany framework TB-ResNet jest bardziej przewidywalny, interpretowalny i solidny niż DCM lub DNN z osobna, a wyniki bardziej spójne w szerokim zakresie zbiorów danych.
Decyzje infrastrukturalne w obrębie transportu nigdy nie są oczywiste nawet dla specjalistów nie mówiąc o zwykłych użytkownikach. Często tylko nam się wydaje, że coś tam wiemy – a to nowa droga odciąży centrum, a to zlikwidowanie linii autobusowej i zastąpienie jej linią tramwajową przyśpieszy ruch w kierunku obrzeży… a ostatecznie największe znaczenie i tak mogą mieć przyzwyczajenia pieszych i pasażerów. Dokładna i efektywna analiza indywidualnych decyzji podejmowanych w codziennym kontekście jest krytyczna dla firm transportowych, rządów i innych organów decydujących dążących do optymalizacji sieci transportowych i sprostania wyzwaniom transportowym, szczególnie w miastach. TB-ResNet wyeliminuje istniejące trudności napotykane w DCM i DNN oraz pozwoli zainteresowanym stronom na przyjęcie całościowego, jednolitego spojrzenia na planowanie transportu.
Na końcu badano alternatywy czasowe mierząc kompromis pomiędzy obecnymi i przyszłymi korzyściami finansowymi. Przykładem podejmowania takich decyzji jest rozwój transportu, gdzie udziałowcy analizują inwestycje infrastrukturalne z dużymi zaliczkami i długoterminowymi korzyściami.
Nowoczesny urban planning
Urbaniści badający skutki rosnącego zatłoczenia na obszarach miejskich zaczęli zajmować się zewnętrznymi, negatywnymi skutkami powodowanymi przez większy popyt na systemy autostrad w krajach zachodnich. ONZ oszacowało w 2018 roku, że około 2,5 miliarda więcej ludzi zajmie obszary miejskie do roku 2050. Nowe teorie planowania przyjęły nietradycyjne koncepcje, tworzenia specjalnych stref na nowatorski rozwój biznesu i priorytetyzację infrastruktury, która pomogłaby w poprawie jakości życia obywateli, w tym na wydłużenie potencjalnej długości życia. Praktyki planistyczne uwzględniły zmiany w polityce, aby pomóc w przeciwdziałaniu globalnym zmianom klimatycznym. Wielkie miasta zaczynają pobierać opłaty za wjazd do zatłoczonych miejsc, coraz chętniej implementuje się transport rowerowy czy hulajnogi.
Nas mniej interesują modele planowania w kontekście wykorzystania gruntów i interesów różnych grup – zostawiamy to architektom, planistom, urbanistom, geodetom i całemu sztabowi specjalistów od infrastruktury. Z uwagą przyglądamy się natomiast pomysłom tworzenia inteligentnych miast w oparciu o nowoczesne sieci. To już się dzieje.
A coś dla nas, czyli dla mas?
Kolejną nową funkcją jest dostarczanie propozycji tras dla sektorów logistycznych. Bazując na wartościach empirycznych i zachowaniu dyspozytora systemy dostosowują się. Podczas tworzenia trasy sztuczna inteligencja bierze pod uwagę istniejącą konfigurację, a taka unikalna kombinacja funkcji probabilistycznych i deterministycznych umożliwia późniejsze klientom definiowanie restrykcji wagi czy miejsca. Algorytmy uczenia maszynowego umożliwiają także działanie autonomicznych samochodów. Dzięki nim pojazd może zbierać dane o swoim otoczeniu z kamer, czujników czy systemu LIDAR, interpretować je i decydować, jakie działania podjąć. Uczenie maszynowe pozwala samochodom uczyć się, jak wykonywać te zadania równie dobrze (lub nawet lepiej niż) ludzie.
Jak podał w 2020 roku Economic Times, ludzie przemierzają ponad 1 miliard kilometrów rocznie z pomocą Google Maps w ponad 220 krajach. Firma w partnerstwie z DeepMind Alphabet AI używa sztucznej inteligencji i modeli uczenia maszynowego, by przewidzieć, czy ruch na trasie jest duży, czy mały, jaki będzie szacowany czas podróży i szacowany czas przybycia. Product manager Google Maps Johann Lau podał, że przewidywania czasu przybycia (ETA) odnotowują zaskakującą dokładność dla ponad 97% podróży. System analizuje nie tylko dotychczasowe zapisy ruchu na danej trasie, ale również aktualne warunki “na żywo”. W połączeniu z uczeniem maszynowym takie szacowanie osiąga niesamowite wyniki.
