洛杉矶的交通拥堵臭名昭著，这已经不是什么秘密了，在全美的交通热点研究中，洛杉矶的交通拥堵通常排名第一。据估计，洛杉矶人每年要多花120个小时在这上面。虽然对司机来说是一场噩梦，但如果你想设计一个新系统来快速预测并可能改变交通方向，洛杉矶的交通系统确实有它的优势。

来自美国能源部(DOE)阿贡国家实验室(Argonne National Laboratory)的研究人员在一个更大的移动系统设计和规划项目的框架下着手进行这项工作，该项目由美国能源部劳伦斯伯克利国家实验室(LBNL)的合作者领导。

利用一种名为机器学习的人工智能(AI)技术，该团队利用阿贡的超级计算机，从加州大型公路系统沿线的11160个传感器收集的近一年的数据中分析交通模式。然后，这些信息被用来训练一个模型，以闪电般的速度预测交通——肯定比洛杉矶的交通速度要快。在几毫秒内，该模型可以查看过去一小时的数据，并非常准确地预测下一小时的交通流量。

该团队与美国能源部科学用户设施办公室Argonne的数学和计算机科学（MCS）部门以及Argonne领导力计算设施（ALCF）的成员合作，在交通流量预测方面取得了出色的成绩，最近将这些结果发布在Transportation Research Record：Journal上交通研究委员会。

MCS的计算机科学家Prasanna Balaprakash说：“这项工作中使用的AI和超级计算功能使我们能够解决非常大的问题。”

“这个项目的规模很大，而这样的数据量需要同样庞大的计算资源来解决。”

利用ALCF的世界级计算资源，科学家极大地减少了训练模型所需的计算机时间。例如，如果每周可能需要一台顶级台式计算机来训练流量预测模型，则在一台超级计算机上，相同的过程可以在三个小时内完成。

利用基于图的深度学习（一种可以自动做出决策并改善模型的预测的复杂形式的机器学习）的强大功能，他们的模型使用历史数据来预测流量模式，同时预测速度和流量。这很重要，因为在任何给定时间在一个区域中的交通流量都取决于附近的交通速度和流量。

“交通预测方法对于制定适应性交通战略至关重要。”埃里克·拉斯克（Eric Rask）说，他是阿贡大学交通研究中心的前首席研究工程师，也是参与这项研究的科学家之一。“交通模式具有复杂的时空依赖性，这使得在大型高速公路网络上进行准确的预测成为一项艰巨的任务。”

Rask指出，该团队不仅捕获了这些动态信息，而且还在具有比以前的流量预测模型更多的传感器和预测位置的网络上完成了这些动态。通过将大型网络分成多个较小的网络，他们能够独立地训练网络的每个部分，从而大大提高了模型的速度和有效性。

以前的模型只能处理来自200-300个传感器位置的数据;但是有了这种新的图形划分方法，团队能够处理来自超过11000个地点的数据，同时将模型训练时间减少了一个数量级。这种方法不仅速度快，而且可以准确预测未来一小时内的交通速度，一般在6英里内，通过网络的任何位置观测到其的速度。

MCS的博士后任命者、该项目的第一作者Tanwi Mallick说:“预测技术的规模和准确性有可能有助于更好的决策。”

Mallick和她的同事们相信，这个模型可以很容易地集成到交通管理中心，为交通管制人员提供更好的方法来应对和解决交通堵塞，并相应地调整交通路线。