1. Medición: Comprender los patrones de movilidad
Evaluar con precisión el estado precise de la crimson de transporte y los patrones de movilidad es el primer paso para mejorar la movilidad. Esto implica recopilar y analizar datos en tiempo actual e históricos de varias fuentes para comprender las condiciones y tendencias actuales e históricas. Necesitamos rastrear los efectos de los cambios a medida que los implementamos en la crimson. ML alimenta estimaciones y cálculos métricos, mientras que los enfoques estadísticos miden el impacto. Las áreas clave incluyen:
Funciones de congestión
Related a los diagramas fundamentales bien conocidos del flujo de tráfico, las funciones de congestión describen matemáticamente cómo el aumento del volumen del vehículo aumenta la congestión y cut back las velocidades de viaje, proporcionando información essential sobre el comportamiento del tráfico. A diferencia de los diagramas fundamentales, las funciones de congestión se construyen con base en una parte de los vehículos (por ejemplo, Datos de coche flotante) en lugar de todos los vehículos itinerantes. Hemos avanzado la comprensión de la formación y propagación de congestión utilizando un Enfoque de ml que crearon modelos en toda la ciudad, que permiten una inferencia robusta en carreteras con datos limitados y, a través de formulación analíticarevelan cómo los ajustes de la señal de tráfico influyen en la distribución del flujo y los patrones de congestión en las áreas urbanas.
Comprensión geoespacial basic
Desarrollamos marcos novedosos, aprovechando técnicas como auto-supervisado Aprender sobre datos geoespaciales y patrones de movimientopara aprender incrustaciones que capturen las características locales y las relaciones espaciales más amplias. Estas representaciones mejoran la comprensión de los patrones de movilidad y pueden ayudar a las tareas aguas abajo, especialmente cuando los datos pueden ser escasos o al complementar otras modalidades de datos. Colaboración con los esfuerzos de investigación de Google relacionados en Razonamiento geoespacial utilizando modelos generativos de IA y base es essential para avanzar en estas capacidades.
Insights de estacionamiento
Comprender las complejidades urbanas incluye estacionamiento. Construyendo en nuestro trabajo Uso de ML para predecir la dificultad de estacionamientoMobility AI tiene como objetivo proporcionar mejores concepts para administrar la disponibilidad de estacionamiento, essential para varias personas, incluidos viajeros, conductores de viajes compartidos, vehículos de entrega comerciales y las necesidades emergentes de los vehículos autónomos.
Estimación de la demanda de viajes de origen -destino
Demanda de viajes de origen -desestinación (OD)que describe dónde los viajes, como los viajes diarios, las entregas de bienes o los viajes de compras, comienzan y finalmente son fundamentales para comprender y optimizar la movilidad. Conocer estos patrones es essential porque revela exactamente dónde está estresado la crimson de transporte y dónde se necesitan más necesidades de servicios o infraestructura. Nosotros calibrar matrices OD – Tablas que cuantifican estos viajes entre ubicaciones – para replicar con precisión los patrones de tráfico observados, proporcionando una comprensión espacialmente completa esencial para la planificación y optimización de las redes de transporte.
Métricas de rendimiento: seguridad, emisiones e impacto de congestión
Utilizamos las tendencias de tráfico agregadas y anonimizadas de Google Maps para evaluar el impacto de las intervenciones de transporte en la congestión, y construimos modelos para evaluar el impacto de seguridad y emisiones. Para construir métricas de seguridad de manera escalonada, vamos más allá de los datos de bloqueo reactivo utilizando Eventos de frenado duro (HBES). Se muestra que los HBE están fuertemente correlacionados con los choques y se pueden utilizar para los servicios de seguridad vial para identificar ubicaciones de alto riesgo y predecir los riesgos de colisión futuros.
Para medir el impacto ambiental, hemos desarrollado modelos de inteligencia synthetic en asociación con el Laboratorio Nacional de Energía Renovable (NREL) que predicen el consumo de energía del vehículo (ya sea gasoline, diesel, híbrido o eléctrico). Esto alimenta el flamable eficiente enrutamiento En Google Maps, se estima que ayudó a evitar 2,9 millones de toneladas métricas de emisiones de GEI solo en los EE. UU., Lo que es equivalente a sacar ~ 650,000 autos de la carretera durante un año. Esta capacidad es basic para monitorear el clima y los impactos en la salud relacionados con las opciones de transporte.
Evaluación de impacto
Los ensayos aleatorios a menudo son inviables para evaluar los cambios en las políticas de transporte. Para evaluar el impacto de un cambio, necesitamos estimar los resultados en su ausencia. Esto se puede hacer encontrando ciudades o regiones con patrones de movilidad similares para servir como un “grupo de management”. Nuestro análisis de NYC’s precio de congestión Demuestra este método mediante el uso de técnicas estadísticas sofisticadas como controles sintéticos estimar rigurosamente el impacto de la política y proporcionar información valiosa para las agencias que evalúan las intervenciones.
