تا حالا شده فکر کنی ماشینها خودشون بتونن با همه چیز اطرافشون حرف بزنن و اطلاعات رد و بدل کنن؟ این همون تکنولوژی باحالیه که بهش میگن V2X یا Vehicle-to-everything! یعنی وسیله نقلیه (مثلاً ماشین، موتورسیکلت و حتی دوچرخههای هوشمند) میتونن با بقیه وسایل نقلیه، آدمها و حتی چراغ راهنماییها ارتباط داشته باشن. کلی کاربرد داره مثل ایمنتر شدن جادهها، روانتر شدن ترافیک و حتی افزایش کیفیت اینترنت و سرگرمی توی ماشین!
حالا یه مشکل اساسی این وسط هست: اینهمه وسیله با این همه دیتا، چجوری باید اطلاعات ترافیکی رو موثر و سریع به هم برسونن؟ اینجاست که هوش مصنوعی یا AI (هوش مصنوعی یعنی الگوریتمهایی که میتونن مثل آدمها فکر کنن و تصمیم بگیرن) حسابی به کمکمون میاد.
یکی از راههایی که دانشمندان دارن روش کار میکنن برای پیشبینی الگوهای ترافیکی همین شبکههای عصبی عمیق یا Deep Learning Neural Networks هست. یعنی یه مدلهایی که از مغز آدمها الهام گرفتن و میتونن از دل کلی دیتا، چیزهای مهم رو یاد بگیرن و پیشبینی کنن.
تو این تحقیق، اومدن دوتا مدل اصلی رو امتحان کردن: یکی شبکههای عصبی بازگشتی یا همون RNNها (یعنی مدلهایی که توشون دیتا به صورت پشت سر هم وارد میشه و ارتباط بین دادههای قبلی و بعدی رو یاد میگیرن، خیلی مناسب دادههای زمانی مثل ترافیک)، و یکی دیگه شبکههای عصبی کانولوشنی یا CNNها (که بیشتر توی پردازش عکس معروفن، ولی توی دیتاهای دیگه هم جواب میدن، چون میتونن الگوهای محلی رو خیلی خوب تشخیص بدن).
توی RNNها، چند مدل مختلف هست:
- LSTM یا Long Short-Term Memory: میتونه چیزهای بلندمدت رو یادش بمونه.
- BiLSTM یا Bidirectional LSTM: همین LSTMه تا اطلاعات رو هم از گذشته یاد میگیره هم آینده.
- GRU یا Gated Recurrent Unit: یه مدل جمعوجور و سریعتر از LSTM که خیلیها میگن عملکردش عالیه!
وقتی داشتن این مدلها رو تست میکردن، اومدن چندتا پارامتر مهم هم توشون دست بردن. مثلاً:
- Loss Function: یعنی معیاری که باهاش میسنجن پیشبینی مدل چقدر به واقعیت نزدیکه. یکی از معروفترینهاش MSE هست، مخفف Mean Squared Error، یعنی میانگین مربع اشتباهات.
- Optimizer: یک الگوریتم برای اینکه مدل بهتر و سریعتر یاد بگیره، مثلاً معروفترینش Adam هست که مثل یه مربی حرفهای به مدل یاد میده چطور سریعتر به جواب درست برسه.
نتیجههاشون جالب بود! توی بین RNNها، مدل GRU با ترکیب Loss Function یعنی MSE و Optimizer یعنی Adam، بهترین نتیجه رو میداد. یعنی هم از لحاظ دقت یا Accuracy نسبت به مدلهای دیگه جلو بود، هم از لحاظ سرعت و سبک بودنش.
اما اگه بریم سراغ CNNها، اونجا وقتی با ReLU (یعنی Rectified Linear Unit، یک تابع اکتیویشن یا فعالسازی که باعث میشه مدل بتونه بهتر تصمیم بگیره) و Adam Optimizer استفاده کردن، تو معیار RMSE (Root Mean Square Error، یک مدل دیگه برای سنجش خطا) بالاترین کارایی و کمترین پیچیدگی محاسباتی رو داشتن.
در نهایت این تیم اومدن کار خودشون رو با مقالات و مدلهای قبلی مقایسه کردن و نشون دادن که مدلهایی که باهاش کار کردن مخصوصاً GRU و CNN با تنظیمات بالا، هم از نظر دقت، هم سرعت و هم مقاومت در برابر شرایط مختلف خیلی بهتر عمل میکنن.
خلاصه اگر دوست داشتی بدونی ماشینها در آینده چطور میتونن ترافیک رو خودکار پیشبینی و مدیریت کنن و جادهها رو ایمنتر کنن، باید بدونی همین هوش مصنوعی با مدلهای یادگیری عمیق داره یه انقلاب اساسی به پا میکنه!
منبع: +
