Vorhersagen mit Machine Learning

Herausforderung

Die Vorhersage des zukünftigen Verkehrsflusses ist im Strassenbetrieb aufgrund des heutigen Verkehrsaufkommens äusserst wichtig: Je genauer die Vorhersage ist und je weiter die Prognose in die Zukunft reicht, desto besser können wir den Verkehr über dynamische Geschwindigkeitsschilder aktiv steuern und damit kostspielige Staus vermeiden. Die Vorhersage ist auch in Zukunft kein triviales Problem: Es gibt etablierte statistische Modellierungsansätze, die aktuelle Strömungsdaten verwenden, die nur mit einer gewissen Genauigkeit funktionieren. Durch die Kombination dieser mit moderneren Ansätzen des maschinellen Lernens (ML) erzielen wir signifikant bessere Vorhersagen.

Lösung

Die explorative Datenanalyse erfolgt mit Jupyter, Spark, Python und R. Um ein schnelleres ML-Modelltraining zu ermöglichen, ist die ML-Plattform mit einem GPU ausgestattet, der speziell auf ML-Training-Workloads ausgerichtet werden kann.

Datenpipelines werden mit Spark entwickelt, damit sie sich gut mit den Mengen an erzeugten Verkehrsdaten skalieren lassen. Einige Punkte aus der ML-Entwicklung, die es hervorzuheben gilt, sind:

• Die Datenbereinigung erweist sich als kritischer Punkt, da die gesammelten Sensordaten hinsichtlich Genauigkeit und Vollständigkeit unzuverlässig sind.
• Die entwickelten Funktionen folgen Empfehlungen aus aktuellen wissenschaftlichen Arbeiten, die sich mit ähnlichen Problemen befassen.
• ML-Modelle werden sowohl mit SparkML als auch mit TensorFlow trainiert. Es werden verschiedene Modelltypen – Regression, Klassifizierung sowie Ausreissererkennung, auch Outlier Detection genannt (Behandlung von «Stau» als Ausreisser) – entwickelt und implementiert.
• Modellergebnisse werden auf Basis vereinbarter Metriken verglichen, die bei Verwendung in Zusammenhang mit stark unausgeglichenen Daten als robust befunden wurden. Die am besten geeigneten ML-Modelle werden im Anschluss für ein produktives Deployment ausgewählt.