Ce este inteligența artificială?
Inteligența artificială (IA) poate fi definită ca o ramură a științei calculatoarelor dedicată creării de mașini și software inteligente care pot îndeplini sarcini ce necesită în mod obișnuit abilități cognitive umane.
Aceste sisteme imită funcții umane precum învățarea, rezolvarea problemelor și luarea deciziilor prin valorificarea unor cantități vaste de date, adesea denumite „big data”, pentru a atinge performanțe optime în sarcini specifice[15].
Istoria IA:
Originile inteligenței artificiale pot fi urmărite înapoi la filosofie, bazele ciberneticii, ficțiune și imaginație. IA a fost influențată de invențiile curente în electronică și inginerie [16].
IA este utilă în rezolvarea problemelor ce țin de analiza unor mase de date precum și optimizarea task-urilor legate de muncă fundamentală de învățare, reprezentarea cunoștințelor și inferență, care include programe demonstrative în înțelegerea limbajului, traducere, demonstrarea teoremelor ( curent ), memorie asociativă și sisteme bazate pe cunoștințe[17].
Termenul „inteligență artificială” a fost inventat pentru prima dată de John McCarthy în timpul cercetării sale de vară din 1956, marcând începutul unui interes semnificativ din partea cercetătorilor și academicienilor.
Acest concept a fost discutat proeminent la o conferință la Dartmouth în același an.
În 1957, a fost efectuat primul test al „rezolvatorului general de probleme”, iar un an mai târziu, McCarthy a introdus limbajul LISP, un software pentru crearea de IA.
Cu toate acestea, de-a lungul timpului, oamenii de știință au realizat că dezvoltarea unui singur algoritm de calculator capabil să îndeplinească funcții echivalente cu cele umane era destul de imposibilă[18].
Astăzi, IA este definită ca o serie de agenți inteligenți ce asistă oamenii în îndeplinirea sarcinilor specializate, această cobinație fiind una eficientă și mai rapidă.
Din anii 1950, experții au presupus că dezvoltarea unui astfel de sistem de inteligență artificială generală ( primitivă în comparație cu rețelele de azi ) care să prezinte comportamente asemănătoare celor umane ar dura doar câțiva ani. După conferința de la Dartmouth au urmat îmbunătățiri continue, timp de aproape două decenii.
Un avans notabil a fost crearea ELIZA ( 1964-1967 ) , un instrument de procesare a limbajului natural capabil să simuleze conversația umană[17].
2.1.1. IA în sistemele de transport
Toate orașele mari din întreaga lume se confruntă cu provocări legate de transport, trafic și logistică. Aceste probleme sunt cauzate de creșterea rapidă a populației și de numărul tot mai mare de vehicule pe drumuri[19].
Pe măsură ce zonele urbane se confruntă cu congestionarea traficului, soluțiile bazate pe IA au devenit instrumente valoroase, oferind informații de trafic în timp real și permițând planificarea ușoară a călătoriilor printr-o singură interfață de utilizator[20]. Exemplu notabil este Waze, startup cumpărat de Google în 2013[21].
IA poate juca un rol semnificativ în multiple domenii ale transportului, cum ar fi:
- Vehicule autonome: utilizarea tehnologiilor precum învățarea automată și viziunea computerizată, permit vehiculelor autonome să perceapă în siguranță mediul înconjurător, să ia decizii într-un timp redus și să navigheze în medii complexe. Aceste vehicule folosesc IA pentru a detecta obstacole, a recunoaște semne de circulație, a respecta regulile și a se adapta la condițiile rutiere pentru o experiență de conducere fluidă[22][23].
- Managementul traficului: poate lua task-uri de optimizare a fluxului de trafic și reduce congestionarea prin analizarea datelor în timp real de la senzori de trafic, camere și tipare istorice. Aceste informații ajută la prezicerea tiparelor de trafic, optimizarea timpilor de semnal și sugerarea rutelor alternative pentru a îmbunătăți eficiența generală a transportului[24][25].
- Mentenanță predictivă: se analizează datele vehiculelor cu ajutorul algoritmilor de învățare automată și modelării predictive pentru a prezice și preveni defecțiunile mecanice, asigurând siguranța și reducând timpii de nefuncționare a echipamentelor.[26][27]
- Logistică inteligentă și managementul lanțului de aprovizionare: îmbunătățește operațiunile logistice prin analizarea seturilor mari de date, optimizarea rutelor, prezicerea cererii pe baza datelor existente și gestionarea mai eficientă.
Acest lucru duce la economii de costuri, livrări mai rapide și o utilizare mai rațională a resurselor per general.[28]
- Infrastructură inteligentă și conectivitate: Va permite sisteme de infrastructură inteligente, precum semafoare care se ajustează în timp real la condițiile de trafic, optimizând fluxul. [28]
Astfel, comunicarea V2I (vehicul-infrastructură) și V2V (vehicul-vehicul) bazată pe IA va îmbunătăți siguranța rutieră, coordonarea și eficiența.[29]
2.1.2 Necesitatea IA în managementul traficului
Controlul semafoarelor urbane a evoluat alături de modernizarea vehiculelor. Pentru a preveni conflictele de trafic, este important să fie gestionate și coordonate eficient toate fluxurile de trafic folosind semafoarele.
Provocarea congestionării traficului urban devine o problemă de neamânat, complexitatea acesteia fiind din ce în ce mai mare determinând eforturi considerabile pentru a găsi soluții[30].
Noi teorii și metodologii sunt propuse în continuu în timp ce numeroase sisteme de control al traficului coordonat bazat pe calcule au fost dezvoltate succesiv[31].
După cum sa menționat anterior, metodele tipice în ziua de azi de control al traficului includ controlul cu timp fix, controlul în funcție de momentul zilei, oră, etc… , controlul acționat de vehicule, controlul semi-acționat, controlul „undă verde”, controlul static de zonă și controlul dinamic de zonă.
Un sistem ideal de coordonare a semafoarelor urbane trebuie să răspundă la cerințele traficului în perioada curentă de moment , să optimizeze planurile de temporizare în timp real și să ofere un control adaptiv[32].
Cu toate acestea, niciun sistem existent nu îndeplinește pe deplin aceste cerințe datorită naturii problemei neliniare, Traficului difuz și imprevizibil, pe care metodele tradiționale de modelare și control ,, liniar ,, se străduiesc să îl gestioneze eficient[33].
Odată cu dezvoltarea rapidă a tehnologiei computerizate, s-au făcut progrese semnificative în domeniul inteligenței artificiale (IA). Tehnici de IA precum logica fuzzy, rețelele neuronale, algoritmi evolutivi și învățarea prin întărire, tehnici ce au fost introduse și aplicate în diverse domenii inginerești[34].
Se anticipează că aplicarea metodelor IA în sistemele de control al traficului ar putea duce la un progres major. De fapt, mulți cercetători au început deja să desfășoare lucrări de pionierat în acest domeniu[35].
2.2. Algoritmi IA în optimizarea semnalelor de trafic
Obiectivul principal al utilizării IA în optimizarea semnalelor de trafic este de a adapta dinamic timpii semnalelor la condițiile de trafic într-un timp real. Spre deosebire de semnalele de trafic tradiționale, cu timp fix, sistemele bazate pe IA pot analiza cantități mari de date de la senzorii deja existenți, camere existente și alte surse momentan nedeterminate, totul pentru a lua decizii raționale.
2.2.1 Rețele neurale artificiale
Creierul uman este considerat ca fiind o rețea complexă de neuroni interconectați, fiecare capabil să primească, să proceseze și să transmită semnale electrice. A simplificat, această structură complexă permite creierului oricărui specimen care îl prezintă să îndeplinească o gamă largă de funcții cognitive, inclusiv învățarea, memorarea și rezolvarea problemelor. (Figura 2.1) este o demonstrație a rezultatului conexiunilor din interiorul creierului, ce simplificat și cunoscut funcționează ca o rețea neuronală complexă, ce realizează funcții de raționament .
Inspirate de creierul biologic, rețelele neuronale artificiale (ANN) sunt modele computaționale concepute ce imita structura și funcționarea acestuia.
ANN-urile constau în noduri interconectate supranumiți și neuroni, care procesează informații și învață printr-un proces similar cu învățarea biologică.
Structura rețelelor neuronale artificiale este inspirată de neuroni biologici. Un neuron biologic are un corp celular sau soma ( corpul unei celule ) pentru a procesa impulsurile, dendrite pentru a le primi și un axon care le transferă către alți neuroni; [36]
Acest proces de activare și transmitere permite neuronilor să proceseze colectiv datele, procesând și retransmițând informații în întregul creier. Nodurile de intrare ale rețelelor neuronale artificiale primesc semnalele de intrare, nodurile stratului ascuns calculează aceste semnale de intrare, iar nodurile stratului de ieșire calculează rezultatul final prin procesarea rezultatelor stratului ascuns folosind funcții de activare, așa cum este ilustrat în Figura 2.2.
Aplicația RNA în managementul traficului:
Într-un oraș cu o zonă centrală aglomerată, poate fi implementat un sistem de management al traficului bazat pe o Rețea Neuronală Artificială (RNA). Camerele de trafic și senzorii furnizează date către RNA, care la rândul său prezice condițiile de trafic și ajustează timpii semafoarelor în întreaga rețea.
În timpul orelor de vârf, RNA ar putea detecta o densitate crescută de vehicule pe anumite rute și ar extinde luminile verzi pentru a atenua congestionarea. Dacă apare un accident, sistemul poate redirecționa traficul pe rutele libere și ajusta semafoarele pentru a preveni blocajele [37]( exemplu notabil – Waze ) .
Structura modelului RNA pentru controlul traficului în timp real:
Structura unui model RNA pentru controlul traficului în timp real implică organizarea diferitelor straturi și componente pentru a procesa eficient datele de intrare, a învăța din acestea și a lua decizii pentru a optimiza timpii semafoarelor.
• Stratul de intrare: Acesta constă în date primite de la surse externe care furnizează informațiile necesare modelului RNA, cele colectate de camere și senzorii instalați în sectoarele necesare, de exemplu la o intersecție.
Fiecare neuron din stratul de intrare reprezintă o caracteristică diferită legată de condițiile de trafic; în controlul nostru de trafic propus bazat pe RNA, intrările reprezintă datele care descriu condițiile de trafic (numărul de vehicule, tipul de vehicule, viteza vehiculelor)[38]. Fiecare intrare reprezintă o caracteristică specifică a situației de trafic la o intersecție.
Rolul acestor intrări este de a furniza rețelei neuronale artificiale informații strict necesare pentru a analiza cu acuratețe condițiile actuale de trafic și a optimiza controlul semafoarelor pentru un flux de trafic mai bun. Această teorie este valabilă doar în cazul datelor în timp real[39].
• Stratul ascuns
Straturile ascunse din RNA este porțiunea unde are loc procesarea de bază, analiza datelelor de intrare pentru a identifica tipare și relații care influențează fluxul de trafic.
Fiecare neuron din stratul ascuns primește intrări de la toți neuronii din stratul precedent, înmulțește aceste intrări cu greutățile lor respective (indicând importanța fiecărei intrări sau forța raportată a conexiunii) și calculează o sumă ponderată.
Această sumă este apoi trecută printr-o funcție de activare (cum ar fi ReLU sau sigmoid), care determină dacă neuronul ar trebui să se activeze și să trimită ieșirea sa către stratul următor[40].
Această activare introduce non-linearitate, permițând modelului să învețe relații complexe între intrări, precum densități variabile de trafic sau tipuri de vehicule.
Datele procesate sunt apoi transmise către neuronii din stratul următor, care ar putea fi un alt strat ascuns sau stratul de ieșire, permițând RNA să ia decizii bazate pe tiparele învățate[41].
• Antrenament
În timpul antrenamentului, se optimizează valorile de greutate, cu alte cuvinte este o optimizare pentru a determina câtă influență are ieșirea unui neuron asupra intrării altuia.
În controlul traficului, greutățile reflectă importanța unor factori precum numărul de vehicule sau prezența autobuzelor sau a serviciilor extreme ( 112 ) asupra deciziilor semafoarelor.
RNA trebuie să fie antrenată folosind date istorice de trafic cu timpi optimi de semaforizare cunoscuți[42]. Este calculată eroarea comparând predicțiile sale cu ieșirile optime reale.
Prin retro-propagare, această eroare este folosită pentru a ajusta greutățile, folosind algoritmi precum gradientul descendent pentru a minimiza eroarea și a îmbunătăți capacitatea RNA de a lua decizii precise de control în timp real și util[43].
Leave A Comment