TIMON Project. Enrique Onieva Caracuel. Barcelona, 30 de Marzo de Organizan. Auspician. Apoya. Thinking of mobility Thinking on the road

Transcripción

1 TIMON Project Barcelona, 30 de Marzo de 2017 Organizan Auspician Apoya

2 Datos - Información general Financiado por el programa europeo de investigación Horizon 2020, programa de transporte. Coordinado por la Universidad de Deusto. 11 organizaciones 8 países Presupuesto: Duración: 42 meses (Junio 2015 noviembre 2018)

3 Datos - Socios Roles Coordinador Inteligencia artificial Procesamiento de datos Comunicaciones híbridas Posicionamiento Diseño de la arquitectura Gestión de datos abiertos Mapas dinámicos Plataforma web Integración de servicios Cloud computing Participación ciudadana Testeo & validación Difusión

4 Concepto general del proyecto Objetivo: desarrollo de una plataforma web y una aplicación móvil para la entrega de servicios de información dirigidos a agentes de carretera, conductores y usuarios vulnerables de carretera. Alertas de riesgo en la conducción: colisión, obras de carretera, coche estacionado, accidente de tráfico. Predicción de congestión de tráfico. Planificador de rutas multimodal Optimizador de rutas para conductores y motociclistas, incluyendo replanificación de rutas ante incidencias

5 Concepto general del proyecto TECHNOLOGIES DATA SOURCES Vehicular hybrid networks SERVICES FOR CITIZENS Services for VRUs LTE Vehicle density awareness Collision alert Dynamic route re-planning Vehicles&VRU Infrastructure sensors Open data ITS-G5 Artificial Intelligence Route planning Congestion prediction Open platform and APP development Services for Drivers Emergency vehicle approaching Road Hazard warning Dynamic Route re-planning for drivers Multi-modal dynamic commuter SERVICE FOR BUSINESS Cooperative positioning TIMON Server Enhanced RT Traffic Information API TIMON COLLABORATIVE ECOSYSTEM Getting involved users

6 Objetivos específicos Recolección y armonización de datos Mejora de precisión en posicionamiento cooperativo Desarrollo de redes de comunicación híbridas vehículo a usuario vulnerable Detección/predicción de patrones de tráfico Optimización de rutas Implementación de servicios basados en mapas dinámicos

7 Retos tecnológicos Inteligencia Artificial Predicción de la congestión Optimización de rutas intermodales Posicionamiento cooperativo Posicionamiento ante bloqueo de señal GNSS Alta precisión Redes de comunicación híbridas Sinergia corto-largo alcance (ITS-G5+LTE) Reducción de la inversión en infraestructura

8 Aspectos innovadores de TIMON Recoge y procesa datos de fuentes diversas de un entorno interconectado: vehículos, usuarios vulnerables (motociclistas), infraestructura y datos abiertos. Los vehículos actúan como sensores: facilitando su posición, time stamp, velocidad. Los usuarios de vehículos/ motocicletas son prosumers: proveen datos al sistema y consumen información del mismo. Actualmente los servicios de movilidad únicamente recogen datos de infraestructura y fuentes de datos abiertas. Se recogen datos en tiempo real Servicios en tiempo real.

9 Pilotaje de Soluciones Testeo en Helmond (Países Bajos), instalaciones de test-bed de TASS: Fase 1: Testeo de subsistemas (septiembre 2016; junio 2017) Fase 2: Validación global del sistema (enero 2018) Pilotaje en entorno real en Liubliana (Eslovenia), enero Participación de ciudadanos como usuarios del sistema TIMON participantes: conductores, motociclistas, usuarios de transporte público.

10 Inteligencia Artificial Avanzada Motivación: Interpretabilidad La minería de datos aplicada a problemas de transporte: Se basa en técnicas clásicas de inteligencia artificial Árboles de Decisión Técnicas de Regresión Redes Neuronales Se centran en la precisión del sistema No en su interpretabilidad

11 Inteligencia Artificial Avanzada Motivación: Imbalanceo Los datos de tráfico suelen ser altamente imbalanceados: Situaciones anormales son muy poco frecuentes Algunas predicciones tienen un alto grado de acierto No habrá un atasco a las 4:30 am El tráfico permanecerá sin variaciones significantes Nadie en esta sala ganará la lotería Pero no son útiles Las técnicas clásicas se centran en el grado de acierto No son competitivas en entornos imbalanceados

12 Inteligencia Artificial Avanzada Objetivo general: desarrollo de sistemas de inteligencia artificial que mejoren el estado del arte Predicción de congestión a corto plazo Mediante el uso de metaheurísticas bioinspiradas Representando modelos mediante lógica difusa Optimización de rutas punto a punto Implementando optimizadores bioinspirados De una manera multi-modal Atendiendo a los requisitos de los usuarios

13 Establecimiento del baseline Evaluación de técnicas de minería de datos clásicas Comparativa de 384 modelos 2 tipos de datasets Con toda la información disponible Con una versión reducida (>40 variables) (=10 variables) 12 horizontes de predicción (5,10,15, 60 minutos) 16 técnicas distintas Aprendizaje de reglas difusas y no difusas mediante algoritmos evolutivos

14 Establecimiento del baseline Evaluación basada en 4 métricas Complejidad de los datos Precisión global Tiempo necesario para construir modelos Complejidad (Reglas/antecedentes) Aacc(Com) Aacc(Sim) T(Com) T(Sim) #R(Com) #R(Sim) #A(Com) #A(Sim) Evolutionary Crisp Rule Learning [12, 398] [5, 82] [5, 14] [4, 12] [4, 8] [2, 7] Evolutionary fuzzy Rule Learning [8, 626] [4, 50] [4, 25] [4, 20] [2, 3] [1, 3]

15 Reducción de datos Selección de instancias Bajo muestreo de clases mayoritarias Mantenimiento de la unicidad de los datos Selección de atributos Utilización de criterios basados en 7 técnicas diferentes OneR, CfsSubsetEval, ConsistencySubsetEval, Relief, Info Gain, Gain Ratio, Principal Components Análisis de coincidencias y conflictos

16 Ajuste evolutivo de modelos difusos Versiones mejoradas de AdaBoost y Fuzzy Association Rule-based Classification method for High-Dimensional problems Cada sistema se trata como un clasificador débil Ajuste de la importancia de cada regla a la predicción Generación de reglas basada en algoritmos evolutivos Ajuste de función fitness para considerar imbalanceos Operadores de cruce y mutación mejorados

17 Diseño de la solución El sistema recoge y prepara los datos del TIMON Cloud El motor de información de tráfico recibe los datos y provee el estado actual y futuro del tráfico El módulo GIS geo-localiza la información en la red vial La información georeferenciada se envía al TIMON Cloud

18 Testeo en Helmond Sección de la autopista A270 (Helmond - Holanda) Datos provenientes de 7 cámaras (Escalable hasta 240) Inclusión de datos meteorológicos Precisión > 90% 4 niveles de flujo de vehículos 4 horizontes de tiempo Predicciones dadas en tiempo real Rectas Incorporaciones

19 Diseño de rutas Basado en OpenTripPlanner Abierto, robusto y flexible Integración de datos GTFS transporte público rutas intermodales Pendientes cálculo de emisiones rutas ecológicas Predicciones de tráfico rutas óptimas Optimización multiobjetivo mediante evolución diferencial

20 Resultados y conclusiones Reducción de datos necesarios para predecir > 70% con la selección de atributos/instancias Precisión > 90% de acierto en las estimaciones de estados futuros Sensibilidad > 80% ante estados altamente anómalos Tiempo necesario para la construcción de modelos < 10 minutos para su reentrenamiento desde 0 Tiempo necesario para proveer predicciones 0.1 segundos para escenario con 24 cámaras Complejidad de los modelos Entre 2 y 4 reglas con unos 5 antecedentes

21 Gracias Enrique Onieva TIMON project has received funding from the European Union s Horizon 2020 research and innovation programme under Grant Agreement no