Из школ и магазинов в больницы и отели, современный город сделан из многих различных частей. Градостроители должны принять во внимание то, где эти услуги расположены, проектируя эффективные сети транзита.
Агентство Сингапура для Науки, Технологии и Исследования (A*STAR) исследователи разработало программу машинного обучения, чтобы точно воссоздать и предсказать использование общественного транспорта или ‘количество перевезенных пассажиров’, на основе распределения землепользования и удобств в Сингапуре.Традиционные города включают внутренний центральный деловой район (CBD), где большинство людей работает, окруженное внешними жилыми и промышленными зонами.
К сожалению для пассажиров из пригородов большой объем людей, едущих в и от CBD, может вызвать затор в часы пик. Чтобы облегчить часть этого разочарования, сингапурское правительство работает над созданием региональных центров к 2030 году. Планировщики надеются поощрить владельцев бизнеса открываться в указанных региональных центрах вокруг города-государства, ослабляя давление пикового времени и поощряя использование общественного транспорта.
«Мы стремимся понимать рецепт для умного города», объясняет Кристофер Монтерола в Институте A*STAR Высокоэффективного Вычисления, который привел проект в сотрудничестве с учеными по Сингапуру. «Сингапуру нужна эффективная транспортная система, чтобы поддержать действия людей, учитывая существующую и запланированную инфраструктуру. Чтобы вести планировщиков, нам была нужна модель, которая могла предсказать количество перевезенных пассажиров в соответствии с планом региональных центров».
Команда собрала данные от smartcard системы города на людях, выявляющих в и из отдельного автобуса и станций метро в течение недели – больше чем 20 миллионов поездок всего.smartcard данные были объединены с охватившей весь город информацией о том, как земля использовалась – для бизнеса, промышленности, места жительства, воды или растительности – и карты с высоким разрешением, которые определили отдельные удобства в радиусе набора каждой станции.
Опробованные три различных модели машинного обучения команды Монтеролы – компьютерные программы, которые обучают себя посредством повторных моделирований – находить то, которое сначала точно воспроизвело, и затем предсказало, транспортное количество перевезенных пассажиров по городу.«Мы нашли, что модель дерева решений выступила лучше всего, с хорошей точностью, вычислительной эффективностью и понятным пользовательским показом», говорит Монтерола. «Резултс указал, что увеличение удобств до 55 процентов по городу увеличит количество перевезенных пассажиров. Вне этого пункта количество перевезенных пассажиров начинает уменьшаться; это логично, потому что, если удобства доступны в местном масштабе, люди идут вместо этого».
Данные о прелести с высоким разрешением доказали намного более сильного предсказателя количества перевезенных пассажиров, чем общие детали землепользования; полезный результат для информирования будущего городского планирования и контроля региональных центров Сингапура, как они развиваются. Модель могла быть применена к любому городу с доступом к подобным данным с высоким разрешением, отмечает Монтеролу.