预测交通拥堵，TranSEC助力城市交通“智”变

TranSEC是由美国能源部太平洋西北国家实验室（Pacific Northwest National Laboratory）开发的、旨在帮助城市交通工程师获取其所在城市交通模式信息的工具。

目前，以街道为单位的公开的交通信息并不完整，交通工程师通常依靠孤立的交通量观测值、碰撞和车速数据来确定交通状况。而TranSEC可以将这些交通数据进行整合，绘制出实时的街道级交通流。

TranSEC是评估街道运输状态的工具，它优于其他交通监控设施的地方在于，能够将那些不完整、甚至是碎片的交通信息整合，并作出接近实际的实时街道运输水平的评估。

利用1500平方英里洛杉矶市区的公共交通数据进行训练，该团队将创建交通拥堵模型所需的时间减少了一个数量级——从数小时缩短到几分钟，并通过PNNL的高性能计算资源的提速功能使得近实时的流量分析变得可行。

利用PNNL的数据驱动方法，用户可以在运输控制中心定期上传实时数据并定期更新TranSEC。利用PNNL的数据驱动方法，人们还可以计算出天气等因素对道路状况的影响指数。

该队在今年8月的虚拟城市计算研讨会（SIGKDD）上分享了他们的研究成果。同为与会者的马里兰大学高级交通技术中心的研究工程师Mark Franz表示：“TranSEC可能会引发交通监测和预测系统移动性能的范式转变”。

TranSEC的机器学习功能意味着，随着越来越多的数据将被获取和处理，其对街道级交通状况的评估和预测结果将变得更加精准。这种分析能力可以帮助交通工程师了解交通干扰因素是如何在网络中传播的，工程师也可借此做出正确决策并及时纠正决策。

PNNL计算机科学家、TranSEC项目的首席研究员Robert Rallo说：“能够预测一个小时或更长时间内道路情况的能力非常有价值，因为它可以知道阻塞将在何处发生。”