El Instituto de Investigación Avanzada en Inteligencia Artificial (IARAI), un instituto de investigación de Machine Learning global independiente establecido por HERE Technologies, anunció en Diciembre de 2019 los resultados y los ganadores de su competencia de predicción de tráfico, cuyo objetivo era resolver los desafíos de movilidad utilizando Inteligencia Artificial (AI).

Traffic4cast, una competencia única que combina Machine Learning de predicción por vídeos con investigación del tráfico, desafió a los competidores a comprender sistemas de tráfico complejos y hacer predicciones sobre cómo fluirían en el futuro.

Los resultados muestran cómo la Inteligencia Artificial puede descubrir de manera efectiva información para resolver el embotellamiento del tráfico a través del método de prueba y error de datos geoespaciales industriales de HERE, un líder en mapeo y servicios basados ​​en la ubicación.

El tráfico se produce cuando los conductores toman decisiones simples que conducen a patrones de comportamiento complejos. Estos patrones dependen de varios factores, como la hora del día, la red de carreteras, las situaciones de congestión, las vacaciones, las condiciones climáticas y el día de la semana. La identificación y el análisis efectivos de los patrones de tráfico conducen a predicciones más precisas de cómo se movería el tráfico en determinadas carreteras en determinados momentos del día.

La Inteligencia Artificial y, más específicamente, las redes neuronales pueden ayudar a resolver este problema porque son muy buenos para detectar patrones. Las redes neuronales "aprenden" a realizar tareas al considerar ejemplos, como conjuntos de datos, generalmente sin ser programados con reglas específicas de la tarea.

Esta capacidad de aprender sin ser programado significa que, aunque las redes neuronales son buenas para identificar patrones, no está claro por qué son buenos. Su funcionamiento interno es uno de los misterios de Machine Learning, la llamada Inteligencia Artificial ​​de 'caja negra', lo que significa que los procesos no pueden ser fácilmente entendidos o probados por los programadores.

Los resultados de Traffic4cast muestran que las redes neuronales fueron el método más eficaz utilizado para predecir el tráfico y se acercaron más a la simulación del flujo de tráfico exacto. Todos los participantes principales utilizaron redes neuronales en lugar de soluciones de "caja no negra", como máquinas de vectores de soporte (SVM), redes bayesianas y otros algoritmos fijos.

Los ganadores de Corea del Sur, Oxford/Zurich y Toronto se encontraban entre más de 40 equipos de todo el mundo al que se presentaron más de 4.000 postulantes.

Trabajando con HERE, IARAI proporcionó a los participantes clips de vídeos de tráfico basados ​​en datos del mundo real a escala industrial de un año para tres ciudades diversas: Berlín, Estambul y Moscú. Los clips se crearon utilizando datos basados ​​en un número sin precedentes de más de 100 mil millones de puntos de medición desde posiciones informadas por una gran flota de vehículos de prueba.

Capturaron el tráfico por la mañana, la tarde y las horas pico. Cada cuadro de vídeo resumió las trayectorias GPS asignadas a las celdas espacio-temporales. Las películas mostraron múltiples canales de color que caracterizan el volumen, la velocidad y la dirección del tráfico.

"Esta competencia es especial sólo por el alcance y el tamaño de los datos", dijo Sepp Hochreiter, codirector fundador de IARAI y pionero de la Inteligencia Artificial (inventó el marco de red neuronal de memoria a corto plazo (LSTM) a largo plazo) .

Los participantes tuvieron que pronosticar el tráfico completando la siguiente parte de cada clip de vídeo para las tres ciudades. Los concursantes recibieron 285 días completos de entrenamiento (película completa para todo el día) y 72 días de prueba (que contienen cinco bloques de 12 imágenes consecutivas con al menos 30 fotogramas entre cada bloque), el resto fueron conjuntos de validación.

Cada concursante tuvo que producir las tres imágenes consecutivas después de cada bloque de 12 imágenes en cada archivo de vídeo para cada día en el set de prueba, para cada ciudad.

"Esta competencia reunió a diversos grupos para abordar un problema fundamental, predecir procesos geoespaciales, que se encuentra en el corazón de la movilidad masiva sostenible", dijo Michael Kopp, jefe de investigación de HERE y codirector fundador de IARAI.

“Guiar la revolución de la Inteligencia Artificial a este problema utilizando un enfoque interdisciplinario a través de miles de millones de puntos de datos de la vida real es novedoso y un cambio de paradigma que se reflejará en muchas disciplinas científicas aplicadas. Los resultados parecen demostrar que Machine Learning de 'caja negra' es más efectivo para resolver problemas predictivos. Esto nos da un punto de partida para futuras investigaciones sobre cómo aprende la Inteligencia Artificial".