5G 和边缘AI：解决交通管理问题

随着时间的推移，我们通勤的方式可能发生了改变，但交通管理的方式却没有改变。INRIX全世界交通记分卡报告称，2018年，全世界20个最拥堵的城市人均拥堵时间减少了164至210小时。城市车辆的指数增长是造成交通拥堵的核心原因。

改善公共交通是解决方案，但与此同时，我们也需要考虑如何提高交通管理的效率，以改善现场。交通管理部门曾尝试将被动管理转变为主动的交通管理，但一直受到网络速度和边缘处理能力的限制。5G和人工智能为交通管理提供了巨大的机遇。

当5G上路时

借助更密集和更复杂的道路网络、更新的技术和更大的数据，5G将提供更大的可见性和对交通的控制。反过来，这将有助于更快地疏通交通网络，进一步减少堵塞，消除连锁效应，并使所有用户的道路更安全。借助5G，边缘设备在通过AI分析服务器传输和处理大量数据方面将变得更加强大，这只会有利于流量管理。

它的速度比4G快70倍，它将提供对所有道路使用者——人和交通——的运动的综合可见性，从而实现更好的整体规划。借助大量传感器、摄像头甚至无人机，5G将道路网络转变为一组微型云，每个云都可以相互通信，包括自动驾驶车辆。自动驾驶或自动驾驶车辆中的传感器产生的大量数据可以毫不费力地被5G容纳，从而实现车辆间和传感器间的通信。

这些车辆中的传感器将根据记录的观察结果收集关键信息，以做出决策和改变路线。来自芬兰VTT技术研究中心的自动驾驶汽车Martti已经过测试，可以提前检测结冰的路况以及在车辆间传输3D视图。

人工智能解决方案和大数据

人工智能(AI)和大数据的力量与5G技术的优势相结合，将提供一个强大的解决方案，将高可靠性和无处不在的网络接入相结合。5G提供的低延迟在这里是关键，人工智能模型使用实时网络信息和历史数据来检测事件的可能性，并即时设计优化的响应计划以高速交付。使用传统和基于边缘的AI系统的组合，可以实时捕获来自整个道路网络的交通元数据。5g和人工智能的这种结合将成为未来十年改变交通管理的答案。它还可能标志着协作连接系统中自动驾驶汽车急需的推动力。让我们看看两个基于AI的特定解决方案及其对车辆活动的影响。

人工智能和智能交通灯

基于人工智能的红绿灯控制将对车辆活动产生重大影响，显着减少车辆行驶中的冲突并增加道路网络容量。有效交通管理的集成设置将涉及自适应交通灯系统、边缘系统和后端监控系统。使用IP摄像头捕获的视频被中继到基于边缘的AI系统，该系统在将数据发送给后端监控之前分析数据。预训练的深度学习模型将处理后的信息实时发送回自适应交通信号灯，以创造交通流畅性。

通过红绿灯实时适应不断变化的交通，道路上的运动可以通过红绿灯定时来控制，红绿灯定时可以自我调整。可以通过互操作的通信共享不断变化的交通场景和交叉路口的时间，以便所有交叉路口都准备好优化接近的交通流量。据报道，在宾夕法尼亚州匹兹堡部署的试点系统将旅行时间减少了26%，怠速时间减少了41%，排放量减少了21%。有趣的是，自适应红绿灯系统还将总事故和致命事故减少了13-36%。

交通事故人工智能

由于事件是意料之外的，有时甚至是灾难性的，将AI纳入具有智能交通信号灯的综合可持续交通事件管理系统可以改变交通监控。这就是混合技术联盟的用武之地。来自IP摄像头、GPS、手机跟踪、探测车辆和环路检测器的大数据被合并，以得出比独立研究大量信息时更精确的推论。然后，人工智能算法会持续、即时地分析数据，从而融合以检测潜在事件。

交通模拟器可以研究事件发生时间和地点的存档数据和实时数据，以分析影响。预测事故持续时间的AI模型还可以指示需要注意的特定点以及对道路子网络的整体影响。此外，深度学习模型可以探索强度和整体影响之间的相关性，帮助确定事件及其响应的优先级。数据分析的集成有助于测试各种交通场景，从中可以得出有效、实时、自动化的交通事故响应计划。

在德里，来自7,500多个闭路电视摄像机、程序化交通信号灯和1000个LED标志的传感器收集实时数据，人工智能将这些数据处理成即时洞察力，当局使用这些数据来改善交通管理。从安装在英国米尔顿凯恩斯的全市智能摄像头收集的数据在深度学习模型上运行，以89%的准确率预测提前15分钟的交通状况。

简化交通管理

为了兑现5G的承诺，道路和运输网络管理系统也需要随着时间的推移而发展。来自不同来源的数据必然会更加复杂。所有系统协同工作以普遍并立即响应的过程需要精确实施。在技术适应性中，重要的是智能网络决策是自主且易于理解的。当需要时，这将为人类决策和干预以及技术提供空间。虽然自世界上第一条高速公路建成以来，我们可能已经过了一个世纪，但直到现在，世界才开始为推动这一进程而加速。

　　图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。