Penerapan Machine Learning Prediksi Lalu Lintas untuk Sistem

Transportasi

Lydia Palupi1, Iwan Krisnadi2

Pasca Sarjana Program Magister Teknik Elektro
Universitas Mercu Buana, Menteng, Jakarta, Indonesia
E-mail: lydia.jourell@gmail.com1, Iwan.Krisnadi.dr@gmail.com

Abstrak—Makalah ini bertujuan untuk
mengembangkan alat untuk memprediksi
Informasi arus lalu lintas yang akurat dan
tepat waktu. Lingkungan Lalu Lintas
melibatkan segala sesuatu yang dapat
mempengaruhi lalu lintas yang mengalir di
jalan, baik itu rambu lalu lintas, kecelakaan,
unjuk rasa, bahkan perbaikan jalan yang dapat
menyebabkan kemacetan. Jika kami memiliki
informasi sebelumnya yang sangat mendekati
perkiraan tentang semua hal di atas dan
banyak lagi lebih banyak situasi kehidupan
sehari-hari yang dapat memengaruhi lalu
lintas, seorang pengemudi atau pengendara
dapat membuat keputusan yang tepat, ini
membantu dalam
masa depan kendaraan otonom. Dalam
beberapa dekade saat ini, data lalu lintas telah
menghasilkan secara eksponensial, dan kami
telah bergerak menuju konsep big data untuk
transportasi. Prediksi yang tersedia metode
arus lalu lintas menggunakan beberapa model
prediksi lalu lintas dan masih belum
memuaskan untuk menangani aplikasi dunia
nyata. Fakta ini menginspirasi kami untuk
mengerjakan masalah perkiraan arus lalu
lintas yang dibangun data dan model lalu
lintas. Sulit untuk memperkirakan lalu lintas
mengalir secara akurat karena data tersedia
untuk transportasi sistem sangat besar. Dalam
pekerjaan ini, kami berencana menggunakan
mesin pembelajaran, genetika, komputasi
lunak, dan algoritma pembelajaran mendalam
untuk menganalisis data besar untuk sistem
transportasi dengan kompleksitas yang jauh
berkurang, algoritma Pemrosesan Gambar
adalah sangat terlibat dalam pengenalan
rambu lalu lintas, yang pada akhirnya
membantu untuk pelatihan yang tepat dari
kendaraan otonom.
Kata kunci—Lingkungan Lalu Lintas,Deep
Learning, Machine Learning, Algoritma
Genetika, Komputasi Lunak, Big Data,
GambarPengolahan.
I. PENDAHULUAN
Berbagai sektor usaha, instansi pemerintah dan
individu membutuhkan lalu lintas yang tepat
dalam arus informasi. Semua ini membantu
pengendara untuk membuat penilaian
perjalanan yang lebih baik untuk mengurangi
kemacetan lalu lintas, meningkatkan efisiensi
operasi lalu lintas, dan mengurangi emisi
karbon, pengembangan dan penyebaran sistem
transportasi cerdas memberikan akurasi yang
lebih baik untuk prediksi arus lalu lintas.
prediksi itu ditangani sebagai elemen penting
untuk kesuksesan sistem manajemen lalu lintas
yang canggih didalam public yang mengarah
kepada tingkat lanjut sistem transportasi, dan
sistem informasi perjalanan. [1].
Ketergantungan arus lalu lintas tergantung
pada real-time lalu lintas dan data historis yang
dikumpulkan dari berbagai sensor sumber,
termasuk loop induktif, radar, kamera, ponsel
Global Positioning System, crowd sourcing,
media sosial. Data lalu lintas akan terrecord
karena banyaknya penggunaan tradisional pada
sisi sensor dan teknologi, kita telah memasuki
era sejumlah besar transportasi data. Kontrol
transportasi dan manajemen menjadi lebih
didukung oleh data. [2], [3].Namun, sudah ada
banyak prediksi arus lalu lintas sistem dan
model; banyak dari mereka menggunakan
model lalu lintas deep dan masih gagal karena
kumpulan data yang sangat besar serta dimensi
baru, konsep deep learning menarik banyak
orang untuk melibatkan akademisi dan
industrialis karena kemampuan mereka dalam
menangani masalah klasifikasi, pemahaman
bahasa, pengukur, pengurangan dimensi,
deteksi objek, Gerakan pemodelan. Deep
learning menggunakan konsep multi-layer
jaringan saraf untuk menampung properti yang
melekat dalam data dari level terendah ke
tingkat tertinggi [4]. Mereka dapat
mengidentifikasi volume besar struktur dalam
data, yang pada akhirnya membantu kita untuk
memvisualisasikan dan membuat kesimpulan
yang berarti dari data. Sebagian besar
departemen dan penelitian di bidang ini juga
terus focus dalam pengembangan kendaraan
otonom, yang dapat membuat sistem
transportasi lebih ekonomis dan mengurangi
resiko. Serta dapat menghemat waktu adalah
integrative manfaat dari ide ini. Dalam dekade
saat ini banyak perhatian telah dibuat menuju
cara mengemudi otomatis yang aman. perlu
bahwa informasi akan diberikan tepat waktu
melalui sistem sistance , kendaraan otonom dan
Lalu Lintas Pengenalan Tanda [5]
memprediksi informasi arus lalu lintas. Tetapi
algoritma ini tidak akurat karena Arus Lalu
Lintas melibatkan data yang memiliki dimensi,
sehingga tidak mudah untuk memprediksi lalu
lintas yang akurat dapat mengalirkan informasi
dengan lebih sedikit kompleksitas.Kami
bermaksud menggunakan Genetika,
Pembelajaran Mendalam, Proses Gambar,
Machine Learning dan juga algoritma Soft
Computing untuk prediksi arus lalu lintas
karena banyak jurnal dan penelitian makalah
menunjukkan bahwa mereka bekerja dengan
baik dalam hal Big-Data.
II. B. LATAR BELAKANG
Sistem Transportasi Cerdas diadopsi di dunia
pada kongres yang diadakan di Paris, 1994.
Sistem transportasi cerdas telah menggunakan
aplikasi komputer, elektronik, dan teknologi
komunikasi untuk memberikan informasi dan
untuk meningkatkan keamanan dan efisiensi
yang saling berkesinambungan dengan sistem
transportasi jalan. Keuntungan utama system
transportasi cerdas adalah untuk memberikan
kelancaran dan keamanan pergerakan
transportasi. Ini juga membantu dalam
perspektif keramahan lingkungan untuk
mengurangi emisi karbon. Sistem transportasi
cerdas menyediakan banyak peluang untuk
industri otomotif dan untuk meningkatkan
keselamatan dan keamanan mereka
[6].Terlepas dari peningkatan kendaraan di
jalan, lalu lintas juga meningkat. Dan kapasitas
jaringan jalan yang tersedia tidak layak untuk
menangani beban berat ini. Ada dua
kemungkinan pendekatan untuk
menyelesaikan masalah ini. Yang pertama
adalah membuat jalan baru dan jalur jalan raya
baru untuk kelancaran fungsi kendaraan. Hal
ini pentinh dan membutuhkan lahan ekstra dan
juga luas infrastruktur untuk pemeliharaanya,
dan karena ini, biaya pengeluaran juga
tinggi. Terkadang banyak masalah dari
jaringan seperti di daerah perkotaan. Fasilitas
tanah ini tidak tersedia untuk perluasan jalan
dan lajur. Kedua pendekatan menggunakan
beberapa strategi kontrol untuk menggunakan
jaringan yang ada secara efisien. Dengan
menggunakan strategi pengendalian ini,
pengeluaran juga berkurang, dan adalah model
ini sangat menghemat biaya bagi pemerintah
atau pengelola lalu lintas. Dalam pengendalian
ini, strategi mengidentifikasi potensi
kemacetan di jalan, dan mengarahkan kepada
pengemudi untuk mengambil beberapa rute
alternatif untuk tujuan mereka. [7] Deep
Learning adalah bagian dari algoritma
pembelajaran mesin, dan ini adalah alat yang
menarik untuk menangani sejumlah besar data.
Deep Learning menyediakan metode untuk
menambahkan kecerdasan di nirkabel jaringan
dengan data radio yang kompleks dan topologi
skala besar. Di dalam Deep Learning,
menggunakan konsep jaringan saraf, dengan
menggunakan fitur ini, bermanfaat untuk
menemukan dinamika jaringan (seperti
spektrum ketersediaan, titik kemacetan,
hotspot, kemacetan lalu lintas. [8] Waktu
tempuh merupakan aspek penting di
Transportasi Cerdas dan perkiraan waktu
perjalanan yang tepat juga sangat menantang
bagi perkembangan transportasi
cerdas. Support Vector Machine (SVM) adalah
salah satunya pengklasifikasian yang paling
efektif di antara berbagai macam linier. Hal ini
menguntungkan untuk mencegah overfitting
data. SVM adalah bagus untuk kumpulan data
yang relatif kecil dengan lebih sedikit outlier.
Algoritma lain seperti (Random Forest, Deep
Neural Network, dll.) membutuhkan lebih
banyak data tetapi selalu menghasilkan model
yang sangat kuat. SVM mendukung regresi
linier dan nonlinier yang dapat kita rujuk
sebagai pendukung regresi vektor, alih-alih
mencoba yang paling sesuai memungkinkan
jalan yang signifikan antara dua kelas sambil
membatasi pelanggaran margin. Support
Vector Regression (SVR) mencoba untuk
menampung sebanyak mungkin sebagai contoh
di jalan dengan membatasi pelanggaran
margin.
III. METODOLOGI
Untuk mencapai tujuan ada beberapa yang
perlu dipersiapkan dantaranya Android Studio,
Java, Garmin, PHP, XML, Python, dan
Perpustakaan sklearn digunakan.Desain
Aplikasi dibuat dengan tombol minimum,
sehingga pengguna dapat dengan mudah
menggunakan aplikasi tanpa kesulitan.
Komunikasi antarmuka tetap ringan sehingga
aplikasi dapat dimuat dengan cepat dan tidak
menimbulkan masalah bagi
Pengguna. koordinat geo tampilan pada
aplikasi ditampilkan dalam Toast View.
• Nama Aplikasi:- Aplikasi saya
• Kompatibilitas:- Android 6.01
• Memori:- 20 kb
Tangkapan layar aplikasi dapat dengan mudah
dilihat di
Gambar 2, dimana Anda dapat dengan mudah
mengamati bahwa antarmuka dari aplikasi
disimpan minimal.
Kami telah menerapkan dan menguji berbagai
algoritma mesin untuk mencapai efisiensi yang
lebih tinggi dan hasil yang akurat. Untuk
mengidentifikasi klasifikasi dan regresi kami
telah menggunakan Pohon Keputusan
Algoritma (Decision Tree). Tujuan dari metode
ini adalah untuk memprediksi nilai variabel
target. Pembelajaran decision tree mewakili
fungsi yang mengambil sebagai input vektor nilai
atribut dan mengembalikan "Keputusan" nilai
output tunggal. di bawah kategori algoritma
pembelajaran terawasi. Dapat digunakan untuk
menyelesaikan masalah regresi dan
klasifikasi. Decision tree mengidentifikasi
hasilnya dengan melakukan serangkaian tes
pada dataset pelatihan.
Deteksi outlier adalah langkah penting lainnya
untuk akurasi hasilnya, dan untuk ini, kami
telah menggunakan mesin vektor pendukung
(SVM), yang merupakan seperangkat metode
pembelajaran terawasi yang juga dapat
digunakan untuk klasifikasi dan regresi. SVM
bermanfaat untuk ruang dimensi tinggi, dan
juga membantu dalam kondisi dimana jumlah
sampel lebih kecil dari jumlah dimensi. [11].
Algoritma random forest adalah pembelajaran
mesin yang kuat dalam algoritma. Ini
didefinisikan sebagai agregasi
bootstrap. random algoritma forest didasarkan
pada model peramalan atau prediksi, dan itu
banyak digunakan untuk mengklasifikasikan
data. Algoritma bootstrap dan digunakan untuk
menghasilkan beberapa model dari satu data
pelatihan set. Algoritma bootstrap juga
menggunakan sampel untuk memperkirakan
kuantitas statistik. [12].
Kami telah mengusulkan algoritma untuk
memprediksi lalu lintas kemacetan yang dapat
dilihat di bawah ini:
Algoritma 1 Untuk mengidentifikasi situasi
macet
1. Kumpulan data lalu lintas setiap 5 menit
dengan fitur:
A. Lokasi (Diukur dengan GPS)
B. Arah
C. Kecepatan
D. Persimpangan Awal-Akhir
2. Kelompokkan setiap interval 5 menit
dengan data yang sesuai.
3. Hitung jarak antara setiap kendaraan
dengan semua
kendaraan lain dalam persimpangan tertentu.
jika jaraknya kurang dari ambang batas spesifik
antara dua kendaraan kemudian kendaraan-
kendaraan itu dianggap sebagai lingkungan
kendaraan lain Tidak dianggap sebagai
kendaraan lainnya dan.berakhir jika
Algoritma 2 Untuk mengklasifikasikan situasi
padat
1. Ini akhirnya akan memberi kita matriks A.
2. Sekarang tetapkan 1 untuk A[i, j]
jika A[i, j] < ambang batas maka
A[i, j] = 1
lain
A[i, j] = 0
berakhir jika
3. Hitung A[i, j]=1 dan beri label i, j sebagai
kendaraan tetangga
4. Ulangi langkah di atas setiap 5 menit
selama 45 menit
5. Plot grafik antara kendaraan lingkungan dan
waktu selang.
jika kendaraan lain menunjukkan grafik yang
meningkat kemudian kemacetan lalu lintas
diidentifikasi lain Tidak ada lalu lintas
berakhir jika :
1) Membuat aplikasi yang dapat memberi
kami GPS koordinat.
2) Lakukan algoritma yang diusulkan
3) Evaluasi matriks untuk kumpulan data
4) Bagilah dataset menjadi pelatihan dan
pengujian.
5) Menganalisis algoritma pembelajaran
mesin yang berbeda.
6) Prediksi parameter interval 45 menit
melalui mesin learning algoritma
7) Menyimpulkan tentang kemacetan lalu
lintas
Mengikuti langkah-langkah di atas kita dapat
mengimplementasikan algoritma ini dan dapat
memperoleh model yang memberikan akurasi
yang lebih tinggi dari model pembelajaran
mesin dari yang sudah ada.Sangat mudah untuk
melatih jaringan yang dalam dengan Pada kurva mennjukkan tingkat positif (100-
menerapkan Spesifisitas) untuk membentuk parameter titik
metodologi dengan teknik perbaikan berbasis potong. Setiap tujuan pada kurva monster
gradien. Sayangnya, perlu dicatat bahwa mytical mewakili sensitivitas spesifisitas
jaringan dalam dilatih selama metode ini mencoba menyerupai ambang panggilan yang
memiliki kinerja yang berbahaya. Jadi kita dipilih. Daerah di bawah kurva monster
belum memasukkan model pembelajaran mytical (AUC) bisa menjadi parameter yang
mendalam. Dan juga dataset yang baik yang akan membedakan antara 2 titik.
dikembangkan tidak memiliki banyak fitur
sehingga tidak menjadi keputusan yang masuk
akal untuk menggunakan pembelajaran yang V. KESIMPULAN
mendalam dan genetic algoritma. Mengikuti Deep Learning dan algoritma genetika
algoritma yang diusulkan, kami telah merupakan hal yang sangat penting dalam
memecahkan banyak masalah seperti masalah analisis data, ini belum ditangani dengan
Big-data, juga dimensi yang sangat besar serta ekstensif oleh komunitas meachine
dataset berkurang yang menghindari learning. Algoritma yang diusulkan
pemasangan model yang berlebihan. memberikan akurasi yang lebih tinggi daripada
algoritma yang ada, Ini dapat meningkatkan
IV. HASIL PEMBAHASAN kompleksitas masalah di seluruh dataset. Kami
juga punya merencanakan untuk
Tabel I menunjukkan hasil kinerja model mengintegrasikan web server dan
diperoleh melalui berbagai algoritma aplikasi. serta algoritma akan lebih
pembelajaran mesin yang dibahas dalam ditingkatkan menjadi lebih banyak dan akurasi
makalah ini. Dalam tabel ini kami yang lebih tinggi.
mendefinisikan berbagai atribut seperti
Accuracy, Precision, Recall dan Time Taken. DAFTAR PUSTAKA
[1] Fei-Yue Wang dkk. Kontrol dan
manajemen paralel untuk kecerdasan
sistem transportasi: Konsep, arsitektur, dan
aplikasi. IEEE
Transaksi pada Sistem Transportasi Cerdas,
2010.
[2] Yongchang Ma, Mashrur Chowdhury,
Mansoureh Jeihani, dan Ryan
kentang goreng. Deteksi insiden yang
dipercepat di seluruh jaringan transportasi
menggunakan kinetika kendaraan dan
mendukung mesin vektor bekerja sama dengan
agen infrastruktur. Sistem transportasi cerdas
IET, 4(4):328–337,
2010.
[3] Rutger Claes, Tom Holvoet, dan Danny
Weyns. Sebuah terdesentralisasi
pendekatan untuk perutean kendaraan
antisipatif menggunakan multiagen delegasi
sistem.
Transaksi IEEE pada Sistem Transportasi [11] Yiming He, Mashrur Chowdhury,
Cerdas, Yongchang Ma, dan Pierluigi Pisu.
12(2):364–373, 2011. Menggabungkan visi mobilitas dan energi
[4] Mehul Mahrishi dan Sudha dengan kendaraan listrik hibrida dan
Morwal. Deteksi titik indeks dan semantik integrasi infrastruktur kendaraan. Kebijakan
pengindeksan video - ulasan Energi, 41:599–609, 2012.
komparatif. Kemajuan dalam Intelijen [12] Jason Brownlee. Algoritme pengantongan
Sistem dan Komputasi, Springer, 2020. dan ansambel hutan acak untuk
[5] Joseph D Crabtree dan Nikiforos pembelajaran mesin. Algoritma Machine
Stamatiadis. Jarak pendek khusus Learning, halaman 4–22, 2016
teknologi komunikasi untuk deteksi insiden
jalan bebas hambatan: Performa
penilaian berdasarkan data simulasi lalu
lintas. Penelitian Transportasi
Rekam, 2000(1):59–69, 2007.
[6] H Qi, RL Cheu, dan DH Lee. Deteksi
insiden jalan bebas hambatan menggunakan
data kinematik dari kendaraan probe. Dalam
Kongres Dunia ke-9 tentang Intel-
Sistem Transportasi ligentITS Amerika, ITS
Jepang, ERTICO (Intelligent
Sistem dan Layanan Transportasi-Eropa),
2002.
[7] Z. Zhao, W. Chen, X. Wu, PCY Chen, dan
J. Liu. Jaringan Lstm:
pendekatan pembelajaran mendalam untuk
perkiraan lalu lintas jangka pendek. IET
Cerdas
Sistem Transportasi, 11(2):68–75, 2017.
[8] C. Zhang, P. Patras, dan H.
Haddadi. Pembelajaran mendalam di seluler
dan
jaringan nirkabel: Sebuah survei. Tutorial
Survei Komunikasi IEEE,
21(3):2224–2287, kuartal ketiga 2019.
[9] Chun-Hsin Wu, Jan-Ming Ho, dan DT
Lee. Prediksi waktu perjalanan
dengan regresi vektor dukungan.
Transaksi IEEE di Intelligent
Sistem Transportasi, 5(4):276–281, Des 2004.
[10] Lagu Yan-Yan dan LU Ying. Metode
pohon keputusan: aplikasi untuk
klasifikasi dan prediksi. Arsip psikiatri
Shanghai, 27(2):130,
2015.