众所周知，洛杉矶因交通堵塞，通常在美国交通热点地区的研究中排名第一。据估计，安杰利诺斯每年多呆120个小时。虽然对司机来说，这是一场噩梦，但如果你设计一个新系统来快速预测并有可能调整交通流量，洛杉矶的交通系统的确有其优势。

美国能源部Argonne国家实验室(DOE)的研究人员打算在能源部劳伦斯·伯克利国家实验室(LBNL)合作者领导的一个更大的机动系统设计和规划项目的框架内开展这项工作。

该小组使用名为机器学习的人工智能技术，利用Argonne的超级计算机，从加利福尼亚大型高速公路系统沿线11160个传感器中提取的近一年的数据中消化交通模式。这些信息被用来培训一种模型，以闪电快速度预测流量，速度远超过洛杉矶的流量。在毫秒内，该模型可以非常准确地查看过去一个小时的数据并预测下一个小时的流量。

该小组与Argonne数学和计算机科学司和Argonne领导计算机设施(DOE科学办公室用户设施)的成员合作，在交通预测方面取得了非凡的成果，最近在《交通研究记录：交通研究委员会杂志》上公布了这些成果。

“这项工作中使用的人工智能和超级计算能力，让我们能够解决真正的大问题， ” MCS的计算机科学家普拉桑娜·巴拉普拉卡什(Prasanna Balaprakash)说。巴拉普拉卡什是ALCF的联合成员。“这个项目的规模很大，需要同样大的计算资源来解决这个问题。 ”

科学家利用ALCF世界级的计算资源，大幅减少了培训该模型所需的计算机时间。例如，如果每周需要一台顶级台式计算机来培训交通流量预测模型，则可在三小时内在一台超级计算机上进行同样的工作。

利用图基深度学习的力量，一种复杂的机器学习形式，能够作出决定和改进模型的预测，几乎自动使用历史数据来预测交通模式，同时预测速度和流量。这一点很重要，因为某一地区在任何时候的交通流量都取决于附近交通的速度和流量。

“交通预测方法对于制定交通适应性战略至关重要， ”阿贡交通研究中心(Center for Transportation Research)前首席研究工程师埃里克·拉齐(Eric Rask)说。拉齐是参与这项研究的科学家之一。"交通模式具有复杂的空间和时间依赖性，使准确预测大型公路网成为一项艰巨的任务" 。

拉奇指出，该小组不仅掌握了这些动态，而且是在一个传感器和预测位置远超过以往交通流量预测模型的网络上完成的。通过将大型网络分为若干较小的网络，它们能够独立地培训网络的每一部分，大提高了模型的速度和效力。

以前的模型只能处理200 - 300个传感器地点的数据；但通过这种新的图形分隔方法，小组得以处理11 000多个地点的数据，同时将模型培训时间缩短了一个数量级。这种方法不仅速度快，而且可以准确地预测今后一个小时的交通速度，通常是整个网络任何地点观测到的速度的6英里以内。

MCS博士后被任命者、该项目的第一作者坦维·马利克(Tanwi Mallick)说， “预测技术的规模和准确性有可能帮助做出更好的决策。 ”

马利克和她的同事们认为，这种模式可以很容易地融入交通管理中心，为交通管理人员提供更好的应对和解决交通堵塞问题的手段，并相应地改变交通路线。