iTREMP projekta publikācija | 2

Kā jau iepriekš tika minēts, WeAreDots, SIA  un Elektronikas un datorzinātņu institūts kopīgi ir uzsācis projekta “iTrEMP: Inteliģentā transporta un pārkāpumu menedžmenta sistēma” (turpmāk – Projekts) īstenošanu.

Projekta mērķis ir izstrādāt inovatīvu platformu satiksmes datu apkopošanai, izplatīšanai un pārvaldei, kas varētu kalpot par pamatu jaunu produktu izstrādei, kuri atbalstītu videi draudzīgāku un efektīvāku pilsētu pārvaldību.

Šādas platformas izstrādei projektā definētas 4 aktivitātes, pie kurām Projekta zinātniskais sastāvs ir uzsācis aktīvu darbu:

• Sensoro datu modeļa un ieguves metožu izstrāde – šis aktivitātes ietvaros tiek izstrādāts datu modelis, ņemot vērā gan eksistējošo datu avotu īpatnības, gan arī potenciālos nākotnes datu avotus. Tiek meklēti risinājumi tādām problēmām, kā vienkāršai piekļuvei datiem, datu savstarpējai savietojamībai, datu grupēšanai, datu prioritizēšanai līdzīgu vai aizvietojamu datu avotu starpā, kā arī metadatu ieguvei un glabāšanai, gan lai samazinātu glabāto un pārraidīto datu apjomu, gan arī samazinātu privātuma riskus, kas saistīti ar liela apjoma centralizētu datu savākšanu. Tiek pētītas datu ieguves metodes, t.sk. dažādu avotu datu transformācija, pielāgojot tos kopējam datu modelim (frekvence, kļūdu biežums, interpolācija), datu sintēze un sapludināšana virtuālos sensoros, izmantojot eksistējošos datu avotus (piem., apledojuma risks no temperatūras un mitruma datiem), kā arī savstarpēja datu bagātināšana, novedot pie uzticamākas sistēmas un potenciālas redundances. Tiek pētītas un izvērtētas gan klasiskas, gan mākslīgā intelektā balstītas metodes.

• Mašīnmācīšanās pielietošana datu analīzei un lēmumu pieņemšanai - lai parādītu, ka piedāvātajai platformai ir priekšrocības, tiek izstrādāti un validēti vairāki rīku izmēģinājumi datu analīzei, sintēzei un lēmumu pieņemšanai. Tā kā pilsētvide ir ļoti dažāda un dinamiska, rīki šādai analīzei var izrādīties ļoti komplicēti, ietverot reāla-laika prasības. Datu dažādība un lielais apjoms liek izmantot (dziļās) mašīnmācīšanās nevis klasiskās metodes, jo pateicoties lielu datu kopu un apjomīgu skaitļošanas resursu pieejamībai pēdējā laikā dziļās mašīnmācīšanās metodes ir sasniegušas labākos rezultātus vairākos datorredzes uzdevumos, t.sk. attēlu atpazīšanā un segmentēšanā.

• Lielapjoma (video) datu ieguves risinājumi - ne visi dati, kas pieejami pilsētvidē, ir izmantojami centralizētai un atvērtai sūtīšanai un glabāšanai. Lielapjoma datiem ne tikai nepieciešama dārga un augstas datu caurlaidības infrastruktūra, bet tie arī satur ļoti daudz nevajadzīgas informācijas, kas potenciāli var pārkāpt indivīdu privātuma robežas. Tiek pētīti divi risinājumi – lokālās video datu metadatu izguves metodes iegultā iekārtā (pie kameras), ļaujot pārsūtīt tikai svarīgos metadatus, kā arī izkliedētās mašīnmācīšanās pieejas, kurās daļa analīzes tiek pārnesta prom no centralizētiem serveriem. Abās šajās metodēs daļa datu paliek lokāla pie kamerām, sniedzot drošības, privātuma un datu pārraides ātruma uzlabojumus, tajā pašā laikā samazinot nepieciešamību pēc dārgām centralizētas apstrādes iekārtu jaudām.

• Platformas prototipa izstrāde - svarīga problēma šajā pētījumā ir ātrums, jo šādas sistēmas nodrošina nepārtrauktu datu plūsmu un tāpēc tām ir jādarbojas praktiski reālajā laikā. Projekta ietvaros veikto pētījumu virzienu rezultātā iegūtie oriģinālie pētījumu rezultāti tiks pārbaudīti laboratorijas apstākļos un pēc tam izveidoti kā moduļi prototipa sistēmai, kas tiks validēta reālos pilsētas apstākļos.