Key words
(German)
|
Künstliche Intelligenz; Orchestrator; Datenmanagement; Verkehrsmanagement; Leistungsfähigkeit; Capacity-Restraint-Funktionen
|
Key words
(English)
|
Artificial Intelligence; Orchestrator; Data managment; Traffic management; Road capacities; Capacity-restraint-functions
|
Short description
(German)
|
Das Projekt soll zeigen, inwieweit Methoden der künstlichen Intelligenz, insbesondere Deep-Learning-Architekturen, dazu geeignet sind, vorhandene Verkehrsdaten so auszuwerten, dass für alle Beteiligte ein operationeller Mehrwert entsteht.
In einerm ersten AP wird basierend auf einer ersten Datenanalyse ein konkretes Zielbild erarbeitet, bevor im AP2 die vorhandenen Verkehrsdaten systematisch analysiert und zu einem Trainingsdatensatz aufbereitet werden. Der eigentliche Orchestrators wird in AP3 entwickelt. Der Orchestrator ist ein flexibles Werkzeug, das unterschiedliche Aufgaben entlang der gesamten Wertschöpfungskette unterstützt.
Im Zentrum der Arbeiten steht die Abbildung der strassenseitigen Leistungsfähigkeit (Kapazitäten, CR-Funktionen). Die Kapazität gilt als zentrale Steuergrösse der Verkehrstechnik, da sie unmittelbar bestimmt, wie viel Verkehr eine Infrastruktur aufnehmen kann. Aber auch Fragestellungen zur Clusterung und Anomalieerkennung werden behandelt.
In AP4 wird der Orchestrator hinsichtlich seiner technischen und praktischen Anwendbarkeit bewertet (Transparenz, Nachvollziehbarkeit und Wiederverwendbarkeit). Schliesslich werden Gesichtspunkte des Dateneigentums, der Datensouveränität und des praktischen Modelleinsatz in der Zukunft diskutiert. Das Datenmodell der Input- und Output-Daten wird offengelegt und dokumentiert.
|
Short description
(English)
|
The project aims to demonstrate the extent to which artificial intelligence methods, in particular deep learning architectures, are suitable for analyzing existing traffic data in such a way that they generate operational value for all stakeholders.
In a first work package (WP1), a concrete target concept will be developed based on an initial data analysis. In WP2, the available traffic data will be systematically analyzed and prepared as a training dataset. The actual orchestrator will be developed in WP3. The orchestrator is a flexible tool that supports a range of tasks along the entire value chain.
The core focus of the work is the representation of road traffic performance (capacities, capacity restraint functions). Capacity is considered a key control variable in transportation engineering, as it directly determines how much traffic an infrastructure can accommodate. In addition, questions related to clustering and anomaly detection will also be addressed.
In WP4, the orchestrator will be evaluated with regard to its technical and practical applicability (transparency, traceability, and reusability). Finally, aspects of data ownership, data sovereignty, and the future practical deployment of the model will be discussed. The data model of the input and output data will be disclosed and documented.
|
Project aims
(German)
|
Das Projekt soll zeigen, inwieweit Methoden der künstlichen Intelligenz, insbesondere Deep-Learning-Architekturen, dazu geeignet sind, vorhandene Verkehrsdaten so auszuwerten, dass für alle Beteiligte ein operationeller Mehrwert entsteht. In einerm esreIm Projekt wird exemplarisch ein Workflow im Sinne eines Orchestrators entwickelt. Damit entsteht ein flexibles Werkzeug, das unterschiedliche Aufgaben entlang der gesamten Wertschöpfungskette unterstützt. Im Zentrum des Demonstrators steht die Abbildung der Leistungsfähigkeit. Die Kapazität gilt als zentrale Steuergrösse der Verkehrstechnik, da sie unmittelbar bestimmt, wie viel Verkehr eine Infrastruktur aufnehmen kann. Aber auch Fragestellungen zur Clusterung und Anomalieerkennung werden behandelt. Schliesslich werden Gesichtspunkte des Dateneigentums, der Datensouveränität und der Nutzbarmachung der Ergebnisse diskutiert.
|
Project aims
(English)
|
The project aims to demonstrate the extent to which artificial intelligence methods, in particular deep learning architectures, are suitable for analyzing existing traffic data in such a way that they generate operational value for all stakeholders. Within the project, a workflow will be developed as an example in the form of an orchestrator. This will result in a flexible tool capable of supporting a wide range of tasks along the entire value chain. At the core of the demonstrator is the representation of performance. Capacity is considered a key control variable in transportation engineering, as it directly determines how much traffic an infrastructure can accommodate. In addition, questions related to clustering and anomaly detection will also be addressed. Finally, aspects of data ownership, data sovereignty, and the practical use of the results will be discussed.
|
