Как специалист по данным-самоучке, я всегда ищу личные проекты, чтобы улучшить свои навыки и владение навыками. Именно на этом фоне, одновременно с анонсом второго сезона # Y4PTUG Transport Hackathon, я принял решение участвовать.
Моим предложенным типом нововведений была разработка имитационной модели, известной как panya. Это должно было служить решением для пешеходов, нацеленным на использование возможностей прогнозирования машинного обучения для определения наилучших маршрутов, которые могут использоваться пассажирами, выезжающими или входящими в центр города в определенное время, например, в часы пик или в непиковые часы.
Первым шагом к решению этой проблемы был сбор данных об объемах движения транспортных средств по основным дорогам. Ранее я выполнял аналогичный проект, в котором использовались визуальные карты и информация о пользовательском опыте, чтобы определить, где проживает большинство людей в Кампале, в соответствии с распределением и размещением этапов в старом парке такси.
Однако для преодоления этого непреодолимого препятствия мне потребовались данные, подтверждающие мою модель. Сам по себе пользовательский опыт в качестве опытного пассажира не будет иметь смысла для подхода, основанного на данных. Мой метод заключался в том, чтобы получить данные об объеме трафика с точки зрения прогнозируемого количества автомобилей на каждой дороге в сочетании с фактическими средними числами и средним временем, проведенным в пробке. Затем я бы использовал функции перечисления приоритетов в модели, чтобы представить пользователю наиболее удобный маршрут для использования.
Все это, конечно, должно быть основано на прогнозе, подкрепленном фактическими данными.
Засоренные дороги в Кампале более подвержены авариям, особенно по вине бода-бода, которые пытаются нарушить правила дорожного движения, чтобы облегчить маневренность в пробках. Поэтому, создав прогнозирующую модель машинного обучения с использованием статистических данных, я надеюсь разобраться в предлагаемом мной проекте.
Моя идея не нова, один из таких проектов - это приложение местной разработки, известное как Traffica, доступное в магазине Google Play. Он использует краудсорсинг, чтобы сообщать пассажирам обновленную информацию о «узких участках» пробок и рекомендовать альтернативные маршруты. Для среднестатистического пользователя учет пробки на месте имеет больше смысла, чем модель накопителя данных, прогнозы которой могут не основываться на ситуациях в реальном времени и динамических непредвиденных событиях, таких как наводнения, вызванные непредсказуемой погодой.
В этом и заключается задача. Поскольку системы машинного обучения и искусственного интеллекта занимают центральное место в повседневной жизни. Есть ли способ преодолеть острое использование данных для решения некоторых проблем нашего сообщества в Уганде?
Следите за моей следующей публикацией как попыткой преодолеть, казалось бы, невыполнимую задачу использования данных для решения общей проблемы.
