沒有人喜歡站在那里等公共汽車來，尤其是當(dāng)你需要準(zhǔn)時(shí)到達(dá)某個(gè)地方的時(shí)候。如果你能預(yù)測下一班公共汽車什么時(shí)候到，那不是很棒嗎？

今年年初，亞美尼亞開發(fā)商埃德加·貢茨揚(yáng)（ Edgar Gomtsyan ）有一些空閑時(shí)間，他對(duì)這個(gè)問題感到困惑。他開發(fā)了自己的解決方案，而不是等待政府實(shí)體實(shí)施解決方案，或致電公交車調(diào)度員確認(rèn)公交車到達(dá)時(shí)間?；?a target="_blank">機(jī)器學(xué)習(xí) 預(yù)測公交車到達(dá)時(shí)間 具有高精度。

碰巧， Gomtsyan 的公寓正對(duì)著一個(gè)公共汽車站所在的街道。為了跟蹤公交車的到達(dá)和離開，他在陽臺(tái)上安裝了一個(gè)小型安全攝像頭，使用圖像識(shí)別軟件。 Gomtsyan 說：“就像任何復(fù)雜的問題一樣，為了找到有效的解決方案，問題被分成了幾個(gè)小部分?！?。

他的解決方案使用了大華 IP 攝像機(jī)。對(duì)于視頻處理，他最初使用 VertexAI 其可用于圖像和對(duì)象檢測、分類和其他需要。由于擔(dān)心可能的網(wǎng)絡(luò)和電力問題，他最終決定使用 NVIDIA Jetson Nano 。您可以訪問 GitHub jetson-inference 上的各種庫和經(jīng)過訓(xùn)練的模型。

實(shí)時(shí)流協(xié)議（ RTSP ）將攝像機(jī)視頻流的細(xì)節(jié)連接到 Jetson Nano 。然后，使用 imagenet 對(duì)于分類和 GitHub repo 中的一個(gè)預(yù)訓(xùn)練模型， Gomtsyan 能夠立即獲得流的基本分類。

對(duì)于人群中的訓(xùn)練極客來說，事情開始變得有趣起來。使用預(yù)訓(xùn)練模型， Gomtsyan 使用他的設(shè)置在每次檢測到公交車時(shí)從視頻流中截取一個(gè)屏幕快照。他的第一個(gè)模型準(zhǔn)備好了大約 100 張照片。

但是，正如 Gomtsyan 所承認(rèn)的，“一開始說一切都是完美的是錯(cuò)誤的。”很明顯，他需要更多的圖片來提高模型輸出的精度。他說，一旦他有了 300 張照片，“系統(tǒng)就越來越好了。”。

當(dāng)他第一次分享這個(gè)項(xiàng)目的結(jié)果時(shí)，他的模型已經(jīng)訓(xùn)練了 1300 多張圖片，即使在不同的天氣條件下，它也能檢測到到達(dá)和離開的巴士。他還能夠區(qū)分定時(shí)巴士和隨機(jī)到達(dá)的巴士。他的模型現(xiàn)在包括三類圖像檢測：到達(dá)的巴士、背景（不是預(yù)定巴士的一切）和離開的巴士。

例如，如果 15 幀的“到達(dá)總線”類預(yù)測大于或等于 92% ，則它將到達(dá)時(shí)間記錄到本地 CSV 文件中。

為了改進(jìn)收集的數(shù)據(jù)，他的系統(tǒng)每次檢測到總線時(shí)都會(huì)從流中截取一張屏幕截圖。這有助于未來的模型再培訓(xùn)和發(fā)現(xiàn)假陽性檢測。

此外，為了克服本地存儲(chǔ) CSV 文件數(shù)據(jù)的局限性， Gomtsyan 選擇將數(shù)據(jù)存儲(chǔ)在 BigQuery 使用 谷歌物聯(lián)網(wǎng) 服務(wù)正如他所指出的，將數(shù)據(jù)存儲(chǔ)在云中“提供了一個(gè)更加靈活和可持續(xù)的解決方案，將滿足未來的增強(qiáng)。”

他利用收集到的信息創(chuàng)建了一個(gè)模型，該模型將使用頂點(diǎn)人工智能回歸服務(wù)預(yù)測下一輛公交車何時(shí)到達(dá)。 Gomtsyan 建議觀看下面的視頻，學(xué)習(xí)如何設(shè)置模型。

隨著工作模型的建立和運(yùn)行， Gomtsyan 需要一個(gè)接口，讓他知道下一輛公交車何時(shí)到達(dá)。他選擇使用基于物聯(lián)網(wǎng)的語音助手，而不是網(wǎng)站。他最初計(jì)劃使用谷歌助手來實(shí)現(xiàn)這一目的，但這比預(yù)期的更具挑戰(zhàn)性。相反，他使用了 Alexa Skill ，這是亞馬遜的語音助手工具。他創(chuàng)建了一個(gè) Alexa 技能，可以根據(jù)公寓中 Alexa 揚(yáng)聲器發(fā)出的命令查詢相應(yīng)的云功能。

圖 2.Gomtsyan 模型的最終架構(gòu)

雖然預(yù)測并不完美，但 Gomtsyan 對(duì)未來的改進(jìn)有一些想法，可以幫助提高預(yù)測公交到達(dá)時(shí)間的準(zhǔn)確性，包括公交線路沿線的交通擁堵數(shù)據(jù)。他還考慮使用太陽能電池板為系統(tǒng)供電并使其自主，并引入 DevOps 實(shí)踐。

Gomtsyan 開發(fā)這個(gè)項(xiàng)目是為了學(xué)習(xí)和挑戰(zhàn)自己。使用他的項(xiàng)目文檔，其他開發(fā)人員可以復(fù)制并改進(jìn)他的工作。最后，他希望這個(gè)巴士預(yù)測項(xiàng)目將鼓勵(lì)其他人追求他們的想法，“無論他們聽起來多么瘋狂、困難或不可能?！?/p>

關(guān)于作者

Jason Black 是 NVIDIA 的自主機(jī)器營銷和通信高級(jí)經(jīng)理。作為過去 25 年的作家和編輯，他喜歡在流行語背后尋找故事的核心。看到機(jī)器人 MIG 把他帶到哪里，他很興奮。

審核編輯：郭婷