Predikce rychlostí úseků cyklistických tras pomocí strojového učení

Abstract

Cílem této práce je vytvořit model strojového učení, který bude schopen predikovat rychlosti segmentů cyklistických tras v Praze a okolí. Model je trénován na datovém souboru složeném z GPS záznamů cyklistických tras a jejich odpovídajících reprezentací v dopravní síti vytvořené z dat Open Street Map. Trasy jsou rozděleny na segmenty, které obsahují různé prvky, jež budou využity pro učení konkrétního modelu. Cyklistické trasy jsou zaznamenány jednotlivými cyklisty a výsledná rychlost vykonaná jednotlivcem je predikována zvlášť pro každý segment dané trasy. Prvky dopravních segmentů jsou extrahovány z dopravní sítě a ty mohou být dále rozšířeny i o další informace z OSM. Po náležité datové analýze se práce věnuje průzkumu různých metod strojového učení, jako jsou například rekurentní neuronové sítě, časově konvoluční sítě nebo regrese náhodných lesů, stejně jako jejich porovnání a vyhodnocení důležitosti dodatečných OSM prvků.

The goal of this thesis is to build a machine learning model which will be able to predict velocities of bicycle trip segments in the city of Prague and its surroundings. The model is trained on a dataset composed of GPS track recordings and their corresponding representation in a traffic network created from Open Street Map data. The tracks are divided into segments which contain various features which will be used for learning a particular model. The bicycle tracks are recorded by individual cyclists and the generalized velocity performed by an individual is predicted for each segment of the track. The features are extracted from the traffic network and can be extended by even more OSM information. After the proper analysis of the dataset, the work focuses on developing different machine learning methods such as recurrent neural networks, temporal convolutional networks or random forest regression as well as comparing them and evaluating the additional OSM feature importance.