Akıllı ulaşım sistemlerinin temelini oluşturan trafik tahmininde yeni bir dönem başlıyor. Araştırmacıların geliştirdiği AutoFed sistemi, gizliliği koruyarak farklı bölgelerin trafik verilerinden öğrenen kişiselleştirilmiş bir yapay zeka modeli sunuyor.
Geleneksel trafik tahmin yöntemleri, veri gizliliği endişeleri nedeniyle genellikle yerel eğitime dayanıyor ve bu durum bilgi paylaşımını kısıtlayarak verimsizliğe yol açıyor. AutoFed, federe öğrenme teknolojisini kullanarak bu sorunu aşıyor. Sistem, ham verileri paylaşmak yerine sadece model parametrelerini paylaşarak gizliliği koruyor.
Sistemin en önemli yeniliği, her bölgenin kendine özgü trafik özelliklerini dikkate alan kişiselleştirme yaklaşımı. Standart federe öğrenme yöntemleri, farklı bölgelerin trafik verilerindeki çeşitliliği göz ardı ediyor, ancak AutoFed bu heterojenliği avantaja çeviriyor.
Araştırma, taksi hizmetleri, kentsel yol planlama ve araç filo yönetimi gibi kritik alanlarda uygulanabilir. Sistem, her bölgenin trafik dinamiklerini anlayarak daha doğru tahminler üretiyor ve böylece ulaşım verimliliğini artırıyor.
Bu gelişme, akıllı şehir teknolojilerinde gizlilik ve performansın bir arada sunulabileceğini gösteriyor ve gelecekteki ulaşım sistemleri için önemli bir adım teşkil ediyor.