Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

高速公路何時何地塞最大?多的是,ETC數據知道的事!

活躍星系核_96
・2017/09/19 ・3301字 ・閱讀時間約 6 分鐘 ・SR值 543 ・八年級

文 / Louis|畢業於台大土木所交通組,高考交通技術及格,交通工程技師及格

source:BY WiNG @ Wikimedia commons

在《塞車:看不見的時間小偷》一文中,我們已經討論過交通壅塞的基本觀念,本文將用實際數據來描繪交通壅塞的情形。另外,在交通管理的工作中,會使用一些圖形工具來觀察時間、空間以及交通量之間的關係,這些工具相當直覺易懂,也將於本文中一併介紹。

那我們就開始囉!

所以說那個「交通車流數據」呢?

source: Wikimedia

自 2014 年起高速公路改採計程電子收費,除使車流更順暢外,其附加價值是產生大量的交通資料,供政府單位交通管理、學術單位研究或是民間介接使用。有關高速公路局交通資料蒐集支援系統(Traffic Data Collection System,TDCS)所提供之交通資料,可至交通資料庫或是政府資料開放平臺免費下載使用。

-----廣告,請繼續往下閱讀-----

順帶一提,為能妥適應用由 ETC 所蒐集的交通資料,高速公路局透過創意競賽的手段並結合民間共同參與,以期激盪出 ETC 資料在交通管理之創意發想與應用。目前該競賽正舉辦第三屆,主題為「資料視覺化應用」,歡迎對交通科學或是資料科學有興趣的讀者朋友可以嘗試挑戰。

目前所有縱向高速公路佈設的 ETC 偵測站超過 300 座,且高速公路車輛使用 ETC 的比率達 92%,所蒐集之交通資料相當綿密,並有很好的品質,相當適合用來進行資料探勘。而本文所有數據、圖形也皆是以ETC交通資料分析繪製。

塞車,總是在不斷地重現歷史?

由於高速公路肩負中長程運輸的重要任務,根據經驗,整體而言高速公路最壅塞的時間會發生在連續假期第一天的南下方向。圖一是以今年 228 連續假期第 1 日(106 年 2 月 25日)國道 1 號南下方向的資料繪製,橫軸編號代表國道 1 號由北至南各路段,縱軸代表的是時間(0-24時),而每一個格子的顏色深淺,代表該路段-時段的平均速率,顏色越深代表速率越低,這張圖我們稱之為「時空圖」

我們在此將高速公路交通壅塞的發生,定義為速率低於每小時 40 公里以下且持續超過 2 個小時以上的路段。藉由圖一的觀察,106 年 2 月 25 日首先發生壅塞現象為湖口-竹北路段(橫軸編號 24),時間大致從早上 7 點開始,下午 5 點結束。

-----廣告,請繼續往下閱讀-----
圖一、106 年 2 月 25 日國道 1 號南下時空圖。圖/作者提供。

回顧一下去年228連續假期第 1 日(105 年 2 月 25 日,如圖二)以及今年一般假日星期六(106 年 2 月 18日,如圖三)國道 1 號南下的交通情形。可以發現,今年 228 連續假期第 1 日的車流狀況與去年 228 第 1 日較為相似,而與一般假日(如星期六)有很大的差異。我們可以知道,時間絕對是分析交通壅塞現象的重要變數,而交通壅塞現象仍是不斷的重現。

圖二、105 年 2 月 27 日國道 1 號南下時空圖。圖/作者提供。
圖三、106 年 2 月 18 日國道 1 號南下時空圖。圖/作者提供。

塞車發生的又快又急交通量與速率的關係

為方便分析,以下分析交通量,均先將 5 分鐘交通量換算成 1 小時的流率。既然壅塞是由湖口-竹北路段開始發生,便進一步針對該路段做分析。圖四為 106 年 2 月 25 日每 5 分鐘的平均速率與交通量(5 分鐘交通量換算成 1 小時)所繪之雙軸圖,從上午 6 時 40 分(虛線部份)平均速率開始快速下降,不到 60 分鐘的時間便由時速 94 公里降至低於 40 公里,隨後則是長達 5 小時的低速率。而在 6 點 40 分至 7 時 20 分之間,路段卻維持相當大的交通量(5,500~6,000 輛)。

圖四、106 年 2 月 25 日湖口-竹北路段每 5 分鐘速率。圖/作者提供。

若將前述資料以散佈圖呈現,橫軸為交通量,縱軸為平均速率,其分佈會近似於二次式線型(如圖五)。我們將 6 點 40 分至 7 點 20 分之間的樣本特別以紅色標記,可以發現這些樣本約略是線型的極值,也就是該路段經常能夠通過的最大交通量,又稱之為「容量」。

若路段交通量能夠一直接近容量,將會達到相當大的效率。但事與願違,交通量接近容量時,路段上的車間距已經達到臨界值,其狀況相當不穩定,一點擾動就會造成壅塞開始發生,因此無法長時間的維持,相關內容請參閱前文《塞車:看不見的時間小偷》。

-----廣告,請繼續往下閱讀-----
圖五、106 年 2 月 25 日湖口-竹北路段交通量-速率流圖。圖/作者提供。

是哪裡來的車被塞在路上?

車輛被塞在路上的同時,本身也是塞車的成因,這便是所謂的外部成本。以下分析關鍵的 106 年 2 月 25 日 6 點 40 分至 7 點 20 分通過湖口-竹北路段交通量的組成,究竟這些車輛是從哪裡來,往哪裡去,並且是從何時出發的呢?

圖六橫軸代表車輛由該縣市進入高速公路(起點),縱軸代表車輛離開高速公路(迄點),方格顏色代表旅次數量(起點至迄點的車輛數),顏色越深代表旅次數量越多,這張圖在交通管理的應用中,稱為「旅次起迄表」(O-D table)。由圖六可以知道,最多的旅次為桃園市至台中市(11%),其次為新北市至台中市(7%),再來則是新竹縣至新竹市及新竹縣縣內旅次(5.3%、5.1%)。

圖六、旅次起迄表。圖/作者提供。

圖七橫軸代表車輛由該縣市進入高速公路(僅列旅次數量前 3 名,新北市、桃園市及新竹縣),縱軸為車輛進入高速公路的時間,格子顏色越深代表旅次數量越多。我們藉此觀察早上 6 點 40 分至 7 點 20 通過湖口-竹北路段的車輛進入高速公路的時間。從新北市進入高速公路的時間集中分佈於6:00–6:40、桃園市分佈於6:15–7:00,新竹縣分佈於6:30–7:15。

圖七、起點縣市與出發時間。圖/作者提供。

若將觀察維度由縣市更進一步至交流道,最多車輛由五股交流道(13.7%)進入,第 2 名為湖口交流道(13.6%),第 3 名為機場系統交流道(9.6%),第 4 名為林口交流道(7.8%),第 5 名為桃園交流道(7.6%)。圖八為所有交流道做為旅次起點的排名(由大至小)。

-----廣告,請繼續往下閱讀-----
圖八、旅次起點交流道排名。圖/作者提供。

圖九橫軸為車輛進入高速公路交流道的前 5 名(五股、林口、桃園、機場系統、湖口),縱軸為車輛進入高速公路的時間,車輛由五股交流道進入高速公路的時間集中分佈於 6:05–6:40,林口交流道分佈於 6:10-6:50,桃園交流道分佈於 6:15–6:50,機場系統交流道分佈於6:20–6:55。

圖九、起點與進入高速公路的時間。圖/作者提供。

想要阻止塞車,還需要多少努力?

ETC 交通資料是根據車輛通過偵測站而蒐集,通過單一門架可以蒐集到交通量資料;通過相鄰兩門架可以蒐集路段的平均旅行時間、平均旅行速率;通過多個偵測站集到旅次資料,如車輛的起迄點、起迄時間、旅次長度等。本文以 106 年 2 月 25 日的 ETC歷史交通資料分析壅塞路段、時間以及路段容量,亦介紹了一些交通管理應用上的圖形工具。

在《塞車:看不見的時間小偷》一文中探討了交通壅塞的發生以及一些基本車流知識,我們可以知道當路段交通量接近容量時,也亦謂著壅塞即將發生。

既然路段的交通壅塞現象可能不斷重現,我們是否可以利用歷史資料的分析,改善現有的交通控制策略,並於路段交通量接近容量時,適時的於上游匝道減少車輛進入,阻止壅塞現象的發生?

-----廣告,請繼續往下閱讀-----
圖八/BY Wpcpey@ Wikimeidia commons

「匝道儀控」係藉由號誌管制匝道車輛進入高速公路,目標是在不影響高速公路主線交通的前提下,使匝道通過最多的車輛,以緩和交通壅塞並紓解平面道路。我國於民國 87 年  8月 1 日開始實施,目前已經有許多關於「匝道儀控」的研究,但是在過去的研究中,資料來源多是根據單點偵測的交通資料。理論上從 ETC 交通資料中取得車輛旅次起點進入高速公路的時間,將可以更有效的分配壅塞路段上游匝進入的車輛。

理想的情況下,我們可以透過 ETC 所蒐集的交通資料,進行科學化的分析精進匝道儀控的實施,但是在實際上該如何執行,以及執行上可能面臨的一些問題,我們將在未來的文章中再繼續探討。

-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
778 篇文章 ・ 128 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。