使用预训练模型预测公交车到达时间

没有人喜欢站在那里等公共汽车来，尤其是当你需要准时到达某个地方的时候。如果你能预测下一班公共汽车什么时候到，那不是很棒吗？

今年年初，亚美尼亚开发商埃德加·贡茨扬（ Edgar Gomtsyan ）有一些空闲时间，他对这个问题感到困惑。他开发了自己的解决方案，而不是等待政府实体实施解决方案，或致电公交车调度员确认公交车到达时间。基于机器学习 预测公交车到达时间 具有高精度。

碰巧， Gomtsyan 的公寓正对着一个公共汽车站所在的街道。为了跟踪公交车的到达和离开，他在阳台上安装了一个小型安全摄像头，使用图像识别软件。 Gomtsyan 说：“就像任何复杂的问题一样，为了找到有效的解决方案，问题被分成了几个小部分。”。

他的解决方案使用了大华 IP 摄像机。对于视频处理，他最初使用 VertexAI 其可用于图像和对象检测、分类和其他需要。由于担心可能的网络和电力问题，他最终决定使用 NVIDIA Jetson Nano 。您可以访问 GitHub jetson-inference 上的各种库和经过训练的模型。

实时流协议（ RTSP ）将摄像机视频流的细节连接到 Jetson Nano 。然后，使用 imagenet 对于分类和 GitHub repo 中的一个预训练模型， Gomtsyan 能够立即获得流的基本分类。

对于人群中的训练极客来说，事情开始变得有趣起来。使用预训练模型， Gomtsyan 使用他的设置在每次检测到公交车时从视频流中截取一个屏幕快照。他的第一个模型准备好了大约 100 张照片。

但是，正如 Gomtsyan 所承认的，“一开始说一切都是完美的是错误的。”很明显，他需要更多的图片来提高模型输出的精度。他说，一旦他有了 300 张照片，“系统就越来越好了。”。

当他第一次分享这个项目的结果时，他的模型已经训练了 1300 多张图片，即使在不同的天气条件下，它也能检测到到达和离开的巴士。他还能够区分定时巴士和随机到达的巴士。他的模型现在包括三类图像检测：到达的巴士、背景（不是预定巴士的一切）和离开的巴士。

例如，如果 15 帧的“到达总线”类预测大于或等于 92% ，则它将到达时间记录到本地 CSV 文件中。

为了改进收集的数据，他的系统每次检测到总线时都会从流中截取一张屏幕截图。这有助于未来的模型再培训和发现假阳性检测。

此外，为了克服本地存储 CSV 文件数据的局限性， Gomtsyan 选择将数据存储在 BigQuery 使用 谷歌物联网 服务正如他所指出的，将数据存储在云中“提供了一个更加灵活和可持续的解决方案，将满足未来的增强。”

他利用收集到的信息创建了一个模型，该模型将使用顶点人工智能回归服务预测下一辆公交车何时到达。 Gomtsyan 建议观看下面的视频，学习如何设置模型。

随着工作模型的建立和运行， Gomtsyan 需要一个接口，让他知道下一辆公交车何时到达。他选择使用基于物联网的语音助手，而不是网站。他最初计划使用谷歌助手来实现这一目的，但这比预期的更具挑战性。相反，他使用了 Alexa Skill ，这是亚马逊的语音助手工具。他创建了一个 Alexa 技能，可以根据公寓中 Alexa 扬声器发出的命令查询相应的云功能。

图 2.Gomtsyan 模型的最终架构

虽然预测并不完美，但 Gomtsyan 对未来的改进有一些想法，可以帮助提高预测公交到达时间的准确性，包括公交线路沿线的交通拥堵数据。他还考虑使用太阳能电池板为系统供电并使其自主，并引入 DevOps 实践。

Gomtsyan 开发这个项目是为了学习和挑战自己。使用他的项目文档，其他开发人员可以复制并改进他的工作。最后，他希望这个巴士预测项目将鼓励其他人追求他们的想法，“无论他们听起来多么疯狂、困难或不可能。”

关于作者

Jason Black 是 NVIDIA 的自主机器营销和通信高级经理。作为过去 25 年的作家和编辑，他喜欢在流行语背后寻找故事的核心。看到机器人 MIG 把他带到哪里，他很兴奋。

审核编辑：郭婷