人工智能在交通中的应用：更快地走向未来(4)

ANPR系统是基于计算机视觉的交通管理应用的一个重要分支，但它更多地关注单个车辆，而不是车辆的整体流量。这些解决方案包括安装在路杆上的高清摄像头，确保7*24小时监控的红外传感器，以及通过OCR（光学字符识别）识别车辆车牌的图像处理软件。这使得它们成为各种管理和安全任务的有用工具，包括： l 行程时间分析以加强道路规划 l 执法部门识别违反道路规则的车辆 l 收费管理以电子方式向道路使用者收取费用 负责管理意大利高速公路的股份制公司意大利高速公路公司（Autostrade per l’italia）在特定路段采用了类似的收费管理系统、视频监控和电子速度控制（所谓的安全导师）。

比交通和超速罚单更可怕的事情，其中之一就是在拥挤的停车场或市中心无休止地寻找停车位。幸运的是，人工智能可以帮助我们，在摄像头和计算机视觉的帮助下，让这个“不可能的任务”变得更容易一些，这些摄像头和计算机视觉可以部署在室内停车场和室外城市地区。这些解决方案在以下几种情况下非常有用： l 车辆计数以准确估计排队时间 l 车牌匹配以检测未经授权的停车 l 时间跟踪，更轻松地开票和付款 l 停车场安全摄像头识别可疑活动 l 与停车可用性指示器相连的空闲插槽检测 关于最后一个用例，通常称为停车引导和信息（PGI）系统，最新趋势是不仅通过电子视觉显示器提供停车可用性信息，还通过专用应用程序在驾驶员的智能手机上提供停车可用性信息，例如西门子的智慧停车解决方案。

自动驾驶汽车和基于人工智能的交通管理系统是惊人的工具……直到他们崩溃。在这方面，一种在交通运输和其他行业迅速普及的方法被称为预测性维修，它是基于在潜在故障实际发生之前提前预测故障的方法。 如今，人工智能的进步极大地提高了这种操作方式的效率，特别是得益于前面提到的机器学习算法的模式识别和预测能力。事实上，通过向机器学习系统“输入”与车辆和基础设施的标准性能相关的数据，并通过传感器收集这些数据，可以训练机器学习系统了解车辆和基础设施的正常运行情况。 一旦系统学会了识别驱动车辆或整个车站的机械和电子部件的理想操作模式，它也将能够检测到它们典型行为的任何变化，这可能是故障即将发生的迹象。 通过机器学习实现异常检测，用于状态监测，运输运营商可以显著提高车辆的可靠性，降低维护成本，加快维修程序，并减少通常部署的车队储备，以避免在故障情况下中断服务。 法国国家铁路公司SNCF就是使用这种方法的一个突出例子，该公司实施了人工智能驱动的预测分析，以监测受电弓磨损风险的状态，并确保其列车获得适当的电力供应。据该公司称，预测性维护还可以将与列车开关相关的事故减少30%。