沒有人喜歡站在那里等公共汽車來，尤其是當你需要準時到達某個地方的時候。如果你能預測下一班公共汽車什么時候到，那不是很棒嗎？

今年年初，亞美尼亞開發商埃德加·貢茨揚（ Edgar Gomtsyan ）有一些空閑時間，他對這個問題感到困惑。他開發了自己的解決方案，而不是等待政府實體實施解決方案，或致電公交車調度員確認公交車到達時間。基于機器學習 預測公交車到達時間 具有高精度。

碰巧， Gomtsyan 的公寓正對著一個公共汽車站所在的街道。為了跟蹤公交車的到達和離開，他在陽臺上安裝了一個小型安全攝像頭，使用圖像識別軟件。 Gomtsyan 說：“就像任何復雜的問題一樣，為了找到有效的解決方案，問題被分成了幾個小部分。”。

他的解決方案使用了大華 IP 攝像機。對于視頻處理，他最初使用 VertexAI 其可用于圖像和對象檢測、分類和其他需要。由于擔心可能的網絡和電力問題，他最終決定使用 NVIDIA Jetson Nano 。您可以訪問 GitHub jetson-inference 上的各種庫和經過訓練的模型。

實時流協議（ RTSP ）將攝像機視頻流的細節連接到 Jetson Nano 。然后，使用 imagenet 對于分類和 GitHub repo 中的一個預訓練模型， Gomtsyan 能夠立即獲得流的基本分類。

對于人群中的訓練極客來說，事情開始變得有趣起來。使用預訓練模型， Gomtsyan 使用他的設置在每次檢測到公交車時從視頻流中截取一個屏幕快照。他的第一個模型準備好了大約 100 張照片。

但是，正如 Gomtsyan 所承認的，“一開始說一切都是完美的是錯誤的。”很明顯，他需要更多的圖片來提高模型輸出的精度。他說，一旦他有了 300 張照片，“系統就越來越好了。”。

當他第一次分享這個項目的結果時，他的模型已經訓練了 1300 多張圖片，即使在不同的天氣條件下，它也能檢測到到達和離開的巴士。他還能夠區分定時巴士和隨機到達的巴士。他的模型現在包括三類圖像檢測：到達的巴士、背景（不是預定巴士的一切）和離開的巴士。

例如，如果 15 幀的“到達總線”類預測大于或等于 92% ，則它將到達時間記錄到本地 CSV 文件中。

為了改進收集的數據，他的系統每次檢測到總線時都會從流中截取一張屏幕截圖。這有助于未來的模型再培訓和發現假陽性檢測。

此外，為了克服本地存儲 CSV 文件數據的局限性， Gomtsyan 選擇將數據存儲在 BigQuery 使用 谷歌物聯網 服務正如他所指出的，將數據存儲在云中“提供了一個更加靈活和可持續的解決方案，將滿足未來的增強。”

他利用收集到的信息創建了一個模型，該模型將使用頂點人工智能回歸服務預測下一輛公交車何時到達。 Gomtsyan 建議觀看下面的視頻，學習如何設置模型。

隨著工作模型的建立和運行， Gomtsyan 需要一個接口，讓他知道下一輛公交車何時到達。他選擇使用基于物聯網的語音助手，而不是網站。他最初計劃使用谷歌助手來實現這一目的，但這比預期的更具挑戰性。相反，他使用了 Alexa Skill ，這是亞馬遜的語音助手工具。他創建了一個 Alexa 技能，可以根據公寓中 Alexa 揚聲器發出的命令查詢相應的云功能。

圖 2.Gomtsyan 模型的最終架構

雖然預測并不完美，但 Gomtsyan 對未來的改進有一些想法，可以幫助提高預測公交到達時間的準確性，包括公交線路沿線的交通擁堵數據。他還考慮使用太陽能電池板為系統供電并使其自主，并引入 DevOps 實踐。

Gomtsyan 開發這個項目是為了學習和挑戰自己。使用他的項目文檔，其他開發人員可以復制并改進他的工作。最后，他希望這個巴士預測項目將鼓勵其他人追求他們的想法，“無論他們聽起來多么瘋狂、困難或不可能。”

關于作者

Jason Black 是 NVIDIA 的自主機器營銷和通信高級經理。作為過去 25 年的作家和編輯，他喜歡在流行語背后尋找故事的核心。看到機器人 MIG 把他帶到哪里，他很興奮。

審核編輯：郭婷