据外媒报道，美国能源部太平洋西北国家实验室（PNNL）开发出一种全新的机器学习算法，名叫TranSEC（transportation state estimation capability，即交通状况估算能力），有望帮助城市交通工程师获取城市交通模式的可操作信息（actionable information），缓解城市交通拥堵。此外，该算法还可用于自动驾驶汽车。
目前，街道级公开的交通信息是稀疏和不完整的，交通工程师通常依靠孤立的交通计数、碰撞和速度数据来确定道路状况。TranSEC使用从UBER驾驶员处收集的交通数据集和其他公开的交通传感器数据，绘制一段时间内的街道交通流量图。它利用机器学习工具和国家实验室可用的计算资源，绘制出一幅城市交通的大图。
TranSEC近实时估算整个洛杉矶市区的交通状况；图片来源：PNNL
协助开发TranSEC的PNNL计算机科学家Arif Khan指出，“（TranSEC的）新奇之处在于，对大城市区域进行街道层面的估算。与其它只能在特定地区工作的模型不同，我们的工具可以应用到任何有聚集交通数据的城市区域。”
智能手机上的地图功能可以帮助优化驾驶路线，告知交通阻塞点，并建议替代路线。但是，智能手机工具只适用于单个车辆，而城市交通工程师关心的是如何帮助所有车辆有效到达目的地。比如，一条对单个车辆很有效的道路，会导致太多车辆试图进入并造成拥堵。
与其它交通监控方法不同，TranSEC能够分析稀疏和不完整信息。该方法采用机器学习连接片段与丢失的数据，并使用整个洛杉矶市区的公共数据，将创建交通拥堵模型所需的时间从几个小时缩短到几分钟。利用PNNL的高性能计算资源实现的加速，使得近实时流量分析成为可能。
TranSEC的机器学习特征意味着，随着获取和处理的数据更多，时间越久，数据会变得更加精细和有用。采用这种分析方法，可以理解交通网络是如何出现中断。如果拥有足够的数据，机器学习元素将能预测影响，以便交通工程师制定纠正策略。
PNNL的计算机科学家、该团队的首席研究员Arun Sathanur表示，“我们使用基于图的模型，结合新的采样方法和优化引擎，了解行驶时间和路线。这一方法有很大的潜力扩展到其他运输方式，如过境和货运。”
通过PNNL的数据驱动方法，用户可以在运输控制中心定期上传实时数据并更新TranSEC。工程师可以使用短期预测作为决策支持来管理交通问题。PNNL的方法也是可扩展的，可以包括天气或其他影响道路状况的数据。就像情境感知可以帮助驾驶员做出决策一样，TranSEC的方法在系统范围内提供情境感知，以帮助减少城市交通拥堵。
TranSEC是可扩展的。比如，可以再一台功能强大的电脑上建模只有主要公路和干线的公路网。TranSEC项目经理Katherine Wolf表示，“我们正在努力，希望全国所有城市都能使用TranSEC。”
此外，研究团队还指出，在进一步研发之后，TranSEC可被用来帮助自动驾驶车辆规划路线。