Proyecto Green Light de Google sincroniza los semáforos para reducir en un 30% las paradas
Proyecto Green Light de Google sincronización de semáforos para reducir un 30% las paradas
![Un semáforo. Las ciudades que ya están experimentando con el Proyecto Green Light son Río de Janeiro, Seattle, Hamburgo, Bangalore, Haifa, Budapest, Kolkata, Abu Dhabi, Hyderabad, Manchester, Bali y Yakarta. ¶ Crédito: Irvine Signal](https://ai.miximages.com/cacm.acm.org/system/assets/0004/6468/101623_IRVINE-SIGNAL-traffic_light.large.jpg?1697478872&1697478872)
El Proyecto Green Light de Google se ha asociado con 12 ciudades de todo el mundo para proporcionar recomendaciones de sincronización de semáforos basadas en inteligencia artificial en 70 intersecciones diferentes que podrían reducir las paradas/inicios en un 30% y las emisiones en las intersecciones en un 10%.
La herramienta modela y analiza miles de intersecciones simultáneamente para desarrollar una imagen de flujo de tráfico en toda la ciudad que se puede experimentar virtualmente.
El objetivo es dar a la mayor cantidad de conductores posible una “ola verde” que reduzca el tiempo de viaje, aumente la eficiencia de combustible y reduzca las emisiones.
Dijo David Atkin, de Transport for Greater Manchester en el Reino Unido, una de las 12 ciudades que utilizan el sistema: “Green Light identificó oportunidades donde anteriormente no teníamos visibilidad y dirigió a los ingenieros hacia donde había beneficios potenciales en el cambio de los tiempos de los semáforos”. De New Atlas Ver artículo completo
- Las empresas de internet informan sobre la mayor operación de denegación de servicio jamás registrada
- Brillo diamante en el MIT Repetidores cuánticos revolucionando las redes
- Explorando la tecnología de trabajo remoto tendencias e innovaciones
Derechos de autor de los resúmenes © 2023 SmithBucklin, Washington, D.C., USA
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Identificar los puntos calientes temáticos en áreas urbanas
- Consideraciones prácticas en el diseño de aplicaciones RAG
- Aprovechando los superpoderes de NLP Un tutorial paso a paso para ajustar finamente Hugging Face
- Oracle presenta su visión para el futuro impulsado por la IA y la nube
- Desbloqueando la transparencia de la IA Cómo el agrupamiento de características de Anthropic mejora la interpretabilidad de las redes neuronales
- Ajuste fino de LLM Ajuste fino eficiente de parámetros (PEFT) – LoRA y QLoRA – Parte 1
- Descifrando la Significación Estadística Una Guía para los Profesionales de Marketing