项目使用AI最大限度地向需要的学生提供膳食

Carnegie Mellon Universal大学的工作原本旨在使用机器学习,为Allgheny County,PA的K-12学生开发经济高效的公交线路。,在Covid-19中枢转,专注于食品不安全的家庭。

by / August 27, 2020
Carnegie Mellon University

MetroLab网络已与之合作 政府技术 将读者带来一个称为月份系列的MetroLAB创新的分部,该节目突出了城市和大学展望的影响力的技术,数据和创新项目。如果你’d想了解更多信息或联系项目领导,请联系Metrolab in [email protected]获取更多信息。

本月’批划月份系列的创新,我们探索卡内基梅隆大学之间的合作, 儿童盟友 和Allgheny County,PA的其他几个社区团体,应用机器学习技术,以解决由Covid-19引起的学校膳食计划的中断。 MetroLab. ’S Ben Levine与Karen Lightman和Stephen Smith谈到了Carnegie Mellon大学的背景和他们项目的发展。

本莱丁: 您能描述这个项目的起源和目标,谁参与其中呢?

Karen Lightman: 该项目与儿童盟友合作构思,一位集中在阿里格伦县K-12学校福利的当地非营利组织。在2019年底, Metro21. Institute 在卡内基梅隆大学(CMU)建立了与儿童盟友的合作,调查使用机器学习的潜力,通过整合跨学区的公共汽车路线来开发更具成本效益的K-12学生运输到宪章和私立学校。然后,当公立学校被迫关闭2020年3月的Covid-19大流行袭击和学校膳食计划被扰乱时,许多有需要的家庭都争先恐后地为他们的孩子提供饭,通常会在学校收到早餐和午餐。因此,鉴于我们与儿童盟友的合作伙伴关系,即使现有的校车路线可能无法提供最佳解决方案,也很自然地考虑校车如何替代地用于远程提供学校膳食。

Metro21.’姐姐组织, 交通21学院此外,为儿童提供了一些启动资金和盟友,与宾夕法尼亚山学区,一个学生特别容易受到粮食不安全的地区。此部署的其他关键合作伙伴包括宾夕法尼亚州西南宾夕法尼亚州的联合之路,匹兹堡社区食品银行,进入运输系统和吃饭’公园餐厅。我还每周与一群社区领导人和志愿者举行,以确保该项目协调,而不是重复其他粮食安全计划。

莱明: 您是如何确定在这些路线上放置停止的地方的?你收集了什么样的数据来设计模型?

斯蒂芬史密斯: 我们使用现有的校车停止作为候选人,认识到远程食品交付的限制略有不同于运输学生的限制。例如,在学生登船和上升时,可以接受停止交通,但不能延长停止送餐。使用该区提供的学生家庭住址以及最大的步行距离约束,我们开发了由机器学习算法通知的搜索过程,以确定最有效的停止并产生一组用于访问它们的车辆路线。在搜索的每个步骤中,计算可以在每个剩余候选停止处提供服务的学生的数量,并且选择最多能够维修的停止。然后将该停止分配给可用的递送车辆之一,以最大化可以在整个膳食交付时间窗口内交付的膳食数量。该过程重复,直到(1)没有额外的停止可以拟合到现有的车辆行程中,(2)已超过搬运车辆的承载能力或所有学生都已提供服务。一旦产生了最终路线,每个都会在物理上驱动,以确定我们的模型不考虑的任何因素,例如繁忙的交通或不停车位,这可能会影响在所选停止时提供膳食的安全。发现有问题的停止被淘汰了作为候选人,而新的附近停止是替代的。

图片Carnegie Mellon University


莱明: 设计和实施这个项目时遇到了什么挑战?

莱特曼: 我们遇到的第一个挑战之一是我们最初认为我们’D可以使用Penn Hills的公共汽车和公共汽车,我们很快就知道这是不可行的。值得庆幸的是,通过我们的合作伙伴以统一的方式,我们与携带多个班车和司机愿意参加的班车和司机的接入运输。我们也受到如何传达食物将交付的巴士站点地区的挑战;我们通过与广泛的社区领导者和志愿者密切合作来克服这一挑战,以便出来。为院子标志支付的儿童盟友识别公共汽车站,他们印刷讲义要在其他食物拾取和储藏室的位置交付,我们的网络使用社交媒体来帮助传播这个词。基于我们合作伙伴的反馈,我们意识到它不是’T清除班车是携带饭的车辆,所以我们安全地保护磁铁放在车辆的一侧,并帮助促进和宣传。在每一步,我们通过向帮助我们解决问题解决的合作伙伴网络来解决挑战。它真的是一个村庄。

莱明: 从原始意图枢转这个项目的过程是什么?还有其他类似的技术,可能适应解决Covid-19挑战吗?

史密斯: 多年来,我的研究实验室广泛地专注于人工智能和机器学习技术,用于自动化规划,调度和优化,并建立了一个大量的软件系统和工具,用于解决这些类型的问题。虽然远程餐点交付问题呈现了一些独特的路由和调度挑战,但我们利用这项技术基础的能力使我们能够枢转到这个应用程序域,并尽快提供有用的结果。也就是说,我们正在继续优化我们目前的路线规划和调度引擎,我们认为有更多的机会利用机器学习技术来提高生成的传送路线的质量。例如,可以通过使用更复杂的多维聚类来增强在给定区域中最大的需要的区域。我们也有兴趣探索使用用于在视频数据中发现模式的技术的使用作为自主识别候选者停止的理想特征的手段,如附近停车场的存在,这些不在当前优化模型中捕获。

莱明: 其他社区如何使用模型?这是否有可能以更大的规模实施?

莱特曼: Word很快蔓延了我们在宾馆的膳食送货部署的成功。自推出宾馆项目以来,我们已经获得了大匹兹堡地区其他市政当局的兴趣,因为粮食不安全问题是普遍的和全国范围内的。我们与我们的区域合作伙伴合作,我们正在探索我们模型的扩展到其他学区。我们’ve还获得了国家科学基金会的资金’S快速响应研究(迅速)对Covid-19直接反应的资金。这笔资金将使我们的工作能够扩大和解决改变我们地区粮食安全需求的挑战’S孩子。我们非常有信心这种模型可复制,并且可以以更大的规模部署。什么’最重要的是,合适的合作伙伴在桌面,以便他们可以向模型通知模型,以迭代方式使用机器学习来持续改进它。另一个关键组件是数据;我们每天报告膳食,停止和路线的每日递送,因此我们可以使用该信息来确保满足需求和喂食家庭。例如,我们最近调整了Penn Hills的模型,以便我们可以为老年人提供膳食。

莱明: 你的下一个步骤是什么?你在哪里看到了从这里开始的项目?

莱特曼: 如前所述,我们最近收到了国家科学基金会的资金,使我们能够继续支持宾馆的膳食交付计划,因为我们进入秋季学年,并继续努力在其他学区建立类似的服务。它还将允许我们改进我们的算法和启发式,以解决这类交付问题,并为更广泛的研究界进行正式化和提供参考问题。凭借遥远与人的学校选项的混合模型的前景,这将保持流畅和不断变化,我们预计学童的粮食安全将变得更加复杂—这正是我们喜欢在CMU解决的那种动态问题。


永远不会错过每日Govtech今天的故事时事通讯。

订阅


本莱丁 MetroLab网络执行董事

本莱丁是MetroLab网络的执行董事。此前,他是美国财政部的政策顾问,他负责与国家和地方政府融资有关的政策发展,重点是基础设施政策。他与白宫紧密合作’关于组织的科学技术政策办公室和联合网络的推出。在该本曾在摩根斯坦利工作。他是宾夕法尼亚大学沃顿省沃顿学校的毕业生。

 

E.Republic平台& Programs