Российская технология может точно предсказывать заторы
В Ростове-на-Дону разработана программа, которая точно предсказывает пробки. Специалисты Донского государственного технического университета представили уникальную цифровую систему, способную с высокой точностью предсказать, сколько автомобилей появится на определённом участке дороги. Её главным преимуществом называют минимальную погрешность, которая составляет всего 6%.
К слову, современные модели, используемые в планировании дорожного движения, ошибаются в среднем на 25–30%. Как пояснила доцент кафедры «Организация перевозок и дорожного движения» ДГТУ Анастасия Феофилова, если такая программа прогнозирует 100 машин, в реальности их может проехать от 70 до 130. Подобный разброс в данных напрямую ведёт к образованию заторов и неэффективной работе светофоров.
«Когда фактически прибывает 130 машин, на участке возникает перегрузка. 30 автомобилей вынуждены ждать следующего цикла, создавая цепную реакцию затора. На следующий цикл к этим 30 машинам добавятся другие автомобили, и всего за 20–30 минут на ровном месте образуется серьёзный затор», — объяснила Феофилова.
Новая система демонстрирует результат в 4–5 раз точнее. Её средняя ошибка — те самые 6%. Это означает, что при ожидании 100 автомобилей на дороге появится от 94 до 106. Алгоритм анализирует архив данных, выявляя устойчивые закономерности. Он «помнит» о традиционных пиковых нагрузках в часы-пик утром и вечером, а также учитывает еженедельную цикличность.
Ещё одна особенность системы — умение расставлять приоритеты в информации. В случае внезапных событий, таких как снегопад или ДТП, модель автоматически понимает, что эти факторы в данный момент важнее стандартных расписаний.
Разработка построена на универсальных принципах анализа данных и не привязана жёстко к правилам дорожного движения или географическим особенностям. Чтобы настроить её для работы в Ростове-на-Дону, Москве, Пекине или любом другом мегаполисе, достаточно загрузить в программу локальные исторические сведения о транспортных потоках.
Точность и гибкость алгоритма обеспечиваются комбинацией четырёх компонентов — свёрточных нейронных сетей, рекуррентных нейронных сетей с долгой краткосрочной памятью, механизма внимания и алгоритма оптимизации. Каждый блок отвечает за свою часть задачи — анализ пространственных данных, выделение ключевой информации, настройку параметров и выявление временных закономерностей.
В перспективе авторы проекта намерены научить модель учитывать больше факторов и адаптировать её для создания комплексных стратегий управления городским движением.