Представьте: диспетчер метро видит на дашборде, что через час на станции «Спортивная» ожидается поток +85% к норме из-за концерта. Он успевает за 45 минут перебросить дополнительный состав и усилить персонал. Это реальность с нашей AI-системой прогнозирования пассажиропотока. Мы разработали и внедрили подобные решения для автобусных парков, метрополитенов и ж/д операторов. Точность прогноза напрямую влияет на операционные расходы: снижение простоев, оптимальное расписание, сокращение overtime. Наши модели достигают MAPE 8-12% для 1-часового горизонта — в 2-3 раза точнее классических статистических методов. При этом мы учитываем сезонность, погоду, городские события и топологию сети. Например, на одной из станций удалось снизить overtime на 30%, что привело к экономии около $18k–26k в год. Система окупается в среднем за 6 месяцев, принося чистую экономию от $14k–20k в год.
Основные задачи прогнозирования
- Оптимизация интервалов движения: при ожидаемом пике система рекомендует сократить интервал с 3 до 1.5 минут.
- Планирование персонала: прогноз потока на станциях позволяет рассчитать число кассиров и контролёров на смену.
- Предотвращение перегрузок: раннее предупреждение за 60-90 минут до аномалии.
Как мы строим модели?
Используем комбинацию градиентного бустинга (LightGBM) и графовых нейросетей (GNN) для метро. Для автобусов и ж/д часто достаточно LightGBM с богатым feature engineering.
# LightGBM с богатым feature set features = { # Лаги 'passengers_lag_15min': passengers_t_minus_1, 'passengers_lag_1h': passengers_t_minus_4, 'passengers_same_time_yesterday': passengers_same_period_yesterday, 'passengers_same_time_last_week': passengers_same_period_week_ago, # Время 'hour': hour, 'minute': minute, 'day_of_week': dow, 'is_holiday': holiday_flag, 'month': month, # Внешние 'weather_rain': rain_intensity, 'temperature_c': temperature, 'stadium_event_distance_time': event_proximity_score, # Станция/маршрут 'station_type': encode(terminal_transfer_intermediate), 'line_id': line_embedding } Почему графовые нейросети эффективны для метро?
В метро поток на станции сильно зависит от соседних — пассажиры пересаживаются, закрытие одной ветки перераспределяет нагрузку. GNN моделирует эту зависимость явно, что даёт выигрыш в точности 2-3% MAPE на пиковых часах. LightGBM обрабатывает данные в 10 раз быстрее GNN при обучении, но GNN стабильно побеждает на задачах с явной сетевой структурой. Сертифицированные инженеры с опытом более 5 лет настраивают гиперпараметры под каждый проект.
Подробнее о графовых нейросетях
GNN обучаются на графе сети, где узлы — станции, рёбра — перегоны. Используем сверточные слои (GCN) для агрегации соседних потоков. Это позволяет моделировать перетоки пассажиров при сбоях. Для больших сетей (100+ станций) применяем мини-батчи и семплирование соседей.Сравните точность разных подходов на одном датасете:
| Модель | MAPE (1 час) | Обучение (1 млн записей) | Учёт графа сети | Требования к данным |
|---|---|---|---|---|
| LightGBM | 8-12% | 2 мин на CPU | Нет | AFC + внешние |
| GNN | 6-10% | 30 мин на GPU | Да | AFC + граф + >6 мес |
| Temporal Fusion Transformer | 7-11% | 1 час на GPU | Опционально | Много данных |
| Источник данных | Тип | Частота | Влияние на точность |
|---|---|---|---|
| AFC транзакции | Временные ряды | 5-15 мин | Основной |
| CCTV подсчёт | Видео | 1 час | +5-10% MAPE |
| Погода | Внешний | 1 час | +2-3% MAPE |
| Календарь событий | Внешний | По мере | +10-15% MAPE на пиках |
Что даёт учёт событий?
Без event-awareness прогноз на концертный день отклоняется на 30-50%. Мы добавляем known future covariates: для плановых событий — флаг и продолжительность, для аномальных — автоматическое детектирование по z-score. Это снижает ошибку в час пик до 12%. Благодаря AI-системе прогнозирования пассажиропотока мы достигаем стабильно высокой точности даже в нестандартных ситуациях. Наша AI-система прогнозирования пассажиропотока включает модуль event detection на основе LightGBM и GNN.
Типичные ошибки при внедрении
- Игнорирование событий: без календаря мероприятий прогноз на пике ошибается на 30-50%.
- Отсутствие лагов: поток сильно коррелирует с предыдущими интервалами.
- Слишком сложная модель для малого объёма данных: GNN требует >6 месяцев истории.
Содержание работ
- Аудит данных: анализ источников AFC, CCTV, IoT и построение пайплайна ETL.
- Разработка baseline: LightGBM за 2 недели с MAPE 10-14%.
- Усложнение модели: при необходимости GNN или TFT, обучение на GPU-кластере.
- Интеграция: дашборд ЦУП с heatmap, API прогнозов, алерты при превышении порога.
- Тестирование: A/B-тест на станции, сравнение с текущими методами.
- Документация и обучение: перечень признаков, инструкция по использованию, передача модели.
- Поддержка: мониторинг дрейфа данных, переобучение раз в месяц.
Этапы внедрения: от ETL до дашборда
- Аудит и ETL: анализ источников (AFC, CCTV, IoT) и построение пайплайна обработки.
- Baseline-модель: LightGBM за 2 недели, точность MAPE 10-14%.
- Усложнение: при необходимости GNN или TFT, обучение на GPU-кластере.
- Интеграция: дашборд ЦУП с heatmap, API прогнозов, алерты при превышении порога.
- Тестирование: A/B-тест на станции, сравнение с текущими методами.
- Деплой и поддержка: мониторинг дрейфа данных, переобучение раз в месяц.
Сроки ориентировочно
- Пилот на одной станции/маршруте — 3-4 недели.
- Система для сети с GNN и дашбордом — 4-5 месяцев.
- Стоимость рассчитывается индивидуально. Закажите пилотный проект на одной станции, чтобы оценить эффект. Получите консультацию: мы поможем подобрать оптимальное решение для вашего транспорта.