Разработка AI-системы прогнозирования дорожных заторов

Пробка в час пик добавляет 30–40 минут к поездке — и это не фатализм, а задача для AI. Мы разрабатываем системы прогнозирования заторов, которые снижают задержки на 15–25%. В основе — гибрид графовых нейронных сетей и event-aware трансформеров. Модель учитывает топологию дорог, поток данных с 300+ сенсоров и события (ДТП, погода, концерты). Наши заказчики — города и транспортные операторы, которым нужно не просто предсказать пробку, а перераспределить трафик в реальном времени. Ниже — как мы это делаем: от сбора данных до интеграции с навигаторами и светофорами.

Проблема классических методов — они игнорируют топологию дорог и событийность. Например, после концерта на стадионе трафик перераспределяется нелинейно — 40% водителей выбирают альтернативные маршруты. Наша AI-модель прогнозирует такие сценарии с точностью до 92% на часовом горизонте. Для сравнения: традиционные LSTM-модели показывают MAPE 14–18%, а наши архитектуры на GCN+WaveNet — 8–11%.

Мы используем стеки PyTorch и PyTorch Geometric для построения графовых моделей, а для event-кодинга — Temporal Fusion Transformer (TFT). Оценка точности производится на исторических данных с разбивкой по типам дней. Результат — предсказание скорости потока с MAPE < 10% на 30-минутном горизонте.

Как AI улучшает точность прогноза трафика?

Прогнозирование опирается на четыре группы данных:

• Сенсоры: индукционные петли (количество, скорость), видеодетекторы (классификация ТС), радары Wavetronix/RTMS.
• Floating car data: агрегированные GPS-треки от навигационных сервисов и таксопарков.
• Инфраструктура: граф дорог (OpenStreetMap), фазы светофоров, пешеходные переходы.
• События: плановые (матчи, концерты) и аномальные (ДТП, ремонт, снегопад).

Мы комбинируем их в пространственно-временную модель, где каждый датчик — узел графа, а дороги — рёбра.

Почему графовые нейросети эффективнее LSTM?

Традиционные LSTM игнорируют топологию дорог. Графовые свёртки (GCN) учитывают, что скорость на соседнем перекрёстке влияет на текущий. Сравнение подходов:

Сравнительный анализ на данных городских сенсоров за 12 месяцев

Мы используем архитектуру

# TrafficGCN — гибрид GCN и LSTM
import torch
from torch_geometric.nn import GCNConv

class TrafficGCN(nn.Module):
    def __init__(self, n_nodes, in_features, hidden, out_features):
        super().__init__()
        self.gcn1 = GCNConv(in_features, hidden)
        self.gcn2 = GCNConv(hidden, hidden)
        self.lstm = nn.LSTM(hidden, hidden, batch_first=True)
        self.fc = nn.Linear(hidden, out_features)

    def forward(self, x, edge_index, edge_weight):
        # x: [batch, seq_len, n_nodes, n_features]
        gcn_out = self.gcn1(x, edge_index, edge_weight).relu()
        gcn_out = self.gcn2(gcn_out, edge_index, edge_weight)
        lstm_out, _ = self.lstm(gcn_out)
        return self.fc(lstm_out[:, -1, :])

Ключевые архитектуры — DCRNN, Graph WaveNet, ASTGCN — различаются способом учёта временных зависимостей. Выбор зависит от размера графа и горизонта прогноза.

Как учитываются события?

Трафик нелинеен: после футбольного матча пик через 30–60 мин, ДТП снижает пропускную способность на 40–80%, дождь уменьшает скорость на 10–20%. Мы добавляем event-флаги как входные признаки:

event_features = {
    'stadium_match_flag': upcoming_match_within_3h,
    'weather_rain_intensity': precipitation_forecast,
    'roadwork_active': roadwork_on_segment,
    'incident_nearby': incident_within_1km_duration,
    'holiday_flag': is_holiday,
    'school_day': not is_school_holiday
}

Эти признаки подаются в модель как future covariates (Temporal Fusion Transformer). Без них точность на аномальных днях падает на 20%.

Что даёт AI оптимизация светофоров?

Традиционные SCOOT/SCATS реагируют на текущий трафик без прогноза. Мы заменяем их RL-агентом: action — фазовые планы, state — текущие и предсказанные скорости, reward — суммарная задержка по сети. На коридоре из 10–20 перекрёстков координация даёт «зелёную волну». Результат — снижение среднего времени поездки на 10–20%. Такие умные светофоры на базе RL — пример AI транспортной системы.

Информирование водителей

Прогнозы передаются:

• на переменные знаки (время в пути, объезды),
• push-уведомления в приложения (навигационные сервисы),
• API для навигационных сервисов.

Метрики системы:

Снижение среднего времени поездки на 10–25% ощутимо для каждого водителя. Для города масштаба миллиона это даёт существенную экономию общественных затрат.

Кейс: внедрение в городе на 2 млн жителей (из нашей практики)

Для одного из наших клиентов — города N с населением 2 млн жителей — мы развернули Graph WaveNet с event-aware слоями. После калибровки на исторических данных точность MAPE скорости на 30-минутном горизонте составила 7.8% (для обычных дней) и 10.2% (для событийных). Система интегрирована с местным центром управления движением через протокол NTCIP 1211. Это позволило провести анализ пробок в реальном времени и скоординировать работу 500 перекрёстков.

Что входит в разработку?

1. Аудит данных: доступность сенсоров, качество FCD, схема дорожной сети.
2. Прототип модели: LSTM-бейзлайн за 2–3 недели.
3. GNN + event-aware модель с калибровкой под город.
4. Интеграция с контроллерами светофоров и навигационными сервисами.
5. Документация, обучение операторов, гарантийная поддержка.

Сроки: базовый прогноз — от 5–6 недель; полная система — 4–5 месяцев. Точная оценка — после анализа данных.

Мы гарантируем точность: MAPE не выше целевых значений на тестовой выборке. Опыт команды — более 5 лет в ITS (интеллектуальные транспортные системы) и 20+ проектов по прогнозированию трафика. Наши решения относятся к классу AI транспорт и ML транспорт.

Получите консультацию по архитектуре вашей системы. Свяжитесь с нами для оценки вашего проекта — подберём архитектуру под бюджет и инфраструктуру города. Закажите предварительный аудит данных: мы проанализируем доступные сенсоры и дадим первую оценку точности за две недели.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.