Уявіть: диспетчер метро бачить на дашборді, що через годину на станції «Спортивна» очікується потік +85% до норми через концерт. Він встигає за 45 хвилин перекинути додатковий состав і посилити персонал. Це реальність з нашою AI-системою прогнозування пасажиропотоку. Ми розробили та впровадили подібні рішення для автобусних парків, метрополітенів та ж/д операторів. Точність прогнозу безпосередньо впливає на операційні витрати: зниження простоїв, оптимальний розклад, скорочення overtime. Наші моделі досягають MAPE 8-12% для 1-годинного горизонту — у 2-3 рази точніше за класичні статистичні методи. При цьому ми враховуємо сезонність, погоду, міські події та топологію мережі. Наприклад, на одній зі станцій вдалося знизити overtime на 30%, що призвело до економії близько $18k–26kів на рік. Система окупається в середньому за 6 місяців, приносячи чисту економію від $14k–20kів на рік.
Основні задачі прогнозування
- Оптимізація інтервалів руху: при очікуваному піку система рекомендує скоротити інтервал з 3 до 1.5 хвилин.
- Планування персоналу: прогноз потоку на станціях дозволяє розрахувати кількість касирів і контролерів на зміну.
- Запобігання перевантаженням: раннє попередження за 60-90 хвилин до аномалії.
Як ми будуємо моделі?
Використовуємо комбінацію градієнтного бустингу (LightGBM) та графових нейромереж (GNN) для метро. Для автобусів та ж/д часто достатньо LightGBM з багатим feature engineering.
# LightGBM з багатим 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, # Час 'hour': hour, 'minute': minute, 'day_of_week': dow, 'is_holiday': holiday_flag, 'month': month, # Зовнішні 'weather_rain': rain_intensity, 'temperature_c': temperature, 'stadium_event_distance_time': event_proximity_score, # Станція/маршрут 'station_type': encode(terminal_transfer_intermediate), 'line_id': line_embedding } Чому графові нейромережі ефективні для метро?
У метро потік на станції сильно залежить від сусідніх — пасажири пересідають, закриття однієї гілки перерозподіляє навантаження. GNN моделює цю залежність явно, що дає виграш у точності 2-3% MAPE на пікових годинах. LightGBM обробляє дані в 10 разів швидше за GNN при навчанні, але GNN стабільно перемагає на задачах з явною мережевою структурою. Сертифіковані інженери з досвідом понад 5 років налаштовують гіперпараметри під кожен проект.
Докладніше про графові нейромережі
GNN навчаються на графі мережі, де вузли — станції, ребра — перегони. Використовуємо згорткові шари (GCN) для агрегації сусідніх потоків. Це дозволяє моделювати перетоки пасажирів при збоях. Для великих мереж (100+ станцій) застосовуємо міні-батчі та семплювання сусідів.Порівняйте точність різних підходів на одному датасеті:
| Модель | MAPE (1 година) | Навчання (1 млн записів) | Врахування графа мережі | Вимоги до даних |
|---|---|---|---|---|
| LightGBM | 8-12% | 2 хв на CPU | Ні | AFC + зовнішні |
| GNN | 6-10% | 30 хв на GPU | Так | AFC + граф + >6 міс |
| Temporal Fusion Transformer | 7-11% | 1 год на GPU | Опціонально | Багато даних |
| Джерело даних | Тип | Частота | Вплив на точність |
|---|---|---|---|
| AFC транзакції | Часові ряди | 5-15 хв | Основний |
| CCTV підрахунок | Відео | 1 год | +5-10% MAPE |
| Погода | Зовнішній | 1 год | +2-3% MAPE |
| Календар подій | Зовнішній | По мірі | +10-15% MAPE на піках |
Що дає врахування подій?
Без event-awareness прогноз на концертний день відхиляється на 30-50%. Ми додаємо known future covariates: для планових подій — прапорець і тривалість, для аномальних — автоматичне детектування за z-score. Це знижує помилку в годину пік до 12%. Завдяки AI-системі прогнозування пасажиропотоку ми досягаємо стабільно високої точності навіть у нестандартних ситуаціях. Наша AI-система прогнозування пасажиропотоку включає модуль event detection на основі LightGBM та GNN.
Типові помилки при впровадженні
- Ігнорування подій: без календаря заходів прогноз на піку помиляється на 30-50%.
- Відсутність лагів: потік сильно корелює з попередніми інтервалами.
- Занадто складна модель для малого обсягу даних: GNN потребує >6 місяців історії.
Зміст робіт
- Аудит даних: аналіз джерел AFC, CCTV, IoT та побудова пайплайну ETL.
- Розробка baseline: LightGBM за 2 тижні з MAPE 10-14%.
- Ускладнення моделі: при необхідності GNN або TFT, навчання на GPU-кластері.
- Інтеграція: дашборд ЦУП з heatmap, API прогнозів, алерти при перевищенні порогу.
- Тестування: A/B-тест на станції, порівняння з поточними методами.
- Документація та навчання: перелік ознак, інструкція з використання, передача моделі.
- Підтримка: моніторинг дрейфу даних, перенавчання раз на місяць.
Етапи впровадження: від ETL до дашборда
- Аудит і ETL: аналіз джерел (AFC, CCTV, IoT) та побудова пайплайну обробки.
- Baseline-модель: LightGBM за 2 тижні, точність MAPE 10-14%.
- Ускладнення: при необхідності GNN або TFT, навчання на GPU-кластері.
- Інтеграція: дашборд ЦУП з heatmap, API прогнозів, алерти при перевищенні порогу.
- Тестування: A/B-тест на станції, порівняння з поточними методами.
- Деплой і підтримка: моніторинг дрейфу даних, перенавчання раз на місяць.
Терміни орієнтовно
- Пілот на одній станції/маршруті — 3-4 тижні.
- Система для мережі з GNN та дашбордом — 4-5 місяців.
- Вартість розраховується індивідуально. Замовте пілотний проект на одній станції, щоб оцінити ефект. Отримайте консультацію: ми допоможемо підібрати оптимальне рішення для вашого транспорту.