Розробка AI-системи прогнозування дорожніх заторів

Пробка в годину пік додає 30–40 хвилин до поїздки — і це не фаталізм, а задача для AI. Ми розробляємо системи прогнозування заторів, які знижують затримки на 15–25%. В основі — гібрид графових нейронних мереж і event-aware трансформерів. Модель враховує топологію доріг, потік даних з 300+ сенсорів та події (ДТП, погода, концерти). Наші замовники — міста та транспортні оператори, яким потрібно не просто передбачити пробку, а перерозподілити трафік у реальному часі. Нижче — як ми це робимо: від збору даних до інтеграції з навігаторами та світлофорами.

Проблема класичних методів — вони ігнорують топологію доріг і подійність. Наприклад, після концерту на стадіоні трафік перерозподіляється нелінійно — 40% водіїв обирають альтернативні маршрути. Наша AI-модель прогнозує такі сценарії з точністю до 92% на годинному горизонті. Для порівняння: традиційні LSTM-моделі показують MAPE 14–18%, а наші архітектури на GCN+WaveNet — 8–11%. Наш AI-підхід у 2 рази кращий за LSTM (MAPE 8% проти 16%). Крім того, Graph WaveNet показує точність у 2 рази вищу, ніж прості LSTM (MAPE 8% проти 16%). Ми також застосовуємо аугментацію даних за допомогою генеративних моделей для підвищення робастності до рідкісних подій.

Ми використовуємо стеки PyTorch і PyTorch Geometric для побудови графових моделей, а для event-кодингу — Temporal Fusion Transformer (TFT). Оцінка точності проводиться на історичних даних з розбивкою за типами днів. Архітектура базується на просторово-часовому графі з адаптивною матрицею суміжності та dilated causal convolutions для моделювання довгострокових залежностей. Гіперпараметри підбираються за допомогою кросс-валідації, а механізм уваги дозволяє акцентувати на аномаліях. Застосування LSTM трафіку з часовими рядами дає додаткову точність. Адаптивна матриця суміжності дозволяє моделювати динамічні зміни в структурі дорожньої мережі.

Як AI підвищує точність прогнозу трафіку

Прогнозування спирається на чотири групи даних:

• Сенсори: індукційні петлі (кількість, швидкість), відеодетектори (класифікація ТЗ), радари Wavetronix/RTMS.
• Floating car data: агреговані GPS-треки від навігаційних сервісів і таксопарків.
• Інфраструктура: граф доріг (OpenStreetMap), фази світлофорів, пішохідні переходи.
• Події: планові (матчі, концерти) та аномальні (ДТП, ремонт, снігопад).

Ми комбінуємо їх у просторово-часову модель, де кожен датчик — вузол графа, а дороги — ребра.

Чому графові нейромережі ефективніші за LSTM

Традиційні LSTM ігнорують топологію доріг. Графові згортки (GCN) враховують, що швидкість на сусідньому перехресті впливає на поточний. Порівняння підходів:

Порівняльний аналіз на даних міських сенсорів за 12 місяців

Ми використовуємо архітектуру

# TrafficGCN — гібрид GCN та 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, :])

Ключові архітектури — DCRNN, Graph WaveNet, ASTGCN — відрізняються способом урахування часових залежностей. Вибір залежить від розміру графа та горизонту прогнозу.

Як враховувати події?

Трафік нелінійний: після футбольного матчу пік через 30–60 хв, ДТП знижує пропускну здатність на 40–80%, дощ зменшує швидкість на 10–20%. Ми додаємо event-прапори як вхідні ознаки:

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
}

Ці ознаки подаються в модель як future covariates (Temporal Fusion Transformer). Без них точність на аномальних днях падає на 20%.

Як AI оптимізує світлофори?

Традиційні SCOOT/SCATS реагують на поточний трафік без прогнозу. Ми замінюємо їх RL-агентом: action — фазові плани, state — поточні та передбачені швидкості, reward — сумарна затримка по мережі. На коридорі з 10–20 перехресть координація дає «зелену хвилю». Результат — зниження середнього часу поїздки на 10–20% та оптимізація дорожнього руху. Наш RL-агент перевершує SCOOT за зниженням затримок в 1.5 раза. Такі розумні світлофори на базі RL — приклад AI транспортної системи. Для синхронізації фаз використовуємо багатоагентне RL з децентралізованим навчанням.

Як інформувати водіїв?

Прогнози передаються:

• на змінні знаки (час у дорозі, об'їзди),
• push-повідомлення в додатки (навігаційні сервіси),
• API для навігаційних сервісів.

Метрики системи:

Зниження середнього часу поїздки на 10–25% відчутне для кожного водія. Для міста масштабу мільйона це дає суттєву економію суспільних витрат.

Кейс: впровадження в місті на 2 млн жителів (з нашої практики)

Наш клієнт — місто N з населенням 2 млн жителів. Ми розгорнули Graph WaveNet з event-aware шарами. Після калібрування на історичних даних точність MAPE швидкості на 30-хвилинному горизонті склала 7.8% (для звичайних днів) та 10.2% (для подієвих). Система інтегрована з місцевим центром управління рухом через протокол NTCIP 1211. Це дозволило провести аналіз заторів у реальному часі та скоординувати роботу 500 перехресть.

Що входить у розробку?

1. Аудит даних: доступність сенсорів, якість FCD, схема дорожньої мережі.
2. Прототип моделі: LSTM-бейзлайн за 2–3 тижні.
3. GNN + event-aware модель з калібруванням під місто.
4. Інтеграція з контролерами світлофорів та навігаційними сервісами.
5. Документація, навчання операторів, гарантійна підтримка.

Терміни: базовий прогноз — від 5–6 тижнів; повна система — 4–5 місяців. Точна оцінка — після аналізу даних.

Ми гарантуємо точність: MAPE не вище цільових значень на тестовій вибірці. Команда має 5+ років досвіду в ITS та 20+ реалізованих проєктів з прогнозування трафіку. Наші рішення належать до класу AI транспорт і ML транспорт.

Отримайте консультацію щодо архітектури вашої системи. Зв'яжіться з нами для оцінки вашого проєкту — підберемо архітектуру під бюджет та інфраструктуру міста. Замовте попередній аудит даних: ми проаналізуємо доступні сенсори та дамо першу оцінку точності за два тижні.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.