AI-система для прогнозування дорожних затварів
Прогнозування трафіку — основа інтелектуальних транспортних систем (ITS). Точне прогнозування затварів дозволяє оптимізувати керування світлофорами, інформувати водіїв та планувати міську інфраструктуру. ML досягає точності 85-92% для 30-хвилинних прогнозів на конкретних дорожних ділянках.
Джерела даних
Дані датчиків:
- Індукційні петлі: кількість автомобілів, швидкість, зайнятість смуги
- Відеодетектори: відрізняються від петель, забезпечують класифікацію ТЗ
- Радарні детектори (Wavetronix, RTMS)
- Bluetooth/Wi-Fi відслідковування: час між точками → швидкість
GPS дані плаваючих автомобілів:
- Yandex/2GIS: агреговані дані про швидкість потоку
- Google Maps Traffic: узагальнені дані
- Waze: краудсорсинг повідомлень про інциденти + GPS треки
- FCD (Floating Car Data) від таксопарків та каршерингу
Інфраструктурні дані:
- Топологія дорожної мережі (OpenStreetMap, органи управління дорогами)
- Розташування світлофорів та плани фаз
- Розташування пішохідних переходів і зупинок
Просторово-часові моделі
Моделі на основі графів: Дорожна мережа = граф. Кожен датчик = вузол. Дороги між вузлами = ребра.
Graph Convolutional Network (GCN) для трафіку:
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]
# Застосуйте GCN до кожного часового кроку
gcn_out = self.gcn1(x, edge_index, edge_weight).relu()
gcn_out = self.gcn2(gcn_out, edge_index, edge_weight)
# LSTM вздовж часового виміру
lstm_out, _ = self.lstm(gcn_out)
return self.fc(lstm_out[:, -1, :])
Ключові архітектури:
- DCRNN (Diffusion Convolutional RNN): моделює дифузію трафіку по графу
- Graph WaveNet: розширені причинні згортки + адаптивна матриця суміжності
- ASTGCN: увага-базована просторово-часова GCN
Прогнозування на основі подій
Трафік відповідає нелінійно на події:
Планові події:
- Футбольний матч/концерт: різкий стрибок через 30-60 хв після закінчення
- Школа: ранкова пік на початку та в кінці уроків
- Робочий день: стандартна ранкова/вечірня пік
Аномальні події:
- Аварії (від Waze/камер): зменшення пропускної спроможності на 40-80%
- Ремонт дороги (за графіком)
- Сніг/дощ: скоростей режим зменшується
Прогноз з урахуванням подій:
# Додайте прапори подій як відомі майбутні коваріати (TFT)
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
}
Оптимізація керування світлофорами
Прогноз трафіку → адаптивне керування сигналами:
SCOOT/SCATS (Традиційні): реагують на детектори в реальному часі, але без прогнозу.
Керування на основі AI: RL агент, де дія = плани фаз сигналу. Стан = поточні та прогнозовані швидкості потоків. Винагорода = мінімізація загального затримування в мережі.
Координація багатьох перехресть: Координація 10-20 перехресть на коридорі → "зелена хвиля" — синхронізація фаз. RL значно перевищує фіксований час фаз.
Інформація водіям
Змінні знаки (VMS):
- Прогноз часу в дорозі на 15/30/60 хв
- Рекомендовані об'їзні маршрути
- Повідомлення про інциденти
Мобільні додатки:
- Push-повідомлення при аномальному трафіку
- Персоналізовані маршрути на основі історії поїздок та поточного прогнозу
Інтеграція з навігацією: API для Yandex Navigator, 2GIS, Google Maps — передача прогнозних даних про затвари для динамічної маршрутизації.
Метрики системи:
- MAPE швидкості потоку: < 10% для 15-хвилинного горизонту
- MAPE часу в дорозі: < 12% для 30-хвилинного горизонту
- Затримка виявлення інцидентів: < 5 хвилин від події до оповіщення
- Економія: скорочення середнього часу поїздки при керуванні сигналами
Часова шкала: базовий прогноз трафіку з LSTM на історичних даних — 5-6 тижнів. Модель GNN + прогноз з урахуванням подій + керування сигналами — 4-5 місяців.