Разработка AI-системы прогнозирования дорожных заторов

Разработка AI-системы прогнозирования дорожных заторов

Прогнозирование трафика — основа интеллектуальных транспортных систем (ITS). Точный прогноз заторов позволяет оптимизировать светофорное управление, информировать водителей и планировать городскую инфраструктуру. ML достигает точности 85-92% для 30-минутного прогноза на конкретном участке дороги.

Источники данных

Сенсорные данные:

• Индукционные петли: количество автомобилей, скорость, занятость полосы
• Видеодетекторы: разные от петель, дают классификацию ТС
• Радарные детекторы (Wavetronix, RTMS)
• Bluetooth/Wi-Fi трекинг: время между точками → скорость

GPS floating car data:

• Яндекс/2ГИС: агрегированные данные о скоростях потока
• Google Maps Traffic: обобщённые данные
• Waze: краудсорсинг инцидентов + GPS треков
• FCD (Floating Car Data) от таксопарков, каршеринга

Инфраструктурные данные:

• Схема дорожной сети (OpenStreetMap, ФДА/РОСДОРНИИ)
• Расположение светофоров и фазовые планы
• Расположение пешеходных переходов, остановок

Пространственно-временные модели

Graph-based модели: Дорожная сеть = граф. Каждый сенсор = узел. Дороги между узлами = рёбра.

Graph Convolutional Network (GCN) для трафика:

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]
        # Применяем GCN к каждому временному шагу
        gcn_out = self.gcn1(x, edge_index, edge_weight).relu()
        gcn_out = self.gcn2(gcn_out, edge_index, edge_weight)
        # LSTM по временному измерению
        lstm_out, _ = self.lstm(gcn_out)
        return self.fc(lstm_out[:, -1, :])

Ключевые архитектуры:

• DCRNN (Diffusion Convolutional RNN): моделирует диффузию трафика по графу
• Graph WaveNet: dilated causal convolutions + adaptive adjacency matrix
• ASTGCN: attention-based spatial-temporal GCN

Событийное прогнозирование

Трафик нелинейно реагирует на события:

Плановые события:

• Футбольный матч/концерт: резкий пик через 30-60 мин после окончания
• Школа: утренний пик в начале и конец занятий
• Рабочий день: стандартный утренний/вечерний пик

Аномальные события:

• ДТП (из Waze/камер): снижение пропускной способности на 40-80%
• Ремонт дороги (из плана)
• Снег/дождь: скоростной режим снижается

Event-aware прогноз:

# Добавляем флаги событий как известные future covariates (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
}

Оптимизация светофорного управления

Прогноз трафика → адаптивное управление светофорами:

SCOOT/SCATS (традиционные): реагируют на детекторы в реальном времени, но без прогноза.

AI-управление: RL-агент, где action = фазовые планы светофоров. State = текущие и предсказанные скорости потоков. Reward = минимизация суммарного задержки по сети.

Multi-intersection coordination: При координации 10-20 перекрёстков на коридоре → "зелёная волна" — согласование фаз. RL значительно превосходит фиксированное время фаз.

Информирование водителей

Переменные знаки (VMS):

• Прогноз времени в пути на 15/30/60 мин
• Рекомендуемые объездные маршруты
• Предупреждения об инцидентах

Мобильные приложения:

• Push-уведомления при аномальном трафике
• Персонализированные маршруты на основе истории поездок и текущего прогноза

Интеграция с навигацией: API для Яндекс.Навигатора, 2ГИС, Google Maps — передача прогнозных данных о заторах для динамического роутинга.

Метрики системы:

• MAPE скорости потока: < 10% для 15-минутного горизонта
• MAPE времени в пути: < 12% для 30-минутного горизонта
• Incident detection latency: < 5 минут от факта до алерта
• Savings: снижение среднего времени поездки при управлении светофорами

Сроки: базовый прогноз трафика с LSTM на исторических данных — 5-6 недель. GNN-модель + event-aware прогноз + светофорное управление — 4-5 месяцев.