МОСКВА, 18 ноя — РИА Новости. Получать прогнозы количества автомобилей на дорогах с ошибкой всего шесть процентов позволит новая цифровая система, созданная в ДГТУ. Программа способна самостоятельно определять наиболее важные факторы, влияющие на трафик. Результаты представлены в Smart Cities.
У моделей, которые в настоящее время используются для прогнозирования количества машин на дорогах, ошибка может достигать 25–30 процентов: то есть, если программа предсказывает одновременное появление 100 машин, то в реальности может проехать 70-130 автомобилей, рассказала доцент кафедры "Организация перевозок и дорожного движения" Донского государственного технического университета (ДГТУ) Анастасия Феофилова. По словам специалиста, последствия такого существенного расхождения — заторы на светофорах и перед сужениями трасс, а также неэффективные транспортные решения по управлению дорожным движением.
"Допустим, светофор запрограммирован пропускать 100 автомобилей за один цикл. Но когда фактически прибывает 130 машин, на участке возникает перегрузка. 30 автомобилей вынуждены ждать следующего цикла, создавая цепную реакцию затора. На следующий цикл к этим 30 машинам добавятся другие автомобили, и всего за 20–30 минут на ровном месте образуется серьезный затор", — объяснила Феофилова.
Специалисты ДГТУ разработали систему предсказания ситуации на дорогах, которая в 4–5 раз точнее современных моделей прогнозирует трафик на отдельных участках проезжей части в зависимости от разных факторов.
"Средняя точность нашей программы составляет шесть процентов: если мы ожидаем 100 машин, то проедет от 94 до 106. Еще модель учитывает "исторические" данные, чтобы выявлять закономерности — например, ежедневные пиковые
нагрузки в утренние и вечерние часы. Помнит, что по утрам люди едут на работу, а вечером — с работы, и учитывает эти ежедневные и еженедельные циклы", — добавила специалист.
нагрузки в утренние и вечерние часы. Помнит, что по утрам люди едут на работу, а вечером — с работы, и учитывает эти ежедневные и еженедельные циклы", — добавила специалист.
В новой модели заложен принцип приоритетности данных: если внезапно пошел снег или произошла авария, она понимает, что эта информация сейчас важнее, чем обычное расписание.
"Модель основана на универсальных принципах анализа данных. Она не привязана к правилам дорожного движения или географии города. Чтобы адаптировать ее для Ростова-на-Дону, Москвы, Пекина или любого другого города, достаточно "обучить" ее на местных исторических данных о дорожном движении", — рассказала Феофилова.
Универсальность и точность алгоритма обеспечивают четыре компонента: сверточные нейронные сети, рекуррентные нейронные сети с долгой краткосрочной памятью, механизм внимания и алгоритм оптимизации. Каждая составляющая программы отвечает за отдельную "часть" прогноза: анализ пространственных данных, выделение наиболее важной информации, настройку параметров модели и анализ временных рядов и закономерностей.
В будущем специалисты планируют расширить список факторов, которые модель будет учитывать, а также адаптировать систему для разработки стратегий управления дорожным движением.