В Ростове-на-Дону представили инновационного дорожного "оракула"
Ростов-на-Дону , 18 ноября - DIXINEWS.
Созданная в ДГТУ новая цифровая система позволяет прогнозировать количество автомобилей на дорогах с погрешностью всего в шесть процентов. Программа самостоятельно определяет ключевые факторы, оказывающие влияние на трафик. Эти результаты стали предметом статьи в издании Smart Cities.
Доцент кафедры "Организация перевозок и дорожного движения" Донского государственного технического университета (ДГТУ) Анастасия Феофилова объяснила, что модели, используемые сейчас для предсказания транспортного потока, имеют ошибку до 25–30 процентов. То есть, при прогнозе на 100 автомобилей, на дороге может оказаться от 70 до 130 машин. Специалист отметила: »
«Последствия такого значительного расхождения включают заторы на светофорах и перед сужениями трасс, а также неэффективные решения по управлению дорожным движением, - утверждает Феофилова. - Например, светофор настроен на пропуск 100 машин за один цикл. Но если фактически приезжает 130 автомобилей, на участке образуется перегрузка. Эти 30 машин вынуждены ожидать следующего цикла, что запускает цепную реакцию заторов. Уже через 20–30 минут на ровном месте возникает серьезный затор», - пояснила специалист.
Специалисты из ДГТУ создали систему прогнозирования дорожной обстановки, превосходящую по точности современные модели в 4–5 раз. Она анализирует трафик на определённых участках дороги с учётом различных факторов.
«Наша программа обладает средней точностью в 6%: например, если прогнозируется проезд 100 машин, фактически проезжает от 94 до 106 автомобилей. Модель также использует "исторические" данные для выявления закономерностей, таких как ежедневные пики нагрузки утром и вечером. Она запоминает, что утром люди направляются на работу, а вечером возвращаются домой, учитывая эти циклы», — отметила специалист.
Новая модель основывается на принципе приоритета данных: когда, например, идет снег или случилась авария, она понимает, что такая информация важнее, чем стандартное расписание.
«Модель базируется на универсальных принципах анализа данных и не связана с правилами дорожного движения или географическими особенностями. Чтобы использовать её в Ростове-на-Дону, Москве, Пекине или других городах, нужно "обучить" систему на местных исторических данных», — объяснила Феофилова.
Алгоритм системы отличается универсальностью и точностью благодаря четырём компонентам: сверточные нейронные сети, рекуррентные нейронные сети с долгой краткосрочной памятью, механизм внимания и алгоритм оптимизации. Каждая из составляющих программы отвечает за специфическую часть прогноза: анализ пространственных данных, выделение важной информации, настройку параметров и изучение временных рядов и закономерностей.
В дальнейшем планируется расширить список исследуемых факторов и адаптировать систему для разработки стратегий управления дорожным движением.
