Создан ИИ, который прогнозирует пробки и показывает их на карте
Исследователи Нью-Йоркского университета разработали систему, которая прогнозирует изменения дорожного движения и показывает места скопления машин на карте. Работа опубликована в специальном выпуске журнала Transactions in GIS, посвященном объяснимому и этичному GeoAI — искусственному интеллекту для работы с географическими данными.
Систему обучили на 15 годах данных о движении в Нью-Йорке. Она объединяет сразу несколько инструментов: модель для прогноза трафика, карту с зонами повышенной нагрузки и локальную языковую модель, которая позволяет задавать системе вопросы обычным языком.
Нейросеть обошла классический прогноз
Для прогнозирования исследователи сравнили два подхода. Первый — ARIMA, статистический метод, который хорошо работает с повторяющимися сезонными изменениями. Второй — нейросеть LSTM, способная находить более сложные зависимости в длинных последовательностях данных.
На данных, которые модель раньше не видела, за период с 2021 по 2024 год LSTM показала среднюю ошибку около 343 автомобилей в сутки. У ARIMA этот показатель составил примерно 418 автомобилей. Таким образом, нейросеть снизила среднюю ошибку примерно на 18%.
Модель также спрогнозировала рост среднего суточного трафика с 12 540 автомобилей в 2025 году до 19 680 в 2029-м. Исследователи подчеркивают, что это именно прогноз, а не точное предсказание будущего.
«ARIMA учитывает сезонность, и это действительно важно, но она не объясняет всю картину. LSTM находит части закономерности, которые не повторяются идеально, и именно это дало большую часть улучшения», — рассказал участник проекта Пранава Нитин Мотарвар.
Где пробки появляются чаще всего
Одного прогноза общего числа автомобилей недостаточно, поэтому исследователи добавили пространственный анализ. Данные перенесли на карту Uber H3 — систему, которая разбивает территорию на шестиугольные ячейки разного размера.
Так можно рассматривать дорожную нагрузку на разных уровнях, от целых районов до отдельных участков. Алгоритмы кластеризации затем находят зоны, где интенсивное движение регулярно повторяется.
В исследовании самым загруженным районом оказался Манхэттен, за ним следовали Бруклин и Куинс.
«Средний показатель по всему городу мало что дает городским планировщикам. Им нужно знать, какие транспортные коридоры испытывают наибольшую нагрузку. Оказывается, эти участки из года в год остаются примерно одними и теми же», — объяснил Рудра Патил.
Систему можно спросить о будущем
На последнем этапе прогнозы и карты подключили к локальной языковой модели LLaMA от Meta. Она получила доступ к специальной базе с данными проекта и стала интерфейсом для работы с результатами.
Например, планировщик может спросить, как расширение дороги возле аэропорта Ла-Гуардия способно повлиять на движение в Куинсе или что произойдет с трафиком Нижнего Манхэттена после перевода улиц с одностороннего движения на двустороннее.
При этом система рассчитана на работу внутри самой организации. Данные можно хранить за собственным межсетевым экраном, не передавая их коммерческим чат-ботам.
«Мы начали с идеи создать собственную ИИ-платформу, которую можно разместить локально, сделать безопасной и удобной для ежедневной работы планировщиков», — сказал руководитель проекта Антон Рожков.
Исследователи пока не заявляют, что система способна самостоятельно решать транспортные проблемы. Ее не тестировали в крупных реальных проектах с городскими планировщиками. Сейчас это скорее единый инструмент, который связывает прогнозирование, карты и ИИ с данными конкретного города.
