Хочете дізнатися, як "штучний інтелект прогнозує трафік у годину пік"? Поглибимося в цю статтю разом із INVIAI, щоб знайти відповідь!
У великих містах автомагістралі та вулиці часто перетворюються на стоянки в годину пік – це розчаровуюча та затратна проблема. За оцінками, затори коштують багатьом економікам близько 2% ВВП. Наприклад, у США середній водій втрачає приблизно 43 години на рік, стоячи в заторах.
Цей втрачений час також означає мільярди доларів втраченої продуктивності, додаткове спалювання пального та більше забруднення і стресу для здоров’я людей.
Щоб подолати цю проблему, транспортні планувальники звертаються до штучного інтелекту. Завдяки прогнозуванню місць і часу виникнення заторів, системи ШІ прагнуть згладити рух ще до початку уповільнення.
Сучасні прогнози трафіку на основі ШІ спираються на великі дані. Вони збирають величезні потоки інформації про дороги: кількість і швидкість із сенсорів і камер, GPS-треки зі смартфонів і транспортних засобів, а також зовнішні фактори, такі як погода чи спеціальні події.
Наприклад, камери спостереження та GPS-пристрої передають живі дані, які ШІ аналізує разом із історичними патернами тих самих доріг.
Це дозволяє моделі «знати», що певний відрізок автомагістралі зазвичай уповільнюється вранці в будні дні або що концерт у центрі міста призведе до збільшення автомобілів на певних вулицях. На практиці системи, як-от Google Maps, поєднують поточні показники трафіку з багаторічними трендами, щоб прогнозувати умови руху за 10–50 хвилин наперед.
Фактично, ШІ ставить запитання: «Враховуючи те, що відбувається зараз і що зазвичай відбувається в цей час, яким буде трафік найближчим часом?»
Основні джерела даних для моделей трафіку на основі ШІ включають:
- Історичні дані про трафік: швидкість і обсяги руху на кожній дорозі за часом доби та тижня.
- Живі потоки: реальні дані про кількість і швидкість транспортних засобів із дорожніх сенсорів, камер спостереження та GPS-пристроїв.
- Зовнішня інформація: прогнози погоди, повідомлення про аварії чи ремонтні роботи, а також розклад спеціальних подій.
- Алгоритми машинного навчання: моделі (наприклад, нейронні мережі), які вивчають складні патерни на основі усіх цих даних.
Моделі ШІ обробляють ці дані за допомогою передових методів. Традиційні статистичні підходи не справляються з масштабом і мінливістю міського трафіку, тому дослідники використовують глибинне навчання.
Наприклад, рекурентні нейронні мережі (RNN) або згорткові мережі можуть відстежувати зміни трафіку з часом, а графові нейронні мережі (GNN) враховують структуру дорожньої мережі.
У системі Google близькі ділянки доріг об’єднують у «суперсегменти», і GNN навчається на даних трафіку для прогнозування часу проїзду кожного з них. Прогнозовані часи прибуття (ETA) використовуються для ранжування можливих маршрутів. Нижче наведена схема цього процесу:
Процес прогнозування трафіку Google: анонімізовані дані про маршрути та швидкість групуються у суперсегменти, обробляються графовою нейронною мережею для прогнозування часу проїзду, а потім використовуються для ранжування маршрутів за ETA.
Практичне застосування
Прогнозування трафіку на основі ШІ вже використовується технологічними компаніями та містами по всьому світу. Наприклад, Google Maps інтегрує живі дані користувачів і моделі ШІ для прогнозування заторів.
Вона «пам’ятає», що певна автомагістраль зазвичай уповільнюється з 6 до 7 ранку, а потім поєднує цю історію з поточними швидкостями, щоб передбачити майбутні умови.
Лабораторія DeepMind (ШІ Google) повідомляє, що вдосконалені моделі машинного навчання (з використанням GNN) підвищили точність ETA до 50% у містах, таких як Тайчжун і Сідней. Після оновлення понад 97% прогнозів ETA були дуже точними.
Інакше кажучи, якщо ШІ прогнозує, що ваш маршрут займе 30 хвилин, це майже завжди так і є.
Інші комерційні платформи використовують подібні підходи. Аналітична компанія INRIX стверджує, що її ШІ може «прогнозувати швидкість руху в реальному часі на всіх дорогах», аналізуючи десятиліття даних.
Inrix використовує досягнення ШІ та хмарних обчислень, щоб охопити навіть менші вулиці, які традиційні сенсори не фіксують.
Навігаційні додатки, як-от Waze (Google) і Apple Maps, також застосовують GPS-дані від користувачів і ШІ, щоб попереджати водіїв про майбутні уповільнення, іноді пропонуючи об’їзди ще до виникнення затору.
Міста та транспортні агентства також впроваджують ШІ. Наприклад, у Белв’ю, штат Вашингтон, камери на 40 перехрестях передають живе відео в систему ШІ, яка в режимі реального часу виявляє «гарячі точки» заторів.
У Данії міські системи використовують ШІ для обробки обсягів трафіку та автоматичного регулювання сигналів світлофорів залежно від поточного потоку.
Навіть класичні світлофори стають розумнішими: у Піттсбурзі та Лос-Анджелесі вже встановлені адаптивні сигнали на основі ШІ, які регулюють світло в режимі реального часу, скорочуючи час простою і підтримуючи рух автомобілів. Дослідницькі проєкти тривають по всьому світу.
Європейсько-японське співробітництво тестує систему глибинного навчання TRALICO, яка одночасно прогнозує затори і керує світлофорами в Стамбулі.
Усі ці реальні впровадження мають на меті заздалегідь прогнозувати затори, щоб планувальники могли вчасно реагувати до появи затримок.
Переваги для водіїв і міст
Вигода від точних прогнозів трафіку величезна. Для окремих водіїв ШІ означає більш надійні часи поїздок і менше часу, витраченого на стояння в заторах.
Додатки можуть попередити вас ще до виїзду, якщо дорога скоро заб’ється, або перенаправити на об’їзд, щоб уникнути уповільнень.
Дослідження свідчать, що це може заощадити водіям години щотижня. Крім того, ШІ допомагає зменшити витрати пального — менше простоїв на світлофорах і повільного руху означає менше спаленого бензину.
Один із проєктів Google AI повідомляє про зменшення зупинок транспортних засобів на 30% і скорочення викидів пального на 10% на жвавих перехрестях.
На рівні міста більш плавний рух означає менше забруднення і економічні вигоди. Менше часу в заторах — вища продуктивність, менший стрес під час поїздок і чистіше повітря.
Коротко кажучи, прогнози на основі ШІ допомагають людям приймати кращі рішення щодо маршрутів і допомагають містам проектувати ефективніші дорожні мережі.
Виклики та перспективи
Створення прогнозів трафіку на основі ШІ має свої труднощі. Збір і обробка таких великих обсягів даних може бути дорогим — містам доводиться інвестувати в сенсори, камери та обчислювальну інфраструктуру.
Інтеграція ШІ в існуючі системи управління трафіком складна, а персонал потребує навчання роботі з новими інструментами.
Існують також побоювання щодо конфіденційності даних і упереджень. Великі набори геолокаційних даних потрібно надійно захищати, а моделі можуть помилятися, якщо їх навчальні дані мають прогалини (наприклад, недостатньо даних про сільські дороги).
Кібербезпека — ще одна проблема: підключені системи трафіку можуть стати мішенню для хакерів, тому потрібні надійні заходи захисту.
Попри ці виклики, експерти налаштовані оптимістично. Управління трафіком за допомогою ШІ ще на початковому етапі, і є великий потенціал для розвитку. Дослідники бачать перспективи у створенні моделей, які адаптуються в реальному часі до раптових подій (наприклад, завершення спортивного заходу) і масштабуванні рішень на сільські території.
Інноваційна ідея — використовувати великі мовні моделі (як-от ті, що лежать в основі ChatGPT) для додавання контексту до прогнозів. Наприклад, новий метод дозволяє ШІ «розуміти» письмову інформацію про закриття доріг або події і враховувати це у прогнозах.
Незабаром системи ШІ можуть інтегрувати звіти про трафік із соціальних мереж або новин у реальному часі, роблячи прогнози ще точнішими.
>>> Натисніть, щоб дізнатися як: Штучний інтелект оптимізує маршрути автобусів для скорочення часу очікування
Підсумовуючи, штучний інтелект змінює підхід до проблеми трафіку в годину пік. Вивчаючи великі історичні тренди та поточні умови на дорогах, системи ШІ можуть заглянути за ріг і оцінити, де виникнуть затори.
Це дає водіям і містам цінний запас часу для регулювання світлофорів, перенаправлення транспорту або коригування графіків до появи заторів.
З подальшим розвитком і ретельним впровадженням прогнозування трафіку на основі ШІ обіцяє зробити наші поїздки коротшими, чистішими та менш стресовими.
