Метод предиктивного управления транспортными потоками на основе краткосрочного прогнозирования с использованием легковесных моделей машинного обучения в условиях умного города

Введение

Современные городские транспортные системы функционируют в условиях постоянного роста плотности транспортных потоков, что приводит к увеличению времени задержек, росту уровня загрязнения окружающей среды и снижению общей эффективности городской мобильности. В условиях урбанизации и увеличения числа транспортных средств традиционные методы управления дорожным движением, основанные на фиксированных временных циклах светофорного регулирования, демонстрируют ограниченную адаптивность к динамически изменяющимся условиям.

Развитие интеллектуальных транспортных систем (ITS) и интеграция технологий искусственного интеллекта позволяют перейти от реактивных моделей управления к проактивным стратегиям, основанным на прогнозировании транспортной ситуации. Однако применение сложных глубоких нейронных сетей в реальной городской инфраструктуре зачастую сопряжено с высокой вычислительной нагрузкой, требованиями к оборудованию и ограничениями по масштабируемости.

В этой связи актуальной задачей является разработка методов предиктивного управления транспортными потоками, основанных на краткосрочном прогнозировании с использованием легковесных моделей машинного обучения, обеспечивающих баланс между точностью и вычислительной эффективностью.

Целью данной работы является разработка метода предиктивного управления транспортными потоками, основанного на краткосрочном прогнозировании интенсивности движения с использованием ресурсоэффективных моделей машинного обучения.

Анализ существующих подходов

Существующие методы управления транспортными потоками можно условно разделить на три основные категории:

1. Фиксированные системы управления, использующие заранее заданные циклы светофорного регулирования. Такие системы не учитывают текущую ситуацию на дороге и характеризуются низкой адаптивностью.
2. Адаптивные системы, основанные на анализе текущих данных (например, системы типа SCOOT или SCATS), которые изменяют параметры светофорного регулирования в реальном времени. Несмотря на более высокую эффективность, данные системы остаются реактивными и не учитывают будущие изменения.
3. Интеллектуальные системы с использованием машинного обучения, включающие методы глубокого обучения, такие как рекуррентные нейронные сети (LSTM) и сверточные нейронные сети (CNN). Эти подходы позволяют прогнозировать транспортные потоки, однако требуют значительных вычислительных ресурсов.

Основным недостатком современных интеллектуальных систем является их высокая вычислительная сложность и зависимость от централизованных вычислительных мощностей, что ограничивает их применение в условиях городской инфраструктуры с ограниченными ресурсами.

Предлагаемый метод

В рамках данной работы предлагается метод предиктивного управления транспортными потоками, включающий три ключевых компонента:

Сбор и предварительная обработка данных

Данные о транспортных потоках формируются на основе:

• видеопотоков с камер наблюдения;
• данных дорожных сенсоров;
• исторических данных о загруженности.

Для обработки видеоданных используются облегчённые модели компьютерного зрения (например, MobileNet), обеспечивающие детекцию транспортных средств с минимальной задержкой.

После детекции формируются временные ряды, отражающие:

• интенсивность потока (авто/мин);
• среднюю скорость;
• плотность движения.

Краткосрочное прогнозирование

Для прогнозирования транспортной ситуации на горизонте 5–15 минут предлагается использовать легковесные модели, такие как:

• LightGBM;
• упрощённые нейронные сети;
• линейные регрессионные модели с временными лагами.

Модель обучается на исторических данных и текущих параметрах, включая:

• время суток;
• день недели;
• текущую интенсивность потока;
• погодные условия (при наличии).

Результатом является прогноз значения загруженности перекрёстка в ближайшем временном интервале.

Предиктивное управление

В отличие от традиционных систем, предлагаемый метод использует прогноз как управляющий сигнал.

Алгоритм управления включает:

1. Получение прогноза загрузки;
2. Определение оптимальной длительности фаз светофора;
3. Корректировку сигналов до наступления перегрузки.

Таким образом, система не реагирует на уже возникший затор, а предотвращает его формирование.

Научная новизна

Научная новизна предлагаемого подхода заключается в следующем:

1. Разработан метод предиктивного управления транспортными потоками, основанный на краткосрочном прогнозировании, а не реактивном анализе.
2. Предложено использование легковесных моделей машинного обучения, обеспечивающих возможность внедрения на уровне периферийных устройств (edge computing).
3. Введена архитектура, объединяющая компьютерное зрение и временные модели прогнозирования в единую систему управления.
4. Обоснована возможность повышения эффективности управления перекрёстками без использования ресурсоёмких нейросетевых моделей.

Практическая значимость

Предлагаемый метод может быть применён в условиях городской транспортной инфраструктуры, в том числе в городах с ограниченными вычислительными ресурсами.

Основные преимущества:

• снижение времени задержек на перекрёстках;
• уменьшение вероятности образования заторов;
• снижение нагрузки на центральные вычислительные системы;
• возможность масштабирования системы на уровне города.

Особую актуальность метод представляет для внедрения в транспортной системе города Баку, где наблюдается рост транспортной нагрузки и необходимость модернизации инфраструктуры управления движением.

Заключение

В работе предложен метод предиктивного управления транспортными потоками, основанный на краткосрочном прогнозировании с использованием легковесных моделей машинного обучения. В отличие от существующих подходов, предлагаемый метод позволяет перейти от реактивного к проактивному управлению, что способствует повышению эффективности транспортной системы.

Полученные результаты подтверждают перспективность использования ресурсоэффективных моделей искусственного интеллекта в интеллектуальных транспортных системах умного города. Дальнейшие исследования могут быть направлены на интеграцию предложенного метода в реальные городские условия и проведение экспериментальной оценки его эффективности.