Минобрнауки России
🚗 Ученые научили ИИ предвидеть «эффект домино» на дорогах
Специалисты Московского автомобильно-дорожного государственного технического университета (МАДИ) представили прорывной метод прогнозирования дорожных заторов. Новая разработка позволяет нейросетям учитывать каскадные эффекты — когда пробка на одной улице цепной реакцией парализует движение на соседних магистралях.
✍ В чем суть метода?
Традиционные нейросети начинают обучение «с нуля», методом проб и ошибок подбирая параметры без понимания структуры городских дорог. Ученые МАДИ предложили иной подход: перед запуском алгоритма они анализируют транспортный граф города, выявляя все прямые и косвенные связи между участками. На основе этого рассчитываются специальные показатели — «транзитивные числа», которые аккумулируют данные о доступности узлов, задержках и вероятности распространения заторов. Эти значения сразу закладываются в начальную архитектуру модели.
📊 Что это дает?
Тестирование на архитектуре DeepNet Transformer подтвердило:
✅ Скорость — выход на рабочие показатели происходит значительно быстрее базовых алгоритмов.
✅ Точность — прогнозы стали точнее благодаря учету косвенных влияний перегруженных участков.
✅ Стабильность — метод предотвращает «затухание» или «взрывной рост» градиентов в условиях реального дорожного шума, обеспечивая надежную работу глубоких нейросетей.
Разработка уже доказала свою эффективность и может стать основой для интеллектуальных транспортных систем будущего, помогая городам оперативно перераспределять потоки и снижать остроту транспортного коллапса. Если у вас установлено приложение,
вы можете сразу перейти в канал