Ученые Пермского Политеха разработали уникальный инструмент для контроля за дорожным движением

 Транспортные заторы в крупных городах давно перестали быть просто неприятностью: они не только снижают качество жизни миллионов людей, но и являются угрозой для экологии. Сегодня городские службы борются с ними с помощью данных о средней скорости и плотности потока настраивают светофоры, проектируют развязки, регулируют движение. Но такой подход не позволяет предсказывать пробку заранее, а значит, не дает возможности вовремя повлиять на ситуацию и предотвратить ее. Ученые Пермского Политеха создали инструмент, который позволяет прогнозировать автомобильный затор до его возникновения. Предложенный инструмент уникален и не имеет аналогов в России и за рубежом.

Статья опубликована в журнале «Интеллект. Инновации. Инвестиции». Исследование проведено в рамках программы «Приоритет 2030».

Современные мегаполисы по всему миру сталкиваются с загруженностью дорог. Транспортные заторы сегодня стали ежедневной неприятностью для миллионов водителей. Пробки могут возникать по множеству причин: это и несоответствие пропускной способности улично-дорожной сети растущим потокам автомобилей, и последствия мелких ДТП, погодные условия, а также неудачно настроенные светофоры. Любое незначительное событие в час пик способно вызвать эффект домино и обернуться многокилометровым затором.

Последствия образования пробок выходят за рамки потерянного времени и испорченного настроения. Транспорт остается одним из главных источников загрязнения воздуха в городах: газы, содержащие оксиды углерода и азота, напрямую влияют на здоровье населения, провоцируя рост респираторных и сердечно-сосудистых заболеваний. А огромное количество отработавших газов от стоящих автомобилей напрямую влияет на климат, усугубляя глобальное потепление. К этому добавляется и постоянное шумовое воздействие, которое, как доказано, снижает качество жизни и продуктивность жителей районов, прилегающих к оживленным магистралям.

Сегодня для анализа трафика используются в основном традиционные методы, фиксирующие среднюю скорость, плотность и интенсивность потока. На их основе настраивают работу светофоров, проектируют развязки, рассчитывают пропускную способность магистралей. Ключевая проблема заключается в том, что эти системы управления не учитывают возможность образования пробки.

Из-за этого при возникновении затора транспортных средств светофоры работают неэффективно, развязки проектируются без понимания реальных сценариев движения, а выхлопные газы и шум продолжают ухудшать качество жизни во многих районах. В итоге пробки перестают быть случайностью и становятся хронической проблемой, которая влияет на самые разные аспекты городской жизни.

Ученые Пермского Политеха создали инструмент, который позволяет прогнозировать возникновение транспортного затора при появлении самых первых признаков его формирования. Разработка позволит эффективнее управлять работой светофоров и снизить вероятность пробок на улично-дорожной сети без строительства новых дорог. Предложенный инструмент уникален для России и не имеет зарубежных аналогов.

Для исследования использовались данные с уличных комплексов фото- и видеофиксации, которые уже установлены на дорогах. Именно они стали главным источником информации, поскольку фиксируют каждую машину, позволяя отслеживать интенсивность потока в режиме реального времени.

Ученые ПНИПУ собрали и проанализировали данные с камер на разных участках улично-дорожной сети за продолжительное время (месяцы и годы). На основе этих наблюдений выделены основные составляющие трафика. Первая — предсказуемая: утренние и вечерние часы пик, разница между рабочими и выходными днями. Вторая — случайная: хаотичные колебания скорости, отдельные замедления и ускорения машин, которые и приводят к неожиданным пробкам.

Чтобы отделить случайные данные от тех, что действительно предвещают пробку, и их распознавать, разработана методика и компьютерная программа по обработке поступающей информации. Она анализирует данные с камер и оценивает ситуацию сразу с нескольких сторон. Сначала программа изучает информацию за разные промежутки времени — от нескольких минут до часа. Это позволяет увидеть не только общую картину, но и самые мелкие изменения в движении: моменты, когда машины начинают чуть чаще притормаживать или, наоборот, ускоряться.

Затем она оценивает, насколько поток загружен и насколько он чувствителен к случайным событиям. Вычисляется специальный показатель, который показывает, сколько времени в среднем затрачивают автомобили на движение между рубежами контроля. Если показатель соответствует среднесуточному значению, значит случайные изменения ни на что не влияют. Но если показатель превышает его, любое неосторожное нажатие на тормоз может остановить движение.

Результат работы модели — это график, который показывает, как меняется среднее время проезда за 5-15-30 минут. Для оценки полученных данных ученые определили четыре состояния потока автомобилей, для каждого из которых есть свои критические значения времени. Таким образом, по графику можно определить, что происходит на дороге в любой момент времени: свободное движение, начало затора, его развитие или сформировавшаяся пробка.

Кроме того, предложенный показатель оценивает, насколько поток склонен к заторам, то есть прогнозирует вероятность образования пробки в среднем за 20-40 минут до того, как она успеет сформироваться. На графике это видно по тому, насколько быстро увеличивается среднее время проезда дорожного участка.

— Тестирование методики проходило на реальных дорогах одного из городов России с использованием данных с комплексов фото- и видеофиксации. Для эксперимента мы выбрали несколько перекрестков и участков улично-дорожной сети с разной загруженностью — от относительно свободных до тех, где автомобильные заторы случаются регулярно. Программное обеспечение в режиме реального времени обрабатывало поступающую информацию: сколько машин проехало, с какой скоростью, с какими интервалами. Чтобы дать прогноз о вероятности заторовой ситуации, оно непрерывно анализировало данные, и на основе расчетов за последние 15–20 минут оценивала возможность образования затора: этого времени достаточно, чтобы заметить зарождающуюся тенденцию. В результате тестирования программа выдавала оценку состояния дорожной ситуации с учетом времени проезда: насколько дольше машины сейчас преодолевают участок по сравнению с обычным временем (без затора), — рассказал Михаил Бояршинов, доктор технических наук, профессор кафедры «Автомобили и технологические машины» ПНИПУ.

Полученные результаты подтвердили работоспособность программы. На загруженных участках она фиксировала, что поток начинает терять устойчивость, а вероятность образования пробки росла еще до того, как водители начинали тормозить. Кроме того, она выдавала конкретные состояния транспортного потока на основе отклонения времени проезда от нормы.

— Чтобы убедиться в корректности расчетов, мы сопоставили свои данные с информацией сервиса «Яндекс.Пробки» для тех же перекрестков и временных промежутков. Совпадение оказалось полным: статусы, которые выдавала наша программа, соответствовали баллам пробок в реальном времени. Когда методика фиксировала «высокий риск» или «затор», на картах Яндекса в этом же месте и в это же время отображались красные и бордовые участки. Это подтвердило, что предложенные математические критерии адекватно отражают реальную дорожную обстановку и могут использоваться как надежный инструмент для контроля за движением, — отметил Михаил Бояршинов.

Но в отличие от сервиса, который лишь фиксирует уже сложившуюся ситуацию на основе данных от навигаторов, разработка ученых ПНИПУ позволяет заблаговременно оценивать риск образования затора, еще до того, как он визуально проявится на картах. Важно, что данные «Яндекс.Пробок» собираются от водителей с включенными навигаторами — это значит, что они могут быть неполными и запаздывать. Это значит, что для математического моделирования и прогнозирования такие данные следует использовать с осторожностью.

В итоге, чтобы воспользоваться инструментом, нужны только данные с дорожных камер. Они автоматически смогут передавать информацию о скорости и интенсивности потока в программу. Специалист выберет интересующий участок дороги и временной промежуток и увидит, образуется ли там затор, в какой момент и как быстро.

Предложенная методика предназначена в первую очередь для городских служб, транспортных инженеров и проектировщиков, отвечающих за организацию дорожного движения. Результаты расчетов можно использовать, например, для оптимизации настройки светофоров. Это дает возможность заранее выявлять вероятность образования пробок на конкретных участках. Например, если методика покажет, что на перекрестке через 10–15 минут начнет формироваться затор, службы могут в реальном времени увеличить время разрешающего сигнала для проблемного направления или направить регулировщика, чтобы перераспределять поток. Особенно актуально применение методики при дорожных ремонтах и строительстве, когда не известно, как изменится ситуация на дорогах. Это позволит вовремя принять меры: оценить, где именно необходимы дополнительные полосы или развязки, и нужно ли иначе настроить светофор, чтобы минимизировать риск аварий и избежать перегрузки дорог.

В результате ученые получили работающий инструмент, который умеет распознавать предзаторовые состояния еще до того, как пробка успевает сформироваться. Созданная методика сегодня не имеет готовых аналогов и полностью отечественная, что делает ее перспективной для импортозамещения в сфере интеллектуальных транспортных систем.