Прогнозирование дорожного трафика: новый взгляд на долгосрочное моделирование

Автор: Денис Аветисян

Исследователи предлагают инновационный подход к прогнозированию загруженности дорог, объединяя глубокое обучение и фундаментальные принципы транспортного планирования.

☕️

Читаем отчёты, пьём кофе, ждём дивиденды. Если тебе надоел хайп и ты ищешь скучную, но стабильную гавань — добро пожаловать.

Телеграм канал

Для анализа транспортного потока создана комплексная система, гармонизирующая социально-экономические данные по небольшим административным единицам, строящая упрощенную дорожную сеть с привязкой к реальным данным и используя записи с датчиков трафика для обучения глубокой нейронной сети, способной предсказывать интенсивность движения на конкретных участках дорог и выявлять закономерности в распределении спроса и влиянии различных факторов.

Представлена DeepDemand — модель глубокого обучения для точного и интерпретируемого прогнозирования трафика на национальных дорожных сетях с использованием социально-экономических данных и структуры сети.

Существующие подходы к долгосрочному прогнозированию транспортных потоков часто компрометируют интерпретируемость, обобщающую способность и точность. В данной работе, посвященной теме ‘Interpretable long-term traffic modelling on national road networks using theory-informed deep learning’, предложена новая архитектура DeepDemand, объединяющая принципы теории транспортного спроса и возможности глубокого обучения для моделирования долгосрочных объемов трафика на автомагистралях. Данная модель демонстрирует высокую точность прогнозов и превосходит традиционные линейные, регрессионные и гравитационные модели, сохраняя при этом хорошую географическую обобщающую способность и обеспечивая интерпретацию ключевых факторов, влияющих на транспортный спрос. Способна ли интеграция транспортного моделирования и глубокого обучения предоставить новые инструменты для эффективного планирования транспортной инфраструктуры и управления трафиком?

Точность прогноза: ключ к эффективному транспорту

Точное прогнозирование объёма транспортного потока является основополагающим фактором для эффективного планирования транспортной инфраструктуры и снижения заторов на дорогах. Отсутствие точных данных о предстоящем трафике приводит к неоптимальному распределению ресурсов, увеличению времени в пути и экономическим потерям. Например, заблаговременное знание пиковых нагрузок позволяет транспортным службам корректировать расписание общественного транспорта, оптимизировать работу светофоров и информировать водителей о возможных затруднениях, что, в свою очередь, способствует более плавному и безопасному движению. Более того, точные прогнозы трафика необходимы для оценки эффективности новых транспортных проектов и обоснования инвестиций в развитие инфраструктуры, гарантируя, что ресурсы используются наиболее рационально.

Устоявшиеся методы прогнозирования транспортного потока, такие как четырехступенчатая модель спроса на перевозки, несмотря на свою давнюю историю применения, зачастую оказываются неспособны адекватно отразить сложность реальных транспортных ситуаций. Данные модели, основанные на упрощенных предположениях о поведении участников дорожного движения и статичных данных, испытывают трудности при адаптации к динамично меняющимся условиям, таким как внезапные пробки, дорожные работы или погодные явления. Это приводит к неточностям в прогнозах, что негативно сказывается на эффективности транспортного планирования и усиливает проблему заторов на дорогах. Неспособность учесть индивидуальные особенности поездок и нелинейность транспортных потоков ограничивает применимость этих моделей в современных условиях.

Традиционные модели прогнозирования транспортного потока, такие как широко известная четырехшаговая модель, зачастую опираются на упрощенные представления о поведении участников дорожного движения. Предположения о рациональности выбора маршрута, фиксированных привычках и предсказуемости поездок могут существенно отличаться от реальной ситуации. В результате, эти модели испытывают трудности при адаптации к динамически меняющимся условиям — неожиданным пробкам, погодным явлениям, массовым мероприятиям или даже внезапным изменениям в предпочтениях водителей. Неспособность учитывать эти факторы приводит к неточностям в прогнозах, снижая эффективность транспортного планирования и усугубляя проблему заторов на дорогах. Поэтому, возрастает потребность в подходах, способных более точно отражать сложность и изменчивость человеческого поведения в контексте транспортных потоков.

В настоящее время наблюдается потребность в более детальных и основанных на данных подходах к моделированию транспортных потоков. Традиционные методы часто упрощают реальную картину, не учитывая нюансы поведения водителей и динамику дорожной обстановки. Новые разработки направлены на использование больших объемов данных, получаемых с датчиков, камер и мобильных устройств, для создания более точных и адаптивных моделей. Это позволяет учитывать такие факторы, как погодные условия, дорожные работы и даже социальные события, что значительно повышает надежность прогнозов и способствует оптимизации транспортного планирования. Такой подход открывает возможности для разработки интеллектуальных транспортных систем, способных оперативно реагировать на изменения и минимизировать заторы.

Анализ среднесуточного автомобильного трафика (AADT) показывает, что высокие объемы сосредоточены вдоль основных транспортных коридоров, особенно в районе Лондона, а также демонстрирует увеличение вариативности трафика с ростом его интенсивности, что подтверждается распределениями по типам дорог и коэффициентом вариации <span class="katex-eq" data-katex-display="false"> \frac{\sigma}{\mu} </span>. — Анализ среднесуточного автомобильного трафика (AADT) показывает, что высокие объемы сосредоточены вдоль основных транспортных коридоров, особенно в районе Лондона, а также демонстрирует увеличение вариативности трафика с ростом его интенсивности, что подтверждается распределениями по типам дорог и коэффициентом вариации $\frac{\sigma}{\mu}$ .

DeepDemand: Данные во главе угла

«DeepDemand» представляет собой инновационный подход к прогнозированию интенсивности дорожного движения, объединяющий методы машинного обучения с детальными контекстуальными данными. В отличие от традиционных моделей, использующих упрощенные предположения, «DeepDemand» интегрирует широкий спектр факторов, включая социально-экономические показатели и структуру дорожной сети, для повышения точности прогнозов. Использование алгоритмов машинного обучения позволяет модели выявлять сложные взаимосвязи между этими переменными, что приводит к более надежным и детализированным прогнозам трафика, достигая коэффициента детерминации R² в 0.718 на стратегической дорожной сети Великобритании.

Модель DeepDemand в качестве ключевых входных данных использует социально-экономические факторы и структуру дорожной сети, что позволяет выйти за рамки упрощенных предположений, традиционно применяемых в прогнозировании транспортного потока. В качестве социально-экономических факторов учитываются данные о населении, занятости, уровне доходов и других показателях, влияющих на мобильность населения. Структура дорожной сети, включая типы дорог, количество полос, наличие развязок и другие характеристики, моделируется на основе данных OpenStreetMap. Такой подход позволяет учитывать сложные взаимосвязи между социально-экономическими условиями, инфраструктурой и фактическим трафиком, повышая точность прогнозов по сравнению с моделями, опирающимися только на исторические данные о трафике.

Для представления дорожной сети в модели ‘DeepDemand’ используется информация из проекта ‘OpenStreetMap’ (OSM), обеспечивающая детальную топологию дорог, включая типы дорог, количество полос и ограничения скорости. В качестве данных для обучения и верификации точности прогнозов трафика используется информация из ‘National Highways Traffic Information System’ (NHTIS), предоставляющая фактические данные о транспортном потоке, включая объемы и скорости, собранные на участках стратегической дорожной сети Великобритании. Сочетание данных OSM и NHTIS позволяет модели ‘DeepDemand’ учитывать как статические характеристики дорожной сети, так и динамические изменения в транспортном потоке, обеспечивая высокую точность прогнозов.

Модель DeepDemand стремится к повышению точности и детализации прогнозов транспортного потока, используя сложные взаимосвязи между социально-экономическими факторами, структурой дорожной сети и историческими данными. В ходе тестирования на стратегической дорожной сети Великобритании, модель достигла коэффициента детерминации R² равного 0.718, что свидетельствует о высокой степени соответствия между прогнозируемыми и фактическими значениями транспортного потока. Данный показатель подтверждает эффективность подхода DeepDemand к моделированию трафика и его потенциал для улучшения планирования транспортной инфраструктуры и управления трафиком.

Национальная дорожная сеть Великобритании формируется путем фильтрации и упрощения данных из OSM, преобразования их в направленный граф с геометрическими и семантическими атрибутами и подготовки для последующих пространственных операций и моделирования.

Анализ «происхождение-назначение»: понимание перемещений

Анализ пар «Происхождение-Назначение» (OD-пары) является ключевым методом, используемым DeepDemand для изучения закономерностей перемещений и прогнозирования транспортных потоков между конкретными локациями. Данный подход предполагает идентификацию и анализ поездок, исходящих из определенных точек (происхождения) и направленных в определенные пункты (назначения). Анализ OD-пар позволяет выявить наиболее востребованные маршруты, интенсивность трафика между различными районами и общие тенденции в мобильности населения. В рамках DeepDemand, данные о OD-парах используются для калибровки и валидации модели, что обеспечивает высокую точность прогнозов транспортной нагрузки и позволяет оптимизировать транспортную инфраструктуру.

Для эффективного определения кратчайших маршрутов и выделения релевантных локальных OD-зон (зон «откуда-куда») для прогнозирования, DeepDemand использует алгоритм Дейкстры. Алгоритм Дейкстры позволяет вычислить оптимальные пути между всеми парами узлов в сети дорог, учитывая длину и пропускную способность каждого участка. Это позволяет модели идентифицировать наиболее вероятные маршруты, используемые пользователями, и сфокусироваться на анализе трафика в пределах локальных регионов, что значительно повышает точность прогнозов и снижает вычислительную нагрузку.

Модель DeepDemand использует функцию сдерживания времени в пути (Travel Time Deterrence Function) для анализа влияния изменений времени в пути на выбор маршрутов. Данная функция позволяет модели учитывать, что увеличение времени в пути приводит к снижению привлекательности маршрута для пользователей, и наоборот. Обучение модели на исторических данных позволяет определить количественную зависимость между временем в пути и вероятностью выбора маршрута, что позволяет более точно прогнозировать изменения в транспортном потоке при изменении условий на дорожной сети. Это особенно важно для моделирования эффектов от пробок, дорожных работ или других факторов, влияющих на время в пути.

Модель DeepDemand генерирует высокоточные прогнозы трафика, опираясь на детальное понимание поведения пользователей и пространственные данные. Сочетание анализа паттернов перемещения с учетом изменения времени в пути и пространственной информации позволяет создавать прогнозы с высокой локальной детализацией. Результаты пространственной кросс-валидации подтверждают стабильную производительность модели в различных географических регионах, демонстрируя коэффициент детерминации $R^2 = 0.665$ . Это указывает на надежность и обобщающую способность модели при прогнозировании транспортных потоков.

Для выявления локальных связей «происхождение-назначение» используется метод конкурентного расширения от целевого участка дороги, отсеивающий пары, для которых существуют более быстрые альтернативные маршруты.

Интерпретация предсказаний DeepDemand: прозрачность и понимание

Для повышения прозрачности и удобства использования модели, в DeepDemand применяются значения SHAP (SHapley Additive exPlanations), позволяющие оценить вклад каждого входного параметра в прогнозируемый объем трафика. Данный подход позволяет понять, какие социально-экономические факторы или характеристики сети оказывают наибольшее влияние на конкретный прогноз. В отличие от “черных ящиков”, SHAP Values предоставляют количественную оценку важности каждого признака, позволяя пользователям увидеть, как, например, плотность населения, уровень дохода или наличие общественного транспорта влияют на прогнозируемый трафик на определенном участке дороги. Это обеспечивает не только понимание логики работы модели, но и возможность более осознанно использовать её результаты для планирования транспортной инфраструктуры и управления транспортными потоками.

Анализ предсказаний DeepDemand позволяет выявить, какие именно социально-экономические факторы и характеристики дорожной сети оказывают наибольшее влияние на прогнозируемый трафик. Модель не просто выдает цифры, но и объясняет, почему именно данный объем транспорта ожидается в конкретном месте и в определенное время. Например, исследование может показать, что увеличение численности населения в определенном районе, развитие коммерческой активности или особенности планировки дорожной сети являются ключевыми драйверами роста трафика. Понимание этих взаимосвязей дает возможность транспортным планировщикам более эффективно реагировать на изменения, оптимизировать инфраструктуру и разрабатывать целевые меры по снижению загруженности дорог.

Система DeepDemand не просто предсказывает объемы транспортного потока, но и предоставляет возможность понять, почему сделан тот или иной прогноз. Благодаря интерпретируемым результатам, транспортные планировщики получают не абстрактные цифры, а четкое представление о факторах, влияющих на трафик. Это позволяет им с уверенностью использовать прогнозы для принятия обоснованных решений, например, для оптимизации маршрутов, планирования ремонтных работ или оценки эффективности новых транспортных инициатив. Понимание логики, лежащей в основе прогнозов, значительно повышает доверие к системе и способствует более эффективному управлению транспортной сетью, позволяя оперативно реагировать на изменения и предотвращать возникновение заторов.

Модель DeepDemand демонстрирует практическую точность прогнозирования транспортного потока, достигая средней абсолютной ошибки (MAE) в 7406 транспортных средств. Такой уровень детализации позволяет специалистам по транспортному планированию не только оценивать общую надежность прогнозов, но и выявлять конкретные участки дорожной сети, требующие особого внимания. Возможность точного определения отклонений от прогнозируемых значений открывает перспективы для целенаправленных вмешательств, направленных на снижение загруженности и повышение эффективности всей транспортной системы. Это, в свою очередь, способствует оптимизации распределения ресурсов и принятию обоснованных решений в области развития транспортной инфраструктуры.

Анализ значений SHAP показывает, что характеристики исходного и конечного LSOA оказывают значительное влияние на оценки пар «происхождение-назначение», причем наибольшее влияние оказывают агрегированные характеристики, возрастная структура населения, состав занятости, землепользование, количество объектов инфраструктуры и уровень депривации.

Представленная работа демонстрирует стремление к лаконичности и ясности в моделировании транспортных потоков. DeepDemand, используя глубокое обучение, не просто предсказывает объемы трафика, но и предоставляет возможность интерпретации полученных результатов, опираясь на социально-экономические данные и структуру сети. Это соответствует философии, согласно которой ценность заключается не в сложности, а в способности выделить суть. Как однажды заметил Клод Шеннон: «Информация — это организованная структура, которая уменьшает неопределенность». DeepDemand, упрощая сложность транспортных моделей, действительно уменьшает неопределенность в прогнозировании транспортного спроса, предлагая более понятный и масштабируемый подход, чем традиционные методы.

Что дальше?

Представленная работа, стремясь к ясности в моделировании транспортного потока, неизбежно обнажает сложность самого явления. Точность предсказания — лишь один аспект. Подлинный вопрос заключается в понимании: что есть транспортный поток, как он отражает социальные процессы, и где та грань, за которой модель становится не инструментом познания, а лишь его имитацией? Необходима дальнейшая работа над уменьшением размерности данных, избавлением от избыточных параметров, которые лишь заслоняют истинную картину.

Очевидным направлением является интеграция DeepDemand с другими системами — городским планированием, логистикой, даже прогнозированием социальных изменений. Но следует помнить: усложнение системы не гарантирует её эффективности. Иногда, чтобы увидеть лес, необходимо убрать лишние деревья. Крайне важно сосредоточиться на разработке метрик интерпретируемости, выходящих за рамки простой визуализации весов нейронной сети. Что действительно означает «важность» определенного фактора?

Будущие исследования должны стремиться к минимализму — к созданию моделей, которые объясняют максимальное количество явлений с помощью минимального набора параметров. В конечном счете, ценность любой модели заключается не в её способности предсказывать, а в её способности проливать свет на суть вещей. Ибо, как известно, красота — в простоте, а истина — в ясности.

Оригинал статьи: https://arxiv.org/pdf/2603.26440.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-30 22:46