Wielomodalne i wieloagentowe uczenie ze wzmocnieniem do prognozowania ruchu miejskiego i optymalizacji sterowania sygnalizacją

Dlaczego inteligentniejsze światła mają znaczenie

Każdy, kto stał przy serii czerwonych świateł lub pełzł korkami po zatłoczonej ulicy centrum, doświadczył, jak nieefektywny potrafi być ruch miejski. Poza frustracją, stojące auta marnują paliwo i emitują gazy cieplarniane oraz zanieczyszczenia do powietrza. W artykule przedstawiono nowe podejście do zarządzania ruchem miejskim, które traktuje sygnalizację jako skoordynowaną, uczącą się sieć zamiast zestawu stałych timerów, z celem przemieszczania ludzi szybciej przy jednoczesnym zmniejszeniu korków i emisji.

Miasto, które odczuwa i rozumie ruch

Naukowcy proponują system o nazwie MM-STMAP, który daje miastu rodzaj cyfrowego układu nerwowego. Zamiast polegać wyłącznie na prostym zliczaniu pojazdów, system integruje wiele rodzajów danych jednocześnie: przepływ ruchu, prędkości, warunki pogodowe takie jak deszcz czy mgła oraz dni szczególne, jak święta. Te różnorodne sygnały są oczyszczane, łączone i przekształcane w zunifikowany opis tego, co dzieje się na drogach. Rozpoznając na przykład, że deszczowy świąteczny szczyt ruchu zachowuje się inaczej niż zwykły dzień roboczy, system może lepiej przewidzieć, jak ruch rozwinie się w ciągu następnych kilku minut.

Dostrzeganie wzorców w przestrzeni i czasie

Problemy z ruchem rzadko ograniczają się do jednego skrzyżowania; rozchodzą się przez całą sieć dróg. MM-STMAP odwzorowuje to, reprezentując ulice i skrzyżowania jako sieć połączonych punktów, a następnie ucząc się, jak warunki rozprzestrzeniają się po tej sieci w czasie. Wykorzystuje wielowarstwowe obliczenia, które najpierw analizują, jak sąsiednie ulice na siebie wpływają, a potem jak te wpływy zmieniają się z jednego kroku czasowego na następny. Specjalnie zaprojektowany mechanizm „uwagi” pozwala modelowi skoncentrować moc obliczeniową na najbardziej istotnych fragmentach historii — na przykład na wczorajszym szczycie o tej samej porze — bez zapadania się przy rosnących wolumenach danych. Dzięki temu praktyczne staje się przetwarzanie długotrwałych strumieni z czujników z dużych sieci miejskich.

Światła, które uczą się razem

Na bazie tego silnika predykcyjnego autorzy budują system sterowania sygnalizacją oparty na uczeniu. Każde skrzyżowanie traktowane jest jako inteligentny agent, który może wybierać, jak długo utrzymywać zielone lub czerwone światło w różnych kierunkach. Agenci ci nie działają w izolacji: dzielą się informacjami o szerszej sytuacji ruchowej i są szkoleni wspólnie, tak aby ich indywidualne decyzje wspierały płynność ruchu w całej sieci. Proces uczenia nagradza wzorce zwiększające liczbę pojazdów przejeżdżających przez sieć, skracające średnie czasy oczekiwania i redukujące manewry stop-and-go marnujące paliwo, jednocześnie karząc konfiguracje, które tworzą długie kolejki i opóźnienia.

Testy systemu

Aby sprawdzić, czy MM-STMAP rzeczywiście przynosi korzyści, zespół przetestował go na dużych, rzeczywistych zbiorach danych z regionu Los Angeles. Dane te obejmują dziesiątki tysięcy próbek z czujników drogowych i miejskich, wraz z realistycznymi problemami, takimi jak brakujące odczyty, szumy pomiarowe i nieregularne wzorce ruchu. W porównaniu z kilkoma nowoczesnymi modelami prognostycznymi oraz z tradycyjnymi schematami sterowania sygnalizacją — stałymi harmonogramami i lokalnie reaktywnymi światłami — nowe podejście wygenerowało dokładniejsze krótkoterminowe prognozy ruchu i wydajniejsze harmonogramy sygnalizacji. Zmniejszyło powszechne miary błędów prognozowania o około jedną trzecią względem najlepiej działających dziś systemów stałych i aktywowanych, a w symulacjach skróciło średnie opóźnienia i liczbę zatrzymań, jednocześnie zwiększając liczbę pojazdów przejeżdżających przez sieć na godzinę.

Co to znaczy dla codziennych kierowców

Mówiąc prościej, MM-STMAP opisuje przyszłość, w której światła drogowe współpracują i nieustannie uczą się na podstawie doświadczeń, zamiast ślepo wykonywać zaprogramowane cykle. Dzięki przewidywaniu, gdzie tworzą się zatory, i dostosowywaniu czasów sygnalizacji w wielu skrzyżowaniach, system może skrócić czasy podróży, wygładzić ruch stop-and-go i ograniczyć niepotrzebne bieganie na biegu jałowym. Choć podejście nadal mierzy się z wyzwaniami — takimi jak potrzeba niezawodnych danych i znacznej mocy obliczeniowej na skalę miejską — wskazuje kierunek ku sprytniejszej, czyściejszej mobilności miejskiej, gdzie nasze codzienne dojazdy są nie tylko szybsze, ale także łagodniejsze dla środowiska.

Cytowanie: Wang, R., Zhang, J., Wang, X. et al. Multi-modal and multi-agent reinforcement learning framework for urban traffic flow prediction and signal control optimization. Sci Rep 16, 7612 (2026). https://doi.org/10.1038/s41598-026-37722-5

Słowa kluczowe: ruch miejski, prognozowanie ruchu, uczenie ze wzmocnieniem, inteligentne sygnalizatory, inteligentny transport