Optymalny system zarządzania ruchem drogowym oparty na głębokich sieciach neuronowych dla środowiska inteligentnego miasta opartego na Internecie Rzeczy

Dlaczego mądrzejszy ruch ma znaczenie dla życia miasta

Korki w godzinach szczytu to więcej niż irytacja: marnują paliwo, zanieczyszczają powietrze, spowalniają pojazdy ratunkowe i zabierają ludziom czas z rodziną. W miarę jak miasta rosną i na drogi wjeżdża więcej samochodów, tradycyjne, stałe sygnalizatory i ręczne centra sterowania mają coraz większe trudności z nadążeniem. W badaniu tym zbadano, jak sieci czujników i zaawansowany rodzaj sztucznej inteligencji mogą współpracować w czasie rzeczywistym, wykrywając korki, przewidując problemy i dostosowując sygnalizację zanim ruch całkowicie się zatrzyma.

Od połączonych ulic do „mózgu” ruchu

Artykuł dotyczy miast, w których drogi, sygnalizatory i pojazdy są powiązane poprzez „Internet Rzeczy”, co oznacza, że stale przesyłają cyfrowe informacje o tym, co dzieje się na ulicach. Czujniki i kamery śledzą, ile pojazdów przejeżdża przez skrzyżowanie, jak szybko się poruszają, jakiego są typu, a także warunki pogodowe, wypadki i aktualny stan sygnalizacji. Zamiast operatorów ręcznie analizujących te dane, autorzy proponują zautomatyzowany system wspomagania decyzji, który potrafi rozumieć te wzorce i sugerować inteligentniejsze zarządzanie sygnałami i trasami.

Czyszczenie danych i wybór właściwych wskazówek

Dane o ruchu z realnego świata są nieporządne: czujniki zawodzą, wartości znikają, a różne pomiary bywają na skrajnie różnych skalach. System rozpoczyna więc od dokładnej fazy oczyszczania, uzupełniając sporadyczne brakujące odczyty i skalując wszystkie miary tak, by można je było porównywać uczciwie. Następnie następuje kluczowy krok: decyzja, które elementy informacji rzeczywiście pomagają rozróżniać różne sytuacje drogowe. Model łączy trzy rodziny technik selekcji, z których każda patrzy na dane w nieco inny sposób. Razem filtrują nieprzydatne lub redundantne szczegóły i zachowują tylko te cechy, które rzeczywiście sygnalizują, czy zatłoczenie jest krytyczne, ciężkie, umiarkowane czy niskie, co dodatkowo przyspiesza późniejsze przetwarzanie.

Jak model uczy się wzorców ruchu w czasie

Ruch drogowy to nie tylko to, co dzieje się w danym momencie; zmienia się on w ciągu minut i godzin, gdy sygnalizacja cyklicznie się zmienia, a zachowanie kierowców ewoluuje. Aby uchwycić te zmienne wzorce, autorzy wykorzystali głęboką sieć neuronową zaprojektowaną do danych czasowych. Sieć przesuwa się po sekwencjach odczytów ruchu, używając warstw splotowych ułożonych jedna na drugiej, aby wychwycić zarówno krótkotrwałe impulsy, jak i dłuższe narastanie korków. Mechanizm uwagi następnie selektywnie koncentruje się na najbardziej znamiennych momentach w każdej sekwencji, pozwalając systemowi bardziej uwzględniać ostatnie skoki lub spadki przy ocenie rzeczywistego poziomu zatłoczenia drogi. Efektem jest jasne przypisanie każdej sytuacji do jednego z czterech poziomów natężenia ruchu, powiązanych w badaniu z konkretnymi działaniami, takimi jak wydłużenie zielonego światła czy aktywacja alternatywnych tras.

Testowanie systemu

Naukowcy trenowali i oceniali swoje podejście na otwartym zestawie danych ruchu, który reprezentuje inteligentną sieć miejską. Każdy rekord zawiera liczby pojazdów, prędkości, warunki pogodowe, znaczniki czasu, lokalizacje i strategie sygnalizacji. Aby uniknąć uprzedzeń wynikających z faktu, że ciężkie zatłoczenie występuje w danych znacznie częściej niż lekkie natężenie, zastosowali techniki balansowania i staranną walidację. W kilku podziałach na zbiór treningowy i testowy ich system poprawnie klasyfikował stany ruchu niemal w 99 procentach przypadków, przewyższając szereg innych nowoczesnych metod. Osiągnęli to jednocześnie przy relatywnie niewielkich wymaganiach obliczeniowych i pamięciowych, co stanowi praktyczną zaletę dla operacji miejskich w czasie rzeczywistym.

Co to oznacza dla codziennych dojeżdżających

W praktyce badanie pokazuje, że starannie zaprojektowany system AI może działać jako szybki, oparty na danych doradca dla miejskich centrów zarządzania ruchem, przekształcając surowe strumienie z czujników w konkretne, terminowe działania kontrolne. Choć obecna praca opiera się na jednym zestawie danych i nie uwzględnia jeszcze w pełni zakłóceń, takich jak roboty drogowe czy duże wydarzenia, wskazuje na przyszłość, w której sygnalizacja i sugestie tras dostosowują się nieprzerwanie do zmieniających się warunków. Dla przeciętnego podróżnego może to oznaczać krótsze przejazdy, płynniejszy ruch i bezpieczniejsze ulice, gdy miasta zaczną lepiej słuchać — i działać na podstawie — cyfrowego tętna swoich dróg.

Cytowanie: Almejalli, K.A. Optimal deep neural network based road traffic management system for Internet of Things based smart city environment. Sci Rep 16, 12136 (2026). https://doi.org/10.1038/s41598-026-42542-8

Słowa kluczowe: inteligentne zarządzanie ruchem, Internet Rzeczy, uczenie głębokie, inteligentne miasta, prognozowanie korków