Ориентированная на безопасность четырехфакторная пространственно-временная модель для оценки и смягчения рисков дорожных заторов

Почему пробки — это не просто неприятность

Большинство из нас воспринимает пробки как раздражающую потерю времени. В этом исследовании утверждается, что они представляют собой нечто более серьёзное: риск для безопасности всей городской дорожной сети. Когда дороги забиваются, город теряет способность эффективно реагировать на аварии, чрезвычайные ситуации или внезапные перебои. Авторы предлагают новый взгляд на заторы — не только как на медленное движение, но и как на форму риска, которую можно измерять, картировать и предсказывать в реальном времени, помогая городам действовать до того, как коллапс трафика выйдет из-под контроля.

Четыре простых компонента риска дорожного движения

Исследователи опираются на простую идею из науки о бедствиях: риск зависит от четырёх составляющих. Первая — опасность (hazard), то есть вероятность и серьёзность затора. Вторая — экспозиция (exposure), сколько транспортных средств и людей вовлечено. Третья — уязвимость (vulnerability), отражающая, насколько легко локальная проблема распространяется и как долго она устраняется. Четвёртая — способность к смягчению (mitigation capacity), то есть способность системы адаптироваться и восстанавливаться, например за счёт запасных маршрутов или умных светофоров. В совокупности эти четыре фактора дают более полное представление о том, когда загруженная дорога просто переполнена, а когда она превращается в хрупкое, склонное к авариям «горячее» место.

Преобразование сырых данных датчиков в карты риска

Чтобы претворить эти идеи в практику, команда использует огромный массив шоссейных данных из калифорнийской системы PeMS, которая каждые пять минут фиксирует скорость, поток и занятость полос на тысячах датчиков в окрестностях Лос‑Анджелеса, округа Ориндж, залива Сан‑Франциско и Сан‑Диего. Данные тщательно очищают, заполняют пропуски и строят цифровую карту, где каждый датчик — это узел, а близкие или тесно связанные датчики соединены между собой. На этой основе вычисляют простые стандартизованные индикаторы для каждого фактора — например, насколько нестабильны скорости (опасность), насколько велик поток (экспозиция), сколько обычно требуется времени на восстановление после затора (уязвимость) и сколько альтернативных путей поблизости (способность к смягчению). Таким образом каждый участок дороги получает четырёхкомпонентный профиль риска, который может меняться во времени.

Обучающая машина, отслеживающая трафик в пространстве и времени

Поверх этих данных авторы разрабатывают модель обучения под названием HiST-Graph — тип пространственно‑временной графовой нейронной сети. В отличие от традиционных предсказателей трафика, которые просто оценивают будущие скорости, эта модель обучена понимать, как сам риск распространяется по сети. Она использует графовые операции для обмена информацией между связанными участками дорог и временные свертки для отслеживания эволюции условий в течение минут и часов. Модуль внимания затем обучается определять, насколько важен каждый из четырёх факторов в каждом месте и времени, объединяя их в единый динамический индекс риска заторов, плавно меняющийся от низкого до высокого уровня.

Что модель показывает о ежедневных пробках

Применённая к полугодию данных (прим.: в тексте — полный год) по четырём калифорнийским регионам, модель воспроизводит знакомые узоры час-пик, но добавляет новые выводы. Опасность и экспозиция пикуют в утренние и вечерние часы, особенно у крупных транспортных узлов, тогда как уязвимость и способность к смягчению меняются медленнее и отражают базовую структуру дорог и системы управления. Густонаселённые центры автомагистралей обычно демонстрируют высокие показатели опасности и экспозиции, тогда как места с большим числом альтернативных маршрутов или продвинутыми системами управления показывают более высокую способность к смягчению. Прогнозы риска модели стабильно превосходят результаты стандартных инструментов, включая классические модели временных рядов и современные подходы глубокого обучения, и это преимущество наблюдается во всех четырёх регионах.

Как это помогает городам опережать коллапс

Переходя от простого описания медленного движения к факторной диагностике причин и мест нарастания риска, эта структура предлагает практические рекомендации для планировщиков и диспетчеров трафика. Она может выделять участки, где заторы одновременно вероятны и имеют серьёзные последствия, сигнализировать о ранних признаках проблем за минуты до перелома и подсказывать, какое действие будет наиболее эффективным — сократить поток, усилить альтернативные маршруты или ускорить восстановление. Проще говоря, исследование показывает, что пробки можно рассматривать как другие городские риски: их можно измерять, картировать и проактивно управлять ими, помогая городам поддерживать движение людей и грузов даже при нагрузках на дорожную сеть.

Цитирование: Li, Y., Xu, Y., He, X. et al. A security-oriented four-factor spatio-temporal framework for assessing and mitigating traffic congestion risks. Sci Rep 16, 9548 (2026). https://doi.org/10.1038/s41598-026-41451-0

Ключевые слова: риск дорожных заторов, городская мобильность, графовые нейронные сети, интеллектуальные транспортные системы, устойчивые дорожные сети