Оптимальная система управления дорожным движением на основе глубоких нейронных сетей для среды «умного города» с Интернетом вещей

Почему интеллектуальное управление движением важно для городской жизни

Пробки в часы пик — это не просто неудобство: они тратят топливо, загрязняют воздух, замедляют работу машин экстренных служб и отнимают у людей время, которое можно провести с семьей. По мере роста городов и увеличения числа автомобилей устаревшие фиксированные светофоры и ручные центры управления не справляются. В этом исследовании рассматривается, как сети датчиков и продвинутый тип искусственного интеллекта могут в реальном времени обнаруживать заторы, предсказывать проблемы и корректировать сигналы до того, как движение полностью встанет.

От подключённых улиц к «мозгу» трафика

Статья изучает города, в которых дороги, светофоры и транспортные средства связаны через «Интернет вещей», то есть постоянно передают цифровые обновления о происходящем на улицах. Датчики и камеры отслеживают, сколько машин проезжает через перекрёсток, с какой скоростью они движутся, какого они типа, а также условия погоды, аварии и текущий статус сигналов. Вместо того чтобы операторы вручную просеивали все эти данные, авторы предлагают автоматизированную систему поддержки принятия решений, которая способна распознавать паттерны и предлагать более интеллектуальное управление сигналами и маршрутами.

Очистка данных и выбор правильных признаков

Данные о дорожном движении из реального мира шумны: датчики выходят из строя, значения отсутствуют, а измерения могут иметь очень разные шкалы. Поэтому система начинается с тщательной фазы очистки: заполнения редких пропусков и масштабирования всех величин для корректного сравнения. Дальше следует ключевой шаг: определение, какие именно сведения помогают различать разные ситуации на дороге. Модель сочетает три семейства методов отбора признаков, каждый из которых смотрит на данные под своим углом. Вместе они отфильтровывают бесполезные или избыточные детали и оставляют только те признаки, которые действительно сигнализируют о критическом, сильном, умеренном или низком уровне загруженности, что также ускоряет последующую обработку.

Как модель усваивает временные паттерны трафика

Трафик — это не только то, что происходит в данный момент; он меняется в течение минут и часов по мере циклов светофоров и изменения поведения водителей. Чтобы уловить эти развивающиеся паттерны, авторы используют глубокую нейронную сеть, рассчитанную на данные с временной структурой. Эта сеть скользит по последовательностям показаний трафика, применяя каскады сверточных слоёв для улавливания как кратковременных всплесков, так и более долгих нарастаний заторов. Механизм внимания затем избирательно фокусируется на наиболее информативных моментах в каждой последовательности, позволяя системе при принятии решения сильнее учитывать недавние пики или падения. В результате каждому случаю однозначно присваивается один из четырёх уровней загруженности, связанные в исследовании с конкретными действиями, например продлением зелёного сигнала или активацией альтернативных маршрутов.

Проверка системы на практике

Исследователи обучали и оценивали предложенный подход на открытом наборе данных о движении, представляющем умную городскую сеть. Каждая запись включает подсчёт транспортных средств, скорости, погодные условия, метки времени, местоположения и стратегии сигнализации. Чтобы избежать смещения из‑за того, что в данных серьёзные заторы встречаются гораздо чаще, чем свободное движение, применялись методы балансировки и тщательной валидации. На нескольких разделениях на обучающую и тестовую выборки их система почти в 99 процентах случаев корректно классифицировала состояния трафика, превосходя ряд других современных методов. Она добилась этого при относительно небольших вычислительных и требуемых объёмах памяти, что является практическим преимуществом для работы в реальном времени в городских условиях.

Что это означает для повседневных поездок

Практически это исследование показывает, что тщательно спроектированная система ИИ может выступать в роли быстрого, основанного на данных советчика для городских центров управления движением, превращая сырые потоки датчиков в конкретные своевременные управляющие действия. Хотя текущая работа опирается на один набор данных и ещё не полностью учитывает такие нарушения, как дорожные работы или крупные мероприятия, она указывает на будущее, в котором светофоры и рекомендации по маршрутам будут непрерывно адаптироваться к меняющимся условиям. Для обычного пассажира это может означать более короткие поездки, плавное движение и безопасные улицы, поскольку города научатся лучше «слушать» — и действовать по — цифровому пульсу своих дорог.

Цитирование: 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

Ключевые слова: интеллектуальное управление дорожным движением, Интернет вещей, глубокое обучение, умные города, прогнозирование заторов