"В Таллинне самые загруженные участки дорог находятся на Таммсааре теэ, по пути в аэропорт. Часто пробки возникают и на Пирита теэ, потому что неподалеку расположен порт", – отмечает автор докторской диссертации Шахинез Уноуги. Другими словами, в час пик движение по всему городу может быть интенсивным, но в определенных районах пробки возникают чаще.

"В своей работе я предложил новый метод управления светофорами. Также я показал, как облегчить движение на перекрестках", – говорит  Уноуги. Новое решение основано на самообучающихся моделях: вводятся данные о шуме, погоде и дорожном движении, и после нескольких этапов обработки данных модель выводит стратегию работы светофора, которая ускоряет движение.

Цепочка моделей

"На данный момент для управления движением используются фиксированные графики. В расписании написано, что в тот или иной период времени у нас будет зеленый свет", – объясняет Шахинез Уноуги, метод которого основан на машинном обучении с подкреплением. И хотя такой способ уже изучался и испытывался на уровне моделирования, докторская диссертация Уноуги превносит много нового: "Мы не просто полагаемся на использование модели, но добавляем в качестве входных данных прогноз о том, как улучшить производительность", – поясняет он.

Для проверки своей модели ученый использовал данные, собранные на перекрестке улиц Таммсааре и Сыпрузе. "Там установлены датчики шума. У нас были данные о погоде со страницы ilm.ee и о пробках из интерфейса приложения TomTom. В нашем распоряжении также было видео с городских камер", – перечисляет он.

Сначала Уноуги ввел различные типы данных в модель объединения, чтобы узнать о дорожном движении: например, какие индикаторы являются наиболее важными на перекрестке в данный момент времени. Затем модель объединения данных выдала результат, который автор ввел в модель, прогнозирующую уровень шума. "Например, мы могли сказать, что через пять минут на нашем перекрестке будет именно такой уровень шума", – говорит ученый.

В качестве последнего шага он ввел прогноз шума в модель обучения с подкреплением, отвечающую за стратегию работы светофора на перекрестке. "Она учитывает различные факторы, такие как скорость и время, необходимое для пересечения перекрестка", – говорит Унуги. Если к данным добавить прогноз уровня шума, модель предлагает новый шаблон работы светофора. "Все это доказывает, что модель снижает выбросы CO2, уровень шума и расход топлива на исследуемом перекрестке", – отмечает автор.

Продолжить сотрудничество с городами

По словам Уноуги, первым крупным вкладом в его докторскую диссертацию стало использование прогнозирования шума для расчета движения транспорта в перегруженных районах. "Другой мой важный вклад заключался в том, как сделать этот прогноз более точным, используя различные источники информации. Благодаря этому также можно улучшить управление светофорами", – добавляет он. И хотя подобные модели глубокого обучения тестировались и в других городах мира, разработка Уноуги лучше разгружает перекрестки.

Автор признает, что при написании докторской диссертации ему приходится учитывать несколько узких мест, в первую очередь доступность данных. "Их сложно собрать, и даже если у вас есть источник, данные могут быть ненадежными. Иногда они недостаточно хорошего качества, чтобы их можно было использовать в качестве для модели", – рассуждает он.

Во-вторых, модели ИИ обычно очень громоздки, но имеют слабую память. Другими словами, модель быстро забывает то, что она уже рассчитала. По мнению Уноуги, это необходимо учитывать при внедрении моделей в дорожную инфраструктуру, например, в светофоры. И наконец, необходимо учитывать, что пока надежность нового решения доказана только на одном перекрестке.

По словам Уноуги, сотрудничество с местными властями затруднено. Например, в Таллиннской городской управе проект назвали интересным, но особого внимания не удостоили. С другой стороны, стартап-компания Уноуги GaiaHub общалась с Тарту и Лиепая. "Тарту очень заинтересован в нашем проекте, но переговоры еще продолжаются", – отмечает он.