Научный сотрудник Южно-Уральского государственного университета Рухшона Джураева разработала и запатентовала комплекс нейросетевых программ, способных предсказывать транспортные заторы в реальном времени. Никаких новых камер - только алгоритм поверх уже существующей инфраструктуры.
Камеры уже есть. Нужно только научить их думать
Обычно перекрёстковые камеры «заточены» под одно: фиксировать нарушения. Джураева предложила использовать их иначе. Разработанный ею пакет программ встраивается в компьютер оператора и начинает считать машины, делить их на классы и оценивать интенсивность потока - без замены оборудования и дополнительных затрат на инфраструктуру.
Система распознаёт пять категорий транспорта: легковые автомобили, такси, маршрутки, автобусы и грузовики. Данные формируются автоматически - оператор в любой момент видит актуальную таблицу по каждому классу.
Как это работает: три программы, один результат
Под общим патентом скрываются три отдельных инструмента, каждый из которых решает свою задачу.
- Первая программа обрабатывает видеопоток с камер и считает транспорт, параллельно классифицируя его по типам.
- Вторая расширяет набор данных: добавляет временные метки - минуту, час, день недели, признак выходного или рабочего дня.
- Третья объединяет результаты лучших алгоритмов машинного обучения и выдаёт прогноз: случится ли затор на следующем перекрёстке и когда именно.
Ключевой принцип - системность. Пробка редко стоит на месте: она «ползёт» от перекрёстка к перекрёстку. Алгоритм учитывает эту цепную природу заторов и предупреждает оператора заблаговременно - у специалиста остаётся время скорректировать фазы светофоров или перераспределить потоки.
«Если данные покажут, что интенсивный поток держится за счёт личного транспорта, городские власти могут принять решение активнее развивать общественный транспорт», - поясняет разработчик. Это уже не просто антипробочный инструмент, а полноценная аналитическая база для транспортной политики.
Тест - Душанбе, перспектива - российские города
Апробация системы прошла на материале Душанбе: исследователь анализировала видеопотоки с реальных городских перекрёстков таджикской столицы. Принципиальное отличие от конкурирующих разработок - угол съёмки. Камеры установлены параллельно дороге и охватывают движение сразу с нескольких ракурсов, что повышает точность распознавания в плотном потоке.
Авторы уверяют: систему можно адаптировать под любой российский город без существенных доработок - достаточно переобучить модель на местных данных. Для мегаполисов с хронически перегруженными развязками это звучит как практическое, а не теоретическое предложение.