Пробки обычно начинают изучать уже после того, как они возникли: собирают статистику, ищут причины и пытаются понять, как изменить дорожную инфраструктуру. Исследователи Нью-Йоркского университета Тандон (NYU Tandon) предлагают действовать иначе — заранее прогнозировать рост транспортных потоков, определять будущие зоны заторов и давать городским планировщикам возможность задавать вопросы системе на обычном языке.
Ученые разработали геопространственную платформу на основе искусственного интеллекта (GeoAI), которая объединяет прогнозирование трафика, картографирование и локально работающую большую языковую модель. Систему протестировали на 15-летнем массиве данных о дорожном движении в Нью-Йорке.
Как работает система прогнозирования трафика
Над проектом работали Антон Рожков (Anton Rozhkov), Прана́в Нитин Мотарвар (Pranav Nitin Motarwar) и Рудра Патил (Rudra Patil). Рожков руководил проектом и разработал общую архитектуру системы, Мотарвар отвечал за прогнозирование, а Патил — за пространственный анализ.
Исследователи использовали данные о дорожном движении в Нью-Йорке за 2009–2024 годы и сравнили два подхода к прогнозированию транспортных потоков.
Первый — ARIMA, классический статистический метод, хорошо работающий с временными рядами и сезонными закономерностями. Второй — нейронная сеть LSTM (Long Short-Term Memory, «долгая краткосрочная память»), способная находить более сложные нелинейные зависимости в длинных последовательностях данных.
Результат оказался в пользу нейросети. На данных за 2021–2024 годы, которые модели заранее не показывали во время обучения, средняя ошибка LSTM составила около 343 автомобилей в сутки против примерно 418 у ARIMA. Таким образом, нейросетевой подход снизил среднюю ошибку примерно на 18%.
На основе модели исследователи оценили, что среднесуточный транспортный поток может увеличиться с 12 540 автомобилей в 2025 году до 19 680 в 2029-м. Однако авторы подчеркивают: это именно прогноз, а не гарантированное значение. Для расчетов существуют значительные интервалы неопределенности.
От общей статистики — к конкретным улицам
Одного прогноза количества автомобилей недостаточно. Городскому планировщику мало знать, что транспортный поток в целом вырастет, — гораздо важнее понимать, где именно возникнут проблемы.
Для этого исследователи использовали систему H3, разработанную Uber. Она разбивает географическое пространство на вложенные друг в друга шестиугольные ячейки. Такой способ представления данных позволяет рассматривать транспортную ситуацию на разных масштабах — от целых районов до отдельных локальных зон.
Затем алгоритмы кластеризации находили участки, где интенсивное движение регулярно концентрируется. В исследовании самым загруженным районом оказался Манхэттен, за ним следовали Бруклин и Куинс.
Такой подход принципиально отличается от простой оценки средней скорости движения по всему городу. Среднее значение может выглядеть вполне приемлемо, хотя несколько конкретных транспортных коридоров уже годами остаются хроническими узкими местами.
Планировщик сможет разговаривать с данными
На последнем этапе исследователи объединили результаты прогнозирования и пространственного анализа с большой языковой моделью LLaMA компании Meta.
Для этого они создали специализированный портал, подключенный к собственной базе знаний проекта. В ней хранятся прогнозы транспортных потоков, данные о местах концентрации заторов и другая информация о дорожном движении.
В результате специалисту не обязательно самостоятельно изучать многочисленные таблицы и карты. Он может задать системе вопрос на естественном языке — например, как потенциальное расширение дороги рядом с аэропортом Ла-Гуардия может повлиять на движение в Куинсе или что произойдет с транспортной ситуацией, если некоторые улицы Нижнего Манхэттена сделать двусторонними.
Получается своеобразный интерфейс между человеком и большим массивом транспортных данных: сложные модели выполняют вычисления в фоновом режиме, а планировщик получает результат в более понятной форме.
Почему систему не отправили в облако
У проекта есть еще одна важная особенность — система рассчитана на локальную работу.
Для городских властей это может иметь принципиальное значение. Транспортные данные могут быть чувствительными, а муниципальные службы не всегда хотят отправлять их во внешние коммерческие сервисы и чат-боты.
В предлагаемой архитектуре данные могут оставаться внутри инфраструктуры конкретного ведомства — буквально «за собственным межсетевым экраном». При этом город получает возможности генеративного ИИ, не передавая всю информацию сторонней платформе.
Исследователи отмечают, что здесь проблема заключается не только в выборе достаточно мощной нейросети. Не менее важно дать ИИ доступ именно к локальным данным, на которых основаны реальные решения.
Обычный чат-бот способен написать убедительный общий текст о пробках. Но городскому планировщику нужен ответ о конкретном перекрестке, районе или дорожном коридоре — и этот ответ должен основываться на данных его города.
ИИ не будет решать за городских планировщиков
Авторы исследования не утверждают, что их система способна самостоятельно устранить пробки или принимать решения вместо специалистов. Более того, пока платформа не прошла масштабных испытаний с реальными городскими планировщиками.
Следующий этап проекта предполагает проверку системы на данных других городов и работу с муниципалитетами меньшего размера.
По сути, исследователи предлагают использовать искусственный интеллект не как «автоматического мэра», а как посредника между специалистом и постоянно усложняющимися наборами данных.
Именно поэтому работа была опубликована в специальном выпуске Transactions in GIS, посвященном этичному и объяснимому геопространственному ИИ. Вопрос здесь не только в том, насколько точным станет прогноз. Важно также, чтобы город сохранял контроль над исходными данными, допущениями моделей и решениями, которые принимаются на их основе.
Что это меняет для городов
Главная идея проекта достаточно проста: не ждать, пока город столкнется с очередной транспортной проблемой, а попытаться увидеть ее заранее.
Связка из прогнозирующей нейросети, пространственного анализа и языковой модели позволяет пройти весь путь от сырых данных до понятного ответа специалисту. При этом система не должна подменять человека — ее задача скорее в том, чтобы быстро показать закономерности, которые сложно заметить при ручном анализе миллионов отдельных наблюдений.
Пока это исследовательский прототип, а не готовая городская инфраструктура. Но подобный подход показывает, каким может стать следующее поколение систем управления транспортом: ИИ не просто сообщает, где сегодня образовалась пробка, а помогает моделировать, где она может появиться завтра и как изменение дорожной сети способно повлиять на ситуацию.
