Пробки остаются одной из основных проблем крупных городов, и ученые ищут способы их снижения без необходимости расширять дорожную сеть. Исследователи из Федеральной политехнической школы Лозанны (EPFL) в Швейцарии предлагают инновационные решения: использование дронов с искусственным интеллектом для мониторинга трафика и новые математические модели, которые учитывают не только отдельные поездки, но и весь распорядок жизни человека и его семьи, сообщает TechXplore.
Согласно данным TomTom, Женева является самым проблемным городом в Швейцарии в плане пробок, где водители теряют в заторах около 141 часа в год. Этот небольшой город занимает место в десятке мировых лидеров по плотности трафика. Средняя скорость движения в Женеве составляет всего 19,1 км/ч, в то время как в Лозанне — 27 км/ч, а в Берне — 42,4 км/ч. Для сравнения, в 2025 году Лондон возглавил рейтинг городов с самым медленным трафиком, где средняя скорость составила 16,5 км/ч.
В Лаборатории городских транспортных систем EPFL активно применяются дроны для мониторинга трафика. Традиционные методы, такие как камеры и индукционные петли, ориентированы на автомобили и имеют ограничения по времени и охвату. Дроны предоставляют более полное и детальное представление о ситуации на дорогах.
В 2018 году в Афинах был проведен эксперимент, в ходе которого группа дронов собрала данные о движении, не распознавая номера автомобилей и лиц. На основе этих данных были разработаны алгоритмы, позволяющие различать типы транспортных средств (автомобили, грузовики, автобусы, мотоциклы, велосипеды) и отслеживать их маршруты.
Использование методов ИИ и машинного обучения позволяет точно выявлять и отслеживать места перегрузки на больших территориях. Объединение данных с дронов и традиционных методов мониторинга повышает точность прогнозов на 15-20%, что позволяет заранее принимать меры, такие как регулировка светофоров за полчаса до возникновения пробки.
Дроны также помогают анализировать поведение водителей (перестроения, взаимодействия) и понимать контекст ситуаций, например, причины резкого торможения. Они применяются для повышения безопасности, анализа мультимодального трафика, а также оценки качества воздуха и уровня шума.
Однако пока что это не готовое решение для немедленного внедрения. Исследователи стремятся разобраться в ключевых вопросах: насколько полезны дроны, какое преимущество они предоставляют и какие новые возможности открывает ИИ.
Второе направление, которое развивают в Лаборатории транспорта и мобильности EPFL (TRANSP-OR), сосредоточено не на потоках машин, а на организации повседневной жизни людей. Традиционные транспортные модели рассматривают отдельные поездки из точки А в точку Б, учитывая цель, вид транспорта и маршрут. Новый подход анализирует совокупность повседневных дел человека (работа, покупки, досуг), а также действия других членов его семьи в течение дня.
В 2024 году сотрудница TRANSP-OR разработала модель, учитывающую повседневные активности и реакцию людей на неожиданные события. Модель была успешно протестирована для Швейцарских федеральных железных дорог и в рамках проекта по городскому планированию в Цюрихе.
Транспортные решения обычно принимаются в рамках отдельных домохозяйств, где люди планируют поездки с учетом общей оптимизации семейного расписания. Модель, основанная на семейных данных, показывает более точные результаты по сравнению с индивидуальными моделями.
Основной проблемой остается нехватка данных. Измерение повседневной активности сложно и дорого, и возникают вопросы конфиденциальности. Для решения этой проблемы используются синтетические популяции — статистически созданные массивы данных, отражающие характеристики реального общества.
Транспортные привычки следует рассматривать на протяжении всей жизни человека, поскольку ключевые решения принимаются в важные моменты биографии. Исследователи работают над системами, которые объединяют разные временные горизонты: выбор средств передвижения в краткосрочной перспективе, смена места жительства в среднесрочной и развитие инфраструктуры в долгосрочной.
