Ученые МАДИ научили нейросети прогнозировать заторы с учетом «эффекта домино»

Ученые МАДИ разработали новый метод инициализации нейросетей, применяемых для прогнозирования ситуации на дорогах. Подход позволяет искусственному интеллекту еще до начала обучения учитывать «эффект домино», когда затор на одной улице порождает каскадную пробку на соседних. Это значительно повышает точность и скорость прогнозов.

Традиционные нейросети, применяемые при решении транспортных задач, начинают обучение без понимания структуры дорог, подбирая рабочие параметры методом проб и ошибок. В отличие от стандартных подходов, которые задают начальные параметры нейросети универсальным образом, новая разработка закладывает знание о глобальных взаимосвязях транспортной системы непосредственно в архитектуру модели.

Авторы предлагают предварительно анализировать транспортный граф города, выявляя все прямые и косвенные связи между участками магистралей. На основе этих данных вычисляются специальные показатели — «транзитивные числа», которые отражают доступность узлов, суммарные задержки и каскадные эффекты. Эти значения сразу закладываются в начальную настройку нейросети.

Тестирование метода на архитектуре DeepNet Transformer показало существенное ускорение выхода модели на рабочие показатели по сравнению с базовыми алгоритмами. Кроме того, повысилась точность прогнозов за счет учета каскадных эффектов, а также улучшилась стабильность обучения.

Исследователи отмечают, что новый метод обеспечивает устойчивую работу алгоритма на всей глубине сети, предотвращая затухание или взрывной рост градиентов в условиях реального дорожного шума и неопределенности.

Источник: Официальный ресурс Министерства образования и науки Российской Федерации