Дроны, ИИ и распорядок дня: как в Швейцарии хотят победить пробки
Пробки остаются одной из главных проблем крупных городов, и исследователи ищут способы их уменьшения без расширения дорожной сети. Швейцарские ученые из Федеральной политехнической школы Лозанны (EPFL) предлагают революционные способы: использование дронов с алгоритмами искусственного интеллекта для мониторинга трафика и новые математические модели, учитывающие не только отдельные поездки, но и весь распорядок дня человека и его семьи, пишет TechXplore.
Дроны и пробки
Согласно рейтингу TomTom, сильнее всего в Швейцарии от пробок страдает Женева: водители теряют здесь в заторах в среднем 141 час в год. По плотности трафика небольшой город входит в мировую двадцатку. Средняя скорость в Женеве — 19,1 км/ч (в Лозанне — 27 км/ч, в Берне — 42,4 км/ч). Для сравнения — в 2025 году список мегаполисов с самым медленным трафиком возглавил Лондон со средней скоростью 16,5 км/ч.
В Лаборатории городских транспортных систем EPFL для мониторинга трафика активно используют дроны. Традиционные методы (камеры, индукционные петли) сосредоточены на автомобилях и ограничены по времени и охвату. Дроны дают более широкую и детальную картину.
В 2018 году инженеры провели эксперимент в Афинах: группа дронов собрала массивы данных о движении без распознавания номеров и лиц. На основе этих данных разработали алгоритмы, способные различать типы транспортных средств (автомобили, грузовики, автобусы, мотоциклы, велосипеды) и отслеживать их траектории.
Оказалось, что методы ИИ и машинного обучения позволяют с высокой точностью распознавать и отслеживать очаги перегрузки на больших территориях. Объединение данных дронов с классическими средствами мониторинга повышает точность прогноза на 15-20%. Это позволяет заранее принимать превентивные меры, например, регулировать светофоры за полчаса до того, как пробка дойдет до конкретного района.
Дроны также помогают анализировать поведение водителей (перестроения, взаимодействия) и видеть контекст — например, причину резкого торможения. Их применяют для задач безопасности, анализа мультимодального трафика, оценки качества воздуха и шумового загрязнения.
Пока речь не идет о готовом решении для немедленного внедрения таких технологий. Задача исследователей — разобраться в фундаментальных вопросах: насколько полезны дроны, какое преимущество дают их данные и какие новые возможности открывает ИИ.
Новые математические модели мобильности
Второе направление, которое развивают в Лаборатории транспорта и мобильности EPFL (TRANSP-OR), связано не с потоком машин, а с тем, как люди организуют свою повседневную жизнь. Традиционные транспортные модели рассматривают отдельные поездки из точки А в точку Б, учитывая цель, вид транспорта и маршрут. Новый подход учитывает всю совокупность повседневных дел человека (работа, покупки, досуг), а также действия других членов его домохозяйства в течение дня.
В 2024 году сотрудница TRANSP-OR разработала модель, которая учитывает повседневные активности и реакцию людей на непредвиденные события. Модель успешно протестировали для Швейцарских федеральных железных дорог и в проекте городского планирования для Цюриха.
Транспортные решения чаще принимаются в рамках отдельных домов: люди планируют поездки, исходя из общей оптимизации семейного распорядка. Модель, откалиброванная на уровне семьи, лучше соответствует реальным данным, чем модели на индивидуальном уровне.
Главная проблема — нехватка данных. Измерять повседневные активности трудно и дорого, есть вопросы конфиденциальности. Для ее решения используют синтетические популяции — статистически созданные массивы данных, повторяющие характеристики реального населения.
Транспортные привычки следует рассматривать на протяжении всей жизни человека, поскольку базовые решения принимаются в переломные моменты биографии. Исследователи разрабатывают системы, объединяющие разные временные горизонты: выбор способа передвижения в краткосрочной перспективе, смену места жительства в среднесрочной и развитие инфраструктуры в долгосрочной.
Как отмечают швейцарские ученые, борьба с пробками без строительства новых дорог возможна, если города научатся не просто фиксировать движение, а заранее понимать, как ведут себя транспортные сети и сами люди.
