На дорогах Индии, где автомобили, автобусы, трехколесные и двухколесные транспортные средства часто вынуждены делить ограниченное пространство, трафик может кардинально меняться за считанные секунды. Для специалистов по городскому планированию и инженеров дорожного движения понимание этой динамики представляет собой сложную задачу, поскольку многие традиционные модели предполагают, что транспортные средства строго следуют полосам и поддерживают предсказуемую скорость, что редко соответствует действительности на дорогах Индии.
Исследователи из Индийского технологического института (IIT) Гуахати работают над устранением этого пробела. Они разработали математические модели, которые лучше учитывают непредсказуемое поведение транспорта на дорогах Индии, объединив видеоматериалы с дронов, автоматическое отслеживание транспортных средств и машинное обучение.
Отслеживание позиций почти девяти миллионов транспортных средств
Команда исследователей под руководством профессора Ахилеша Кумара Маурьи из Департамента гражданского строительства изучала движение транспорта на восьмиполосной разделительной магистрали на окраине Дели. С помощью дронов, оснащенных камерами высокого разрешения, они записали около пяти часов дневного трафика в разрешении 4K. Эти видео затем были обработаны с помощью программного обеспечения DataFromSky, которое извлекает перемещения транспортных средств из аэрофотосъемки.
В результате был получен набор данных, включающий 36 818 транспортных средств и 8 938 920 точек данных о положении транспортных средств, снятых с частотой 10 кадров в секунду. Исследователи разделили транспортные средства на шесть категорий: двухколесные, трехколесные, автомобили, автобусы, тяжелые коммерческие транспортные средства и легкие коммерческие транспортные средства. Это позволило получить детальную картину того, как различные типы транспорта двигались, насколько близко они следовали друг за другом и как менялась их скорость при увеличении плотности трафика.
Профессор Маурья подчеркнул необходимость использования данных, специфичных для Индии, объясняя, что «дорожные условия в Индии отличаются от условий во многих странах, где разрабатывались существующие модели трафика. Нам нужны данные о трафике, отражающие разнообразие и особенности индийских дорог».
Сбор данных на основе дронов предоставляет возможность наблюдать за большим количеством транспортных средств и их перемещениями на участке дороги с высокой пространственной и временной детализацией.
Исследователи обнаружили, что расстояние между транспортными средствами менялось в зависимости от плотности трафика. На относительно свободных дорогах транспортные средства держали большие интервалы, но по мере роста трафика эти интервалы уменьшались. Однако при сильной перегруженности схемы расположения снова менялись.
Эта изменчивость важна, поскольку два транспортных средства, движущиеся в условиях, кажущихся схожими, не обязательно будут двигаться с одинаковой скоростью. Чтобы понять эти различия, команда протестировала шесть математических моделей трафика, включая устоявшиеся подходы, такие как Greenshields и Underwood. Кроме того, они обучили две модели машинного обучения: Искусственные нейронные сети (ANN) и Случайный лес (RF).
Наиболее интересным аспектом стало создание стохастических фундаментальных диаграмм. Проще говоря, традиционные модели трафика обычно оценивают одну скорость для заданной плотности трафика. Стохастические модели идут дальше, учитывая диапазон скоростей, с которыми транспортные средства могут фактически двигаться в данных условиях. Это позволяет моделям более реалистично представлять случайность индийского трафика, вместо того чтобы сглаживать различия между отдельными транспортными средствами.
От улучшения прогнозов к более умному планированию дорог
Исследователи установили, что модель Underwood показала наибольшую стабильность среди протестированных математических моделей, достигнув значения R² равного 0.86. Обе модели машинного обучения показали приблизительно 0.83.
Полученные результаты могут найти практическое применение при оценке пропускной способности автомагистралей, проектировании перекрестков, определении скорости движения по дорогам и улучшении транспортного моделирования. Данные также могут помочь исследователям в калибровке моделей следования за автомобилем, которые изучают, как водители регулируют свое расстояние и скорость относительно транспортных средств впереди.
Профессор Маурья отметил: «Надежное управление трафиком начинается с моделей, которые отражают то, как трафик на самом деле ведет себя на дорогах Индии. Высокодетализированные траекторные данные, полученные с помощью дронов, позволяют нам фиксировать взаимодействие между различными типами транспортных средств и большую изменчивость, которую часто упускают из виду традиционные модели трафика».
Подобные модели, специфичные для Индии, могут поддержать более реалистичное моделирование трафика, улучшить проектирование дорог и перекрестков, управлять заторами, оценивать пропускную способность и разрабатывать интеллектуальные системы управления трафиком, адаптированные к условиям Индии.
Для любого, кто проводил время на дороге в Индии, сложность прогнозирования трафика легко понятна: автомобиль замедляется, двухколесный транспорт попадает в узкий промежуток, авторикша меняет полосу, и движение сотен транспортных средств может измениться за секунды. Благодаря детальному фиксации этих взаимодействий, команда IIT Guwahati надеется сделать модели трафика более соответствующими тому, что ежедневно переживают пассажиры. Это исследование является шагом к пониманию не только того, сколько транспортных средств пользуется дорогой, но и того, как они перемещаются относительно друг друга, что в конечном итоге может помочь сделать ежедневную поездку более предсказуемой.