В основе технологии лежит отказ от классического машинного обучения «вслепую». Традиционные нейронные архитектуры тратят колоссальные ресурсы на самостоятельный поиск закономерностей в хаотичном потоке данных. Инженеры МАДИ предложили наделить искусственный интеллект априорным знанием о топологии города. Перед стартом вычислений система анализирует транспортный граф – математическую модель улично-дорожной сети, где узлы представляют перекрестки, а ребра – участки пути.
Ключевым элементом стали так называемые «транзитивные числа». Это интегральные метрики, которые рассчитываются для каждого узла графа и отражают его системную значимость. Они учитывают не только прямые соседи участка дороги, но и дальние косвенные связи, задержки на маршрутах и вероятность того, что сбой в одной точке вызовет волну по всему району. Эти коэффициенты встраиваются непосредственно в веса начальной конфигурации модели DeepNet Transformer.
Практические испытания показали трехкратное превосходство над стандартными подходами:
- Скорость конвергенции: выход на оптимальный режим работы занимает кратчайшее время.
- Точность прогнозирования: учитываются даже скрытые факторы влияния отдаленных перегруженных узлов.
- Алгоритмическая устойчивость: метод купирует типичные для глубоких сетей проблемы нестабильности градиентов при обработке зашумленных транспортных данных.
Данная технология закладывает фундамент для создания проактивных интеллектуальных транспортных систем. Вместо реагирования на уже возникший затор, городские службы получат инструмент для превентивного перераспределения потоков до наступления точки невозврата.
